自主水下航行器的组合导航系统综述

郭银景，孔 芳，张曼琳，吕文红，吕振义

(1.山东科技大学电子信息工程学院，青岛 266590；2.山东科技大学交通学院，青岛 266590；3.深圳科卫泰实业发展有限公司，深圳 518000；4.青岛智海牧洋科技有限公司，青岛 266590)

0 引言

自主式水下潜航器(Autonomous Underwater Vehicle，AUV)的定位、路径跟踪和控制都基于精确的导航参数，所以导航是AUV的关键技术之一。由于水对电磁信号的衰减作用，一些通常适用于陆地和空中的导航方法不适合在水下使用，水下导航已成为AUV研究中的热点问题[1-2]。

惯性导航系统(Inertial Navigation System，INS)由于具有自主性，通常充当AUV的中央导航系统。INS通过对安装在潜航器上的3个相互垂直的加速度计和3个相互垂直的陀螺仪的测量值进行积分来获得AUV的瞬时速度和位置。由于加速度计和陀螺仪的漂移，INS的速度和航向误差随时间呈线性累积，而位置误差随时间呈指数累积[3]。从结构上讲，INS分为平台惯性导航系统(Platform Inertial Navigation System，PINS)和捷联惯性导航系统(Strapdown Inertial Navigation System，SINS)。与广泛应用于AUV导航的PINS相比，SINS将其惯性测量元件直接固连在载体上，省去了复杂的稳定平台等机械结构，并且体积小、质量小、成本低。在过去的几十年中，SINS已逐渐成为主流，其系统框图如图1所示。

图1 捷联惯性导航系统框图Fig.1 Block diagram of SINS

但是INS只能在有限时间内提供相对准确的导航信息，纯惯性导航系统不能在整个水下任务执行期间保持高精度导航。因此，除惯性传感器外，AUV导航系统通常还安装具有不同工作频率和精度的辅助传感器[3-4]。在AUV导航中，辅助传感器或其他导航系统，例如全球定位系统(Global Positioning System，GPS)、声学定位系统(Acoustic Positioning System，APS)、地球物理导航系统、多普勒测速仪(Doppler Velocity Log，DVL)、即时定位与地图构建(Simultaneous Localization and Mapping，SLAM)通常与INS形成组合导航系统。目前，使用外部信息或测量结果来修正INS是提高导航精度的有效手段，并且得到了广泛应用。

1 INS/APS组合导航

APS通过声音信号的传播时间计算距离，以确定AUV的位置，这需要在海底或母船安装必要的应答器。长基线(Long Base Line，LBL)、短基线(Short Base Line，SBL)和超短基线(Ultra Short Base Line，USBL)是代表性的声学定位方法(表1)。图2所示为声学导航定位系统的原理示意图, 换能器或由换能器组成的基阵会向海底(或海面)声信标发射水声信号并接收返回的信号,通过测定时延差或者方位角对AUV进行定位。

在AUV导航中，APS可以将初始位置发送给INS，以抑制INS的长期漂移，INS/APS组合导航原理示意图如图3所示。

表1 声学定位系统

(a)潜标式LBL导航

(b)浮标式LBL导航

(c)SBL导航

(d)USBL导航

图3 INS/声学组合导航原理示意图Fig.3 Schematic of INS/APS integrated navigation

USBL因体积小、安装方便、成本低等优势，被广泛应用于辅助INS导航。张涛等[5]基于SINS/USBL组合导航系统成功检测出USBL系统定位故障并及时进行隔离，姿态误差和速度误差在故障发生和消失时刻由于系统重构出现轻微跳动，其他时刻均保持较高精度，当故障消失时位置误差又恢复到正常量级(5～10m)。Xu等[6]为了解决AUV在深海域航行时，USBL辅助INS出现的信号丢失、定位和噪声突变问题，提出了一种自适应增益扩展Kalman滤波器(Condition-Adaptive Gain Extended Kalman Filter，CAEKF)，南海实测证明了该算法优于标准导航算法和其他经典滤波方法。USBL的角度失准误差是INS/USBL定位系统的主要误差源之一，Tong等[7]研究了操作简单、易于实现的基于传统单应答器的双矢量重构方法，在航行过程中对水下应答器进行USBL解算的同时，记录USBL载体在参考坐标系下的坐标值，并通过3个点构建2个共点的矢量，再对构建矢量进行相关性判断，达到对USBL收发基阵安装误差估计精度的控制，进而提高了组合导航精度。

