自主水下航行器的組合導航系統綜述

郭銀景，孔 芳，張曼琳，呂文紅，呂振義

(1.山東科技大學電子信息工程學院，青島 266590；2.山東科技大學交通學院，青島 266590；3.深圳科衛泰實業發展有限公司，深圳 518000；4.青島智海牧洋科技有限公司，青島 266590)

0 引言

自主式水下潛航器(Autonomous Underwater Vehicle，AUV)的定位、路徑跟蹤和控制都基于精確的導航參數，所以導航是AUV的關鍵技術之一。由于水對電磁信號的衰減作用，一些通常適用于陸地和空中的導航方法不適合在水下使用，水下導航已成為AUV研究中的熱點問題[1-2]。

慣性導航系統(Inertial Navigation System，INS)由于具有自主性，通常充當AUV的中央導航系統。INS通過對安裝在潛航器上的3個相互垂直的加速度計和3個相互垂直的陀螺儀的測量值進行積分來獲得AUV的瞬時速度和位置。由于加速度計和陀螺儀的漂移，INS的速度和航向誤差隨時間呈線性累積，而位置誤差隨時間呈指數累積[3]。從結構上講，INS分為平臺慣性導航系統(Platform Inertial Navigation System，PINS)和捷聯慣性導航系統(Strapdown Inertial Navigation System，SINS)。與廣泛應用于AUV導航的PINS相比，SINS將其慣性測量元件直接固連在載體上，省去了復雜的穩定平臺等機械結構，并且體積小、質量小、成本低。在過去的幾十年中，SINS已逐漸成為主流，其系統框圖如圖1所示。

圖1 捷聯慣性導航系統框圖Fig.1 Block diagram of SINS

但是INS只能在有限時間內提供相對準確的導航信息，純慣性導航系統不能在整個水下任務執行期間保持高精度導航。因此，除慣性傳感器外，AUV導航系統通常還安裝具有不同工作頻率和精度的輔助傳感器[3-4]。在AUV導航中，輔助傳感器或其他導航系統，例如全球定位系統(Global Positioning System，GPS)、聲學定位系統(Acoustic Positioning System，APS)、地球物理導航系統、多普勒測速儀(Doppler Velocity Log，DVL)、即時定位與地圖構建(Simultaneous Localization and Mapping，SLAM)通常與INS形成組合導航系統。目前，使用外部信息或測量結果來修正INS是提高導航精度的有效手段，并且得到了廣泛應用。

1 INS/APS組合導航

APS通過聲音信號的傳播時間計算距離，以確定AUV的位置，這需要在海底或母船安裝必要的應答器。長基線(Long Base Line，LBL)、短基線(Short Base Line，SBL)和超短基線(Ultra Short Base Line，USBL)是代表性的聲學定位方法(表1)。圖2所示為聲學導航定位系統的原理示意圖, 換能器或由換能器組成的基陣會向海底(或海面)聲信標發射水聲信號并接收返回的信號,通過測定時延差或者方位角對AUV進行定位。

在AUV導航中，APS可以將初始位置發送給INS，以抑制INS的長期漂移，INS/APS組合導航原理示意圖如圖3所示。

表1 聲學定位系統

(a)潛標式LBL導航

(b)浮標式LBL導航

(c)SBL導航

(d)USBL導航

圖3 INS/聲學組合導航原理示意圖Fig.3 Schematic of INS/APS integrated navigation

USBL因體積小、安裝方便、成本低等優勢，被廣泛應用于輔助INS導航。張濤等[5]基于SINS/USBL組合導航系統成功檢測出USBL系統定位故障并及時進行隔離，姿態誤差和速度誤差在故障發生和消失時刻由于系統重構出現輕微跳動，其他時刻均保持較高精度，當故障消失時位置誤差又恢復到正常量級(5～10m)。Xu等[6]為了解決AUV在深海域航行時，USBL輔助INS出現的信號丟失、定位和噪聲突變問題，提出了一種自適應增益擴展Kalman濾波器(Condition-Adaptive Gain Extended Kalman Filter，CAEKF)，南海實測證明了該算法優于標準導航算法和其他經典濾波方法。USBL的角度失準誤差是INS/USBL定位系統的主要誤差源之一，Tong等[7]研究了操作簡單、易于實現的基于傳統單應答器的雙矢量重構方法，在航行過程中對水下應答器進行USBL解算的同時，記錄USBL載體在參考坐標系下的坐標值，并通過3個點構建2個共點的矢量，再對構建矢量進行相關性判斷，達到對USBL收發基陣安裝誤差估計精度的控制，進而提高了組合導航精度。

