基于深度学习的高精度水下导航研究

项目背景

多普勒计程仪（DVL）是水下航行器导航系统中的核心测速设备，但其速度估计精度在实际水下环境中容易受到多种因素干扰，包括水体浑浊、航行姿态变化和多径效应等。本项目旨在利用深度学习方法，通过融合惯性导航系统（INS）数据，对 DVL 的速度估计误差进行建模和补偿。

我的工作

1. 数据采集系统开发

开发基于 Python 的自动化数据存储脚本，集成多线程技术实现多源传感器（惯性导航单元、多普勒计程仪、卫星差分定位设备）数据并行采集，确保各传感器数据的时间同步精度。

2. 外场试验

设计外场试验方案，搭建试验平台，带队完成 4 个湖试/海试周期的数据采集。整理完成后开源数据集，编写技术文档（算法白皮书、试验报告等）。

3. 算法研发

针对多普勒计程仪速度估计误差偏移问题，利用轻量化 CNN-LSTM 混合网络架构，动态融合原始惯性数据的时空特征，优化多普勒设备输出速度精度比例超过 69%。

成果与发表

研究成果发表于《Drones》（IF=4.8），审稿人评价"为水下导航噪声抑制提供了创新性方法论"。