自主水下航行器的发明是水下通信系统的重大突破之一。自主水下航行器 （AUV） 是在不需要操作员的情况下在水下行驶的船只。它们是一组被称为无人水下航行器的海底系统的一部分。然而，与自主水下航行器不同;其他无人水下航行器通常由飞行员通过脐带或遥控器从水面控制。这种航行器称为遥控水下航行器（ROV）。
第一台 AUV 于 1957 年发明;在华盛顿大学，由鲍勃·弗朗索瓦（Bob Francois），斯坦·墨菲（Stan Murphy）和特里·尤尔特（Terry Ewart）撰写。建造的船只被称为（SPURV）或“特殊用途水下研究车”，并被部署用于研究目的。该船用于研究声学传输、扩散和海底尾流。在接下来的几年里，创造了更复杂的自主水下航行器。
由于技术的进步，AUV的用途日益扩大;它们现在被用于更复杂的任务。AUV的结构和可靠性使它们被军方部署，用于商业目的和研究。如今，AUV 用于数据收集、测量和测绘
AUV 的好处
- 稳定性：自主水下航行器的设计使其非常稳定和敏捷。AUV的设计类似于鱼雷，其推进系统由一个或两个推进器组成。它还具有控制表面，负责控制车辆的运动。它采用流线型整流罩结构，可减少流体动力阻力;以及容纳电力电子设备的压力拖曳。
- 部署成本低：自主水下航行器不需要笨重而复杂的支持系统。它们携带自己的能源，因此不需要外部电源。没有外部控制也降低了雇用人工操作员的运营成本。
- 提高数据质量：与ROV等其他无人驾驶车辆不同，AUV无需操作员控制即可工作。因此，这使得它更快，提高了其数据信号比。这使得调查更快、更准确。
- 出色的导航算法：AUV 在执行任何任务之前都会根据指令进行编程。要遵循的地理位置是预先确定的;设置了跟随这些位置的导航要求;绕过障碍物的措施以及有效载荷装置操作程序也被编程到车辆中。这确保了平稳和快速的操作。它还使用其传感器在水下崎岖的地形中导航。除了出色的导航能力外，AUV 还可以对任何设备发生故障时采取的措施进行编程
精确导航对于自主水下航行器（AUV）至关重要。导航传感器，尤其是微机电系统（MEMS）传感器的测量偏差是影响定位精度的关键因素。深度学习是解决这一问题的一种新方法。然而，深度学习方法的计算周期和鲁棒性在实际应用中可能不足。该文提出一种基于深度学习的自适应导航算法来解决这些问题，并实现精准导航。首先，该算法利用深度学习生成低频位置信息，对导航系统的误差累积进行修正;其次，选择χ2规则来判断多普勒速度测井（DVL）测量是否失败，可以避免DVL异常值的干扰;然后，采用基于变分贝叶斯（VB）方法的自适应滤波器对与测量协方差同时估计导航信息，进一步提高了导航精度。基于AUV现场数据的实验结果表明，所提算法能够实现鲁棒的导航性能，显著提高定位精度。
自主水下航行器（AUV）是海洋探测必不可少的装备，近年来得到了广泛的应用。通过从各种相关传感器收集信息，导航系统可以估计AUV的位置、速度和其他导航信息。因此，AUV导航技术是海洋探索的必要前提。由于AUV在水下作业时全球定位系统（GPS）无效，因此有必要开发水下自主导航技术。目前主要的导航方法包括惯性导航、声学导航、同步定位和测绘（SLAM）、基于地球物理地图的导航和集成导航。在上述方法中，综合导航是AUV应用最广泛的导航方法。
考虑到成本和便利性，在浅海和湖泊中工作的小型AUV的集成导航系统主要在多普勒速度测井（DVL）和姿态和航向参考系统（AHRS）上中继。基于运动学方程，航位推算法可用于计算AUV的位置。然而，测量误差（可视为高斯白噪声）会导致位置误差累积。导航系统需要使用滤波器来减少测量误差的干扰。常用的滤波器包括扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）。