SBL的精度介于LBL和USBL之間，其跟蹤范圍較小，聲換能器放置在AUV的前后，基線受限于AUV的長度，所以INS/SBL更適用于在母船附近的AUV導航定位。Wang等[8]提出了利用擴展Kalman濾波器(Extended Kalman Filter，EKF)和無跡Kalman濾波器(Unscented Kalman Filter，UKF)來融合傳感器的信息，并輔以DVL，以提高INS/SBL組合導航精度。

基于INS/LBL的導航系統中，聲傳感器通常被廣泛放置在海底任務區域的上方，通過水聲換能器估計的距離進行三角測量來完成定位。Liu等[9]提出了一種由LBL聲學多普勒流速剖面儀(Acoustic Doppler Current Profiler，ADCP)輔助INS的組合導航，使用EKF融合了不同的導航傳感器數據，數值仿真表明，AUV的水平定位誤差小于10m。張濤等[10-11]研究了應用SINS和LBL緊耦合的AUV定位系統，利用SINS的位置信息輔助，有效解決了由于水下噪聲和混響等因素造成接收到的多路聲信號出現互相關峰模糊的問題，提高了AUV水下導航定位精度。為了進一步提高INS/LBL組合導航精度，Chen等[12]提出了一種近實時(Near Real Time，NRT)貝葉斯平滑算法，并將其應用于LBL輔助INS，與EKF相比，該方法具有更高的精度和可靠性。Li等[13]對深水AUV的INS/LBL組合導航提出了一種多模型EKF算法，通過建立合適的AUV導航誤差模型集，在線估計量測誤差協方差矩陣。利用潛龍一號對新算法進行了測試，結果表明，多模型EKF組合導航算法顯著提高了深水AUV的導航精度。

利用APS估算水下航行器的絕對位置，可以有效抑制INS的誤差累積，因此，INS/APS的組合可以顯著提高AUV的導航精度。應用此類導航方法，AUV必須在應答器的覆蓋范圍內進行操作，因此其任務區域受到限制，每次執行任務都必須預先在海底或母船上部署聲信標，并且安裝難度較大，導致導航系統的成本過高，難以在民用AUV中推廣。

2 INS/GPS組合導航

2.1 典型的INS/GPS組合導航

由于海水對無線電信號的衰減作用，GPS接收機無法在水下使用，所以用于AUV的GPS輔助慣性導航系統僅適用于淺水應用，并且AUV需要定期浮出水面以接收來自GPS的定位信號。

圖4 INS/GPS組合導航系統框圖Fig.4 Block diagram of INS/GPS integrated navigation system

Yun等[14]將INS/GPS(圖4)引入到小型AUV導航中，開發了異步Kalman濾波器以改善位置估計精度。測試結果表明，結合間歇接收差分全球定位系統(Differential Global Position System，DGPS)信號使用低成本IMU進行導航是可行的。Hu等[15]使用改進的UKF，以更低的計算成本實現了更高的INS/GPS集成導航精度。在文獻[16]中，基于Kalman濾波與徑向基函數(Radial Basis Function，RBF)神經網絡，結合小波分析用于SINS/GPS組合導航的數據融合，顯著提高了AUV的定位精度。文獻[17-18]提出了集成多個INS傳感器和GPS的AUV組合導航系統，通過模糊邏輯的自適應Kalman濾波器(Adaptive Kalman Filter，AKF)進行多傳感器數據融合，實際海試表明，INS/GPS導航系統的性能得到了增強[17-18]。Liu等[19]提出了一種帶衰減因子的基于AKF的自適應INS/GPS組合導航方法來抑制噪聲。

北斗衛星導航系統(BeiDou Navigation Satel-lite System, BDS)是我國自行研制的新一代全球衛星導航系統，也會逐漸代替GPS輔助AUV中的INS導航[20]。

2.2 INS/GPS浮標組合導航

通過將帶有GPS浮標的傳感器放在海面上，可以消除LBL需要在海底鋪設信標的局限性。GPS浮標與INS相結合，既發揮了GPS的高精度優勢，彌補了其輸出頻率較低的缺點;又發揮了INS輸出頻率高、短時精度高的優點，彌補了其精度隨時間累積的缺點，使二者達到完美的組合，系統框圖如圖5所示。

圖5 INS/GPS浮標組合導航系統框圖Fig.5 Block diagram of INS/GPS buoy integrated navigation system

單浮標輔助導航分為固定式和拖放式，其缺點是固定類型需要水下機器人航行一段時間才能浮出水面并糾正導航信息。金鐘等[21]介紹了GPS浮標/SINS組合用于水下設備導航與定姿的優點，推導了水下設備載體坐標系與GPS定位的WGS84坐標系的轉換關系，并根據陸地GPS/SINS力學編排的原理，推導了水下GPS/SINS的誤差狀態方程。張加全等[22]給出了一種基于單移動GPS智能浮標的AUV導航方法，應用KF融合SINS提供的位置數據，研究成果有望為AUV遠程精確定位、路徑規劃和多AUV協同導航等提供技術支撐。