SBL的精度介于LBL和USBL之间，其跟踪范围较小，声换能器放置在AUV的前后，基线受限于AUV的长度，所以INS/SBL更适用于在母船附近的AUV导航定位。Wang等[8]提出了利用扩展Kalman滤波器(Extended Kalman Filter，EKF)和无迹Kalman滤波器(Unscented Kalman Filter，UKF)来融合传感器的信息，并辅以DVL，以提高INS/SBL组合导航精度。

基于INS/LBL的导航系统中，声传感器通常被广泛放置在海底任务区域的上方，通过水声换能器估计的距离进行三角测量来完成定位。Liu等[9]提出了一种由LBL声学多普勒流速剖面仪(Acoustic Doppler Current Profiler，ADCP)辅助INS的组合导航，使用EKF融合了不同的导航传感器数据，数值仿真表明，AUV的水平定位误差小于10m。张涛等[10-11]研究了应用SINS和LBL紧耦合的AUV定位系统，利用SINS的位置信息辅助，有效解决了由于水下噪声和混响等因素造成接收到的多路声信号出现互相关峰模糊的问题，提高了AUV水下导航定位精度。为了进一步提高INS/LBL组合导航精度，Chen等[12]提出了一种近实时(Near Real Time，NRT)贝叶斯平滑算法，并将其应用于LBL辅助INS，与EKF相比，该方法具有更高的精度和可靠性。Li等[13]对深水AUV的INS/LBL组合导航提出了一种多模型EKF算法，通过建立合适的AUV导航误差模型集，在线估计量测误差协方差矩阵。利用潜龙一号对新算法进行了测试，结果表明，多模型EKF组合导航算法显著提高了深水AUV的导航精度。

利用APS估算水下航行器的绝对位置，可以有效抑制INS的误差累积，因此，INS/APS的组合可以显著提高AUV的导航精度。应用此类导航方法，AUV必须在应答器的覆盖范围内进行操作，因此其任务区域受到限制，每次执行任务都必须预先在海底或母船上部署声信标，并且安装难度较大，导致导航系统的成本过高，难以在民用AUV中推广。

2 INS/GPS组合导航

2.1 典型的INS/GPS组合导航

由于海水对无线电信号的衰减作用，GPS接收机无法在水下使用，所以用于AUV的GPS辅助惯性导航系统仅适用于浅水应用，并且AUV需要定期浮出水面以接收来自GPS的定位信号。

图4 INS/GPS组合导航系统框图Fig.4 Block diagram of INS/GPS integrated navigation system

Yun等[14]将INS/GPS(图4)引入到小型AUV导航中，开发了异步Kalman滤波器以改善位置估计精度。测试结果表明，结合间歇接收差分全球定位系统(Differential Global Position System，DGPS)信号使用低成本IMU进行导航是可行的。Hu等[15]使用改进的UKF，以更低的计算成本实现了更高的INS/GPS集成导航精度。在文献[16]中，基于Kalman滤波与径向基函数(Radial Basis Function，RBF)神经网络，结合小波分析用于SINS/GPS组合导航的数据融合，显著提高了AUV的定位精度。文献[17-18]提出了集成多个INS传感器和GPS的AUV组合导航系统，通过模糊逻辑的自适应Kalman滤波器(Adaptive Kalman Filter，AKF)进行多传感器数据融合，实际海试表明，INS/GPS导航系统的性能得到了增强[17-18]。Liu等[19]提出了一种带衰减因子的基于AKF的自适应INS/GPS组合导航方法来抑制噪声。

北斗卫星导航系统(BeiDou Navigation Satel-lite System, BDS)是我国自行研制的新一代全球卫星导航系统，也会逐渐代替GPS辅助AUV中的INS导航[20]。

2.2 INS/GPS浮标组合导航

通过将带有GPS浮标的传感器放在海面上，可以消除LBL需要在海底铺设信标的局限性。GPS浮标与INS相结合，既发挥了GPS的高精度优势，弥补了其输出频率较低的缺点;又发挥了INS输出频率高、短时精度高的优点，弥补了其精度随时间累积的缺点，使二者达到完美的组合，系统框图如图5所示。

图5 INS/GPS浮标组合导航系统框图Fig.5 Block diagram of INS/GPS buoy integrated navigation system

