摘要
自主水下航行器（AUVs）在深海探索、环境监测和海洋工程中的应用日益广泛。它们的运行安全性和任务性能在很大程度上依赖于准确且持久的水下定位能力。然而，无论是单一传感器的定位方法还是现有的多传感器融合技术都存在固有的局限性，这使得在长时间任务中实现高精度定位变得困难。为了解决这个问题，本研究开发了一个基于深度学习的多源传感器融合框架，用于AUV的定位。在该框架中，利用惯性导航系统（INS）和多普勒速度计（DVL）提供的高频数据来进行连续的位置更新，同时利用超短基线（USBL）系统和声纳提供的低频绝对位置观测数据来定期校正更新后的结果。基于该框架，分别使用了深度神经网络（DNN）、长短期记忆网络（LSTM）和贝叶斯半监督混合浅层神经网络（BSsMSLNN）开发了三个实例化模型。通过与扩展卡尔曼滤波器（EKF）以及同时定位与绘图系统（SVIn2，该系统结合了声纳、视觉、惯性和深度传感器）进行对比实验，结果表明所提出的框架有效抑制了长期误差的累积，并显著提高了定位精度。在评估的模型中，基于BSsMSLNN的方法在轨迹拟合、均方根误差（RMSE）和决定系数（R2）方面表现最佳。 所提出的方法为在GPS信号不可用的环境中实现AUV的高精度自主导航提供了可行的解决方案。