EKF是AUV导航中最常用的非线性滤波方法。通过截获一阶泰勒级数，可以逼近非线性变换过程，但EKF忽略了高阶项，导致系统模型误差。Gauss-Newton是一种优化方法，可以在一定程度上降低非线性模型误差。优化的方法，如遗传算法和粒子滤波，也可用于提高EKF的性能。UKF采用无迹变换，通过计算系统状态和观测状态的协方差对状态进行采样和估计，可以达到比EKF更高的估计精度。然而，在实际应用中，UKF的计算复杂度较高，容易引入非正协方差问题，这也影响了导航系统的鲁棒性。
为了实现状态估计，需要精确的误差协方差。由于环境因素和传感器特性的影响，测量噪声协方差不确定，甚至存在时变，在工程应用中难以获得精确的噪声误差。现有解决方案假设噪声满足高斯白噪声分布，并通过自适应滤波器实现状态估计。Sage Husa、H∞滤波器、最大似然估计法和变分贝叶斯（VB）是目前主要的自适应算法。自适应滤波器可以得到具有近似误差协方差的状态估计。
自适应滤波器可以有效地估计白噪声情况下的误差分布。然而，由于外部铁磁材料的磁敏感性和AUV的电磁波，AHRS的数据可能与真实值有偏差，可以将其视为颜色噪声。传统方法无法解决色噪问题，在实际应用中仍然是一个具有挑战性的问题。深度学习近年来发展迅速，已应用于图像处理、语言翻译、模式识别等工程领域。由于神经网络方法可以接近最优解，因此该方法可以有效提高传感器偏差较大的导航精度。然而，根据我们的研究，在传感器精度较高的情况下，神经网络方法的定位精度与传统导航方法相比并不令人满意。此外，深度学习方法的导航信息频率较低，因为深度学习方法的计算周期需要持续时间内的数据，这会导致该方法在某些任务中不足。
旗鱼AUV包括推进系统、通信系统、环境感知系统和导航系统。推进系统包括螺旋桨、方向舵及其相关控制单元，它们提供 AUV 运动的动力。该通信系统旨在提供AUV和海上控制单元之间的稳定信息交互。环境感知系统使用传感器来获取可用于任务执行和避障的环境信息。其中，导航系统可以为其他系统提供导航信息，因此是AUV的基本功能。为了实现导航状态估计，AUV配备了各种传感器和设备。导航系统集成在整个AUV的中间电缆中。相关的传感器和设备包括 GPS、DVL、AHRS 和深度计 （DM）。每个传感器和设备将在以下部分进行介绍。零件传感器和设备的规格可以参考我们以前的工作。
GPS作为一种被动定位设备，当AUV漂浮在水面上时，GPS可以获得准确的位置。GPS通过接收卫星信号来计算其定位，位置信息没有误差累积。但是，由于风浪的干扰，GPS导航信息可能存在异常值。在导航系统中使用 GPS 信息之前，需要一个过滤器。DVL 旨在测量 AUV 的线速度。当DVL工作时，一个固定频率的短声脉冲将被海底传输和反射。DVL的换能器根据回波的频率变化计算线速度。声音回波会干扰环境和AUV运动状态，导致DVL测量在实际应用中失败。当DVL正常工作时，测量误差被认为是白噪声。
AHRS包括三轴陀螺仪、加速度计和磁罗盘，可以直接测量线性加速度、角速度和磁强度。上述数据将与卡尔曼滤波器融合，以获得稳定的航向和姿态。然而，由于外部铁磁材料的磁敏感性和AUV的电磁波，AHRS的信息，特别是偏航数据，可能会与真实值有偏差，不能视为白噪声。DM 是一种必不可少的传感器，可以在车辆在水中运行期间提供 AUV 深度。DM的核心部件是可以获取压力强度的压力传感器。DM 的微工艺单元使用压力、流体密度和重力常数来计算 AUV 的深度。来自DM的数据相对准确，可以直接用于AUV导航。因此，AUV导航的主要挑战是在水平坐标上实现位置估计。AUV平台的常规导航算法是EKF。EKF可分为两部分：时间更新和测量更新。在时间更新阶段，系统采用运动学方程预测系统状态，利用系统更新函数的雅各宾矩阵预测系统噪声的协方差。