单浮标辅助导航分为固定式和拖放式，其缺点是固定类型需要水下机器人航行一段时间才能浮出水面并纠正导航信息。金钟等[21]介绍了GPS浮标/SINS组合用于水下设备导航与定姿的优点，推导了水下设备载体坐标系与GPS定位的WGS84坐标系的转换关系，并根据陆地GPS/SINS力学编排的原理，推导了水下GPS/SINS的误差状态方程。张加全等[22]给出了一种基于单移动GPS智能浮标的AUV导航方法，应用KF融合SINS提供的位置数据，研究成果有望为AUV远程精确定位、路径规划和多AUV协同导航等提供技术支撑。

多浮标辅助导航能进一步提高该组合导航的精度，张涛等[23]使用若干个浮标构成水听器阵，浮标的经纬度坐标由GPS提供，浮标完成对接收到的声源信号的处理，并利用互相关测时延差的方法进行定位。所提出的INS/多GPS浮标组合导航系统能够使定位误差小于2m, 保证了AUV能够长时间在水下航行，与单浮标的对比如表2所示。

表2 单浮标与多浮标/INS组合导航比较

3 INS/DVL组合导航

INS/DVL组合导航主要使用DVL测得的速度来抑制INS累积误差。目前，INS和DVL的组合甚至已经成为AUV导航的标准配置[24-25]。

3.1 典型的INS/DVL组合导航

图6显示了应用于AUV的典型INS/DVL组合导航结构。系统框架包含INS、Kalman滤波器、辅助导航传感器DVL，其中Kalman滤波器用于估计SINS导航误差；将导航误差估计值传输到SINS以重置导航参数，随后将校正后的导航参数作为导航方程的最新初始条件。DVL测量载波相对于海底的速度，而INS/DVL组合导航系统常用于AUV的近底部导航。

图6 INS/DVL组合导航系统框图Fig.6 Block diagram of INS/DVL integrated navigation system

钱辉等[26]将SINS/DVL组合导航系统应用在大航程AUV上，并通过试验证明使用常规Kalman滤波存在明显发散，导致误差方差阵失去非负定性，从而影响SINS/DVL组合导航定位精度。为了优化此类导航系统的性能，Klein和Diamant[27]利用可观测性Gramian方法分析了DVL辅助INS的可观测和不可观测误差状态，并进行了仿真验证。试验数据表明，当观测数据在短时间内失效时，该方法明显优于传统的KF。Jo将H∞先验滤波器和滚动优化策略相结合的滚动时域H∞滤波器(Receding Horizon H∞Filter，RHH∞F)引入DVL/INS导航系统，数值仿真表明，引入RHH∞F的导航系统具有更高的鲁棒性[28]。Liu等[29]基于改进的粒子滤波算法设计了INS/DVL组合导航系统，有效提高了AUV的速度和位置预测精度，特别是在复杂的运动姿态和长时间航行的情况下。日本海洋地球科学技术局为小型AUV开发了高性能的紧凑型INS/DVL组合导航系统，其性能已在AUV海试中得到验证[30]。文献[31]在DVL辅助INS中引入了紧密耦合方法，增强了DVL对环境的适应性，实验结果表明，DVL的零星测量失败对导航精度几乎没有影响。为了提高DVL辅助SINS组合导航系统在AUV上的运动对准精度，Li等[32]利用协方差匹配方法实现了自适应无迹Kalman滤波器(Adaptive UKF，AUKF)，能够在线估计量测噪声的协方差，并可以用于具有任何初始航向误差的DVL辅助SINS运动对准。SINS/DVL组合导航中存在的交叉噪声会降低AUV的导航精度，引入Kalman滤波器对交叉噪声进行处理，使AUV的导航性能得到明显改善[33]。文献[34]提出了一种速度跟踪方案，以抑制INS/DVL组合导航中DVL速度检测中的随机噪声，仿真结果表明，改进了AUV的水平定位精度。

3.2 基于INS/DVL的组合导航方案

在水下导航中，DVL通常安装在AUV的底部。如果AUV进行大角度运动，部分波束无法收到反射信号，则DVL数据失效。另外，当DVL遭遇海洋生物阻挡时，发射出的声波不能到达海底；或者海底存在强吸声地质时,DVL发射出的声波无法反射回来，也会造成DVL短暂消失，如图7所示。所以在许多水下任务中，INS/DVL组合导航通常与磁力计、深度传感器、压力传感器、倾角仪、USBL、LBL或其他辅助手段结合使用，以进一步提升其导航性能和可靠性。