多浮標輔助導航能進一步提高該組合導航的精度，張濤等[23]使用若干個浮標構成水聽器陣，浮標的經緯度坐標由GPS提供，浮標完成對接收到的聲源信號的處理，并利用互相關測時延差的方法進行定位。所提出的INS/多GPS浮標組合導航系統能夠使定位誤差小于2m, 保證了AUV能夠長時間在水下航行，與單浮標的對比如表2所示。

表2 單浮標與多浮標/INS組合導航比較

3 INS/DVL組合導航

INS/DVL組合導航主要使用DVL測得的速度來抑制INS累積誤差。目前，INS和DVL的組合甚至已經成為AUV導航的標準配置[24-25]。

3.1 典型的INS/DVL組合導航

圖6顯示了應用于AUV的典型INS/DVL組合導航結構。系統框架包含INS、Kalman濾波器、輔助導航傳感器DVL，其中Kalman濾波器用于估計SINS導航誤差；將導航誤差估計值傳輸到SINS以重置導航參數，隨后將校正后的導航參數作為導航方程的最新初始條件。DVL測量載波相對于海底的速度，而INS/DVL組合導航系統常用于AUV的近底部導航。

圖6 INS/DVL組合導航系統框圖Fig.6 Block diagram of INS/DVL integrated navigation system

錢輝等[26]將SINS/DVL組合導航系統應用在大航程AUV上，并通過試驗證明使用常規Kalman濾波存在明顯發散，導致誤差方差陣失去非負定性，從而影響SINS/DVL組合導航定位精度。為了優化此類導航系統的性能，Klein和Diamant[27]利用可觀測性Gramian方法分析了DVL輔助INS的可觀測和不可觀測誤差狀態，并進行了仿真驗證。試驗數據表明，當觀測數據在短時間內失效時，該方法明顯優于傳統的KF。Jo將H∞先驗濾波器和滾動優化策略相結合的滾動時域H∞濾波器(Receding Horizon H∞Filter，RHH∞F)引入DVL/INS導航系統，數值仿真表明，引入RHH∞F的導航系統具有更高的魯棒性[28]。Liu等[29]基于改進的粒子濾波算法設計了INS/DVL組合導航系統，有效提高了AUV的速度和位置預測精度，特別是在復雜的運動姿態和長時間航行的情況下。日本海洋地球科學技術局為小型AUV開發了高性能的緊湊型INS/DVL組合導航系統，其性能已在AUV海試中得到驗證[30]。文獻[31]在DVL輔助INS中引入了緊密耦合方法，增強了DVL對環境的適應性，實驗結果表明，DVL的零星測量失敗對導航精度幾乎沒有影響。為了提高DVL輔助SINS組合導航系統在AUV上的運動對準精度，Li等[32]利用協方差匹配方法實現了自適應無跡Kalman濾波器(Adaptive UKF，AUKF)，能夠在線估計量測噪聲的協方差，并可以用于具有任何初始航向誤差的DVL輔助SINS運動對準。SINS/DVL組合導航中存在的交叉噪聲會降低AUV的導航精度，引入Kalman濾波器對交叉噪聲進行處理，使AUV的導航性能得到明顯改善[33]。文獻[34]提出了一種速度跟蹤方案，以抑制INS/DVL組合導航中DVL速度檢測中的隨機噪聲，仿真結果表明，改進了AUV的水平定位精度。

3.2 基于INS/DVL的組合導航方案

在水下導航中，DVL通常安裝在AUV的底部。如果AUV進行大角度運動，部分波束無法收到反射信號，則DVL數據失效。另外，當DVL遭遇海洋生物阻擋時，發射出的聲波不能到達海底；或者海底存在強吸聲地質時,DVL發射出的聲波無法反射回來，也會造成DVL短暫消失，如圖7所示。所以在許多水下任務中，INS/DVL組合導航通常與磁力計、深度傳感器、壓力傳感器、傾角儀、USBL、LBL或其他輔助手段結合使用，以進一步提升其導航性能和可靠性。

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

Sheijani等[35]使用基于直接和間接KF的數據融合方法，融合輔助傳感器(包括DVL、陀螺羅盤和深度計)以提高INS導航精度。實驗結果表明，估計位置的均方根誤差從行進距離的3.2%降低到0.2%。Xu等[36]應用進化人工神經網絡容錯AKF算法，以提高SINS/DVL/電子羅盤組合導航系統的性能。Krishnamurthy和Khorrami[37]使用壓力傳感器輔助INS/DVL的AUV組合導航系統，UKF用于提供AUV的狀態估計和傳感