利用EKF算法可以实时计算出AUV的导航信息。然而，AHRS的数据容易受到外部铁磁材料和AUV电磁波的影响。在实际的AUV应用中，航向噪声为彩色噪声，难以估计，是影响导航系统定位精度的主要原因。DVL的速度测量误差是影响导航精度的另一个因素。一种基于深度学习的自适应导航算法来解决导航系统中的传感器噪声问题。图2是所开发方法的流程图。该算法基于EKF方法，定时观测包含DVL和AHRS的数据。当深度学习计算周期结束时，通过深度学习计算出的位置将被添加到观测值中ZD.为避免 DVL 异常值的干扰，观察结果Z一个当 DVL 失败时，将删除 DVL 的数据。EKF采用VB方法调整噪声协方差。
AHRS的偏航数据包括彩色噪声，这是传统方法难以估计的。因此，我们采用混合循环神经网络（RNNs）框架来实现AUV位置估计。由于训练过程使用GPS运动作为标签，传感器的原始数据作为输入，因此训练的框架可以包括偏航误差的干扰。 Xs 是数据的序列输入，W 和 b 是权重和偏置，fg 是遗忘门，ig 是输入门，C 是单元状态，Og 是输出门，hl 是隐藏层。激活函数σ使用sigmoid。
RNN 结构用于预处理 DVL 和 AHRS 的原始数据。然后，使用不同RNN的输出和时间间隔作为输入，将位移变换为全连接层[39]。GPS 轨迹由自适应容错滤波器平滑，并分成多个段以生成用于训练的标签。在此网络中，选择均方根误差 （RMSE） 来计算标签和预测之间的损失。
为了提高网络的训练效率，全连接层中的激活函数采用整流线性单元（ReLu）来克服梯度消失问题。根据我们的实验，在训练过程中应该降低学习率，因此选择自适应梯度（AdaGrad）来调整学习率，AdaGard可以有效地减少训练周期。经过训练的网络可以实现AUV位置估计。
深度学习是一种端到端的导航方法，不需要处理各种复杂的矩阵运算。因此，它很容易实现。由于神经网络方法可以近似最优解，因此当原始数据存在较大偏差时，它可以获得相对精确的定位。但是，当原始数据准确时，性能相对较弱。深度学习方法的计算周期需要来自一个持续时间的数据，这导致深度学习方法只能获取频率较低的导航信息。本工作将深度学习的位置信息作为观测中的元素来校正导航信息。这里的测量向量 Zd 包括深度学习输出以及来自 DVL 和 AHRS 的数据。深度学习的RMSE描述了与真值的偏差程度，RMSE的平方是均方误差（MSE），与测量方差的含义相同。因此，我们使用 MSE 作为神经网络位置估计的近似测量方差。测量噪声协方差矩阵 Rd 得出了深度学习的 MSE 和测量噪声。由于 MSE 获得的方差仍然不准确，因此需要通过 VB 方法进行校正。
当AUV在水中巡航时，运动状态会受到波浪和浪涌的干扰，这可能会对DVL测量产生不利影响。DVL 附近的移动物体或地形的快速变化是 DVL 精度的另一个因素。协方差估计的精度对卡尔曼滤波的性能具有重要意义。由于系统协方差是固有特性，近似估计可以保持滤波器的稳定性，因此测量协方差是影响状态估计精度的主要因素。在我们的导航算法中，测量包括位置、偏航角和速度。其中，位置的协方差是通过深度学习获得的，这是一个近似值，DVL的协方差会受到环境的影响。将VB方法引入状态估计中，同时估计测量协方差以解决该问题。
基于AUV现场数据进行了一系列实验。为了评估不同导航方法的性能，实验平台需要一个真实值，例如GPS位置。由于AUV在水下浸没时无法获得GPS位置，因此当AUV在水面巡航时收集了现场数据。此外，可以生成GPS平滑轨迹作为训练深度学习网络的标签。
在这项工作中，我们开发了一种基于深度学习的自适应导航算法。首先，该算法利用深度学习生成低频位置信息来纠正导航误差;其次，选择χ2规则来判断DVL测量是否失败，这样可以避免DVL异常值的干扰;然后，采用基于VB方法的自适应滤波器对与测量协方差同步的导航信息进行估计，进一步提高了导航精度。
与纯深度学习导航方法不同，该工作可以实现正常频率的鲁棒性和高精度导航，可以满足各种任务的要求。基于AUV场数据的实验结果验证，即使所提算法的性能也略差于纯深度学习。然而，与传统的导航算法相比，它具有良好的鲁棒性，可以有效提高导航精度。未来，我们将进行更复杂的集成导航系统设计，例如不同声学设备的集成，并研究所提算法的性能。