图7 航海中DVL失效的示意图Fig.7 Schematic diagram of DVL failure in navigation

Sheijani等[35]使用基于直接和间接KF的数据融合方法，融合辅助传感器(包括DVL、陀螺罗盘和深度计)以提高INS导航精度。实验结果表明，估计位置的均方根误差从行进距离的3.2%降低到0.2%。Xu等[36]应用进化人工神经网络容错AKF算法，以提高SINS/DVL/电子罗盘组合导航系统的性能。Krishnamurthy和Khorrami[37]使用压力传感器辅助INS/DVL的AUV组合导航系统，UKF用于提供AUV的状态估计和传感器参数估计，仿真试验已经证实了所提出系统的抗噪声干扰性能。Shabani等[38]提出了异步直接KF算法用于提高SINS/DVL/深度传感器/倾角仪组合导航精度，与间接KF相比，在SINS循环中进行预测过程，而校正过程则在SINS循环之外异步实现。湖泊测试的结果证实了该方法在改善AUV导航性能方面的有效性；并且还证实了使用UKF作为AUV搭载的DVL和深度传感器辅助的SINS数据融合工具，与KF相比，能显著提高AUV的定位精度[39]。Yuan等[40]为了提高SINS/DVL导航距离与导航精度，增加磁力计和深度传感器，提出了一种基于Sage-Husa AKF的联邦滤波算法来估计每个局部滤波器，相应的仿真结果表明了该方法具有良好的导航性能。文献[41]在AUV导航中使用IMU、DVL和USBL的组合，通过异步EKF实现了多传感器数据融合，仿真结果表明，位置和姿态都具有较高的估计精度。McEwen[42]介绍了在北极运行的AUV，其水下航行器的导航设备主要由带有环形激光陀螺仪的INS、DVL和GPS组成。该导航装置分别在甲板、开阔水域和冰层下进行了测试，测试结果证明了基于INS/DVL组合导航的可靠性。Ben等[43]使用SINS/DVL/GPS组合导航方法估算了洋流模型参数，DVL测得了相对于海床的更精确的速度，该速度用于考虑海流速度以协助SINS。王小峰[44]同样提出了SINS/DVL/GPS组合导航，利用分散化滤波中的联邦Kalman滤波，对各导航子系统的导航信息进行了优化，进而达到提高AUV长航时、高精度导航的目的。

与惯性导航类似，DVL辅助INS是航位推算定位系统。SINS/DVL组合导航只能降低AUV位置误差的增长率，并且不能随时间改变位置误差的累积特性。但是，DVL出现信号短期中断会直接影响导航性能，所以在某些水下任务中，INS/DVL仍需要额外的辅助导航系统或传感器以执行更精确和可靠的导航。

4 INS/地球物理导航的组合导航

INS/地球物理辅助组合导航可以利用海底地形特征[45-46]、重力变化[47]、磁场变化[48]等海底物理特征和相关线索，辅助INS实现定位和导航，如图8所示。

图8 INS/地球物理导航的组合导航系统框图Fig.8 Block diagram of INS/geophysical integrated navigation system

重力辅助导航可以校正INS累积误差。Wang等[49]实现了重力辅助INS技术，并在南海进行了试验，用海洋重力仪测量重力数据，采用多模型KF迭代算法估计水下航行器在存储的重力参考图中的位置。地磁辅助导航依赖于将现有地图与机载磁力计测量结果进行比较，以提供位置定位并限制INS的位置误差增大。Wu等[50]介绍了用于AUV的地磁辅助INS导航系统，将实时测得的地磁场值与先验磁场图进行比较，从而减少了INS位置误差，并提出了一种利用地磁场测量的区间知识的新型匹配算法， 通过实测航行数据验证了该匹配算法的有效性。Zheng等[51]提出了一种重力-地磁组合辅助导航(Gravity-Geomagnetism Combined Aided Underwater Navigation，GGCAN)方法来纠正AUV的INS误差，通过多模型自适应估计分别获得了重力辅助导航和地磁辅助导航的最优位置估计，仿真结果表明，GGCAN方法提高了导航的准确性和可靠性。地形辅助导航(Terrain Assisted Navigation，TAN)系统被应用于修正INS的漂移误差，并已成为水下组合导航技术新的研究方向。Li等[52]结合改进迭代最近轮廓点(Iterative Closest Contour Point，ICCP)算法和Kalman滤波器，融合地形导航信息与惯性导航信息，通过滤波器及时校正SINS的累积误差，进而改善了ICCP中使用的INS指示轨迹，通过实验验证了该组合导航系统可以有效地防止INS指示轨迹的偏离，并且可以满足水下、长期和高精度的自主导航的要求。Chen等[53]针对水下地形辅助导航中的非线性贝叶斯估计问题，提出了一种基于改进的粒子滤波的地形辅助导航方法，仿真表明，该方法具有良好的匹配性能，适用于水下航行器自主导航。

5 INS/SLAM组合导航

AUV运用自身携带的各种传感器，在航行过程中自主探索、识别作业环境，同时实现自身定位，是机器人领域的研究热点。上述导航定位方法就是机器人领域的研究热点—SLAM。SLAM理论被一致认为是移动机器人在未知环境中实现真正自主导航的主要途径。目前，SLAM理论大多应用在陆空环境，应用于水下环境的并不多，表3给出了国内外有关AUV-SLAM的主要研究单位，其中AUV-SLAM技术中使用的主要方法有：基于EKF的EKF-SLAM和基于粒子滤波器(Particle Filter，PF)的FastSLAM、GraphSLAM，如表4所示。

表3 国内外对AUV-SLAM的主要研究单位

表4 主流AUV-SLAM算法比较

由于视觉传感器价格便宜，基于视觉的同时定位与地图绘制(Visual SLAM，VSLAM)是近年来新型导航定位技术研究的一大热点。通过单目或立体相机拍摄水下环境的图像，对捕获的图像进行相对速度和方向估计，并与INS相融合以实现AUV的高精度自主导航，是一个充满挑战的研究课题[54-55]，其原理如图9所示。

图9 INS/VSLAM组合导航系统框图Fig.9 Block diagram of INS/VSLAM integrated navigation system

Manzanilla等[56]使用单摄像机对AUV进行平行跟踪和地图定位，使用EKF将视觉信息与来自IMU的数据融合在一起，以恢复地图的比例尺，提高姿态估计的精度。文献[57]利用EKF融合IMU、DVL、压力传感器、GPS所提供的数据，实现立体视觉Graph-SLAM，实验结果表明，AUV导航系统的定位与导航精度得到明显改善。为了使水下视觉系统适应水下环境指标的变化，Gu等[58]提出了一种水下摄像机惯性测量单元(Inertial Measurement Unit，IMU)标定模型，考虑通过环境指标对水下摄像机IMU进行标定，并将其用于水下单目视觉惯性SLAM。为了解决海水中图像数据存在对比度低和色彩失真的问题，Huang等[59]采用水下图像增强的方法来解决该问题，实验结果表明，增强后的图像在特征点提取和视觉SLAM处理方面表现优于原始图像。

除了依赖于光学传感器的SLAM辅助INS，水下SLAM系统主要使用声波传感器(即声呐)来观察环境[60]，并使用图10所示来限制AUV的惯性导航误差。

图10 INS/声呐SLAM组合导航系统框图Fig.10 Block diagram of INS/Sonar SLAM integrated navigation system

Liu等[61]研究了基于避障声呐的SLAM算法，通过对AUV状态和地图的连续估算和构建，将所得的估算误差发送回INS进行校正，可以有效地减少姿态、速度和位置的累积误差，大量仿真结果表明，该算法可以有效地提高AUV的导航和定位精度。刘明等[62]利用图像声呐获取AUV与地形特征点之间的距离和3D方位数据，结合SINS得到的导航数据，通过EFK对载体状态和地图状态进行拼接并行估计和测量，将得到的误差估计反馈回SINS进行修正，使 INS误差得到了较好的抑制，可以大幅提高水下组合导航的定位精度。潘爽等[63]根据SINS与AUV搭载声呐获得的数据信息，对水下环境的EKF-SLAM算法进行仿真实验，验证结果表明，AUV定位精度得到较大提高，能够较好地完成AUV的水下导航、定位与探测任务。黄鲁粤[64]提出了一种基于惯性传感器与声呐的惯性SLAM算法，利用IMU的输出数据和声呐观察到的特征(路标)来估计AUV的位姿，并完成其工作环境的地图构建，并与EKF-SLAM算法进行比较，验证了惯性SLAM算法的可行性和可靠性。Lee等[65]基于概率的地标识别实现了实时声呐SLAM技术，通过EKF将IMU、DVL和来自声呐图像处理的外部信息融合在一起，由惯性传感器数据估算AUV位置，并由声呐数据进行校正，声呐数据提供了车辆与水池底部地标之间的相对位置。刘明雍等[66]将SLAM与INS/GPS组合导航系统相结合用于AUV导航，SINS和多波束成像声呐得到了H维声呐图像，仿真结果显示，该方法达到了缓解惯性导航设备误差累积的目的，极大地改善了导航定位的精度。Rahman[67]和Richmond[68]都对采用多波束声呐的水下SLAM技术提高IMU/DVL组合导航精度进行了研究，AUV航行数据证明了SLAM技术能够提高此组合导航系统的精度和鲁棒性。此外，Palo-mer[69]将最新开发的3D水下激光扫描仪安装在AUV上进行SLAM，使用EKF估计机器人的位置，融合了来自AUV惯性导航传感器的数据，可以抑制导航漂移并提供被检查对象的高精度3D地图。

未知环境下的导航问题是近些年来AUV导航领域的研究热点，研究基于SLAM辅助的INS水下组合导航技术，对于抑制AUV INS随时间累积的误差、提高航行器的导航智能化程度具有实际意义。

6 组合导航中的多传感器数据融合算法

组合导航系统实质上是一个多传感器信息融合系统，组合导航的关键是状态估计问题。KF是适用于线性高斯问题的线性滤波器，EKF、 UKF和PF等是非线性滤波器。EKF是使用最广泛的非线性滤波方法，是基于对非线性方程式的简单线性近似。在具有高度非线性性质和非高斯噪声源的系统中，保留传感器数据非线性性质的UKF和PF可以显著改善系统性能。这些非线性滤波器的缺点在于，计算复杂度通常随状态向量的维数成指数增长。首先，所有并行的局部滤波器将它们自己的传感器系统与惯性系统结合起来，以获得系统状态的局部估计值，这些局部估计值随后在主滤波器中融合以实现全局估计值。通常，可以大大减少联邦滤波器的计算量，但代价是估计精度较低。如果缺少准确的噪声统计信息，则可以使用自适应滤波器来优化反映噪声特性的滤波器参数。将滤波算法与滚动优化策略相结合可以提高组合导航系统的性能，例如滚动时域Kalman滤波器和滚动时域H∞滤波器。基于惯性导航的AUV组合导航系统的数据融合算法的代表性文献如表5所示。鉴于一种滤波方法只能解决组合导航系统中的某一类问题，往往是顾此失彼，将两种或更多的滤波方法综合应用于组合导航系统当中成为了主流。

表5 基于惯性导航的组合导航系统数据融合算法

7 总结与展望

由于水下环境的复杂性和不确定性，AUV的自主导航一直是一个具有挑战性的问题。本文涉及了多种为提高AUV自主导航性能的组合导航系统的适用范围、优缺点、未来发展趋势的综合对比如表6所示。

随着组合导航技术和算法的发展，改进的AUV导航将继续提出以前认为不切实际或不可行的任务。

1)基于光学陀螺仪的INS的精度与光学陀螺仪的尺寸成正比，通过将INS变大以提高导航精度。近年来，由于小型AUV的低成本和良好的运行效率，其需求一直在增长。但是，考虑到有效载荷、功耗和成本等方面的因素，大型INS无法应用于小型AUV。因此，开发小型、高精度、低功耗和低成本的INS是开发小型AUV面临的挑战之一。

2)INS/DVL、INS/APS组合导航系统通常用于AUV的近海域高精度导航任务。通过GPS连续校正定位信息，INS/GPS组合导航保障了AUV的浅水域长期定位和导航精度，确保AUV的长期稳定运行是未来研究的目标。在地球物理数据库范围内， 利用地球物理特性作为辅助导航的组合导航系统，可以通过测量数据与数据库快速匹配在全部海域实现导航定位。然而，由于缺乏有效的传感器，在海洋的中深度区域获得高精度导航是一个具有挑战性的问题。

3)SLAM技术是水下机器人研究的重点，VSLAM 主要通过摄像头采集数据信息，跟激光雷达和声呐相比，摄像头的成本显然要低很多，所以VSLAM成为了未来辅助INS组合导航研究的热点。由于水下环境的复杂性，将VSLAM技术与惯性传感器相结合，以实现AUV的高精度自主导航是一个充满挑战的研究课题。

4)到目前为止，开发AUV组合导航的状态估计器主要集中于后处理中的数学分析和实验评估。将一些非线性滤波算法用于组合导航系统的状态估计时，很难从理论上分析这些滤波算法的性能。因此，开发能够在真实环境进行实时数据处理的估算器可以大大促进AUV组合导航的实际应用价值。此外，将滤波方法综合应用于AUV组合导航系统中，为解决组合导航中非线性系统动态滤波问题及克服其模型不确定提供了新的思路与方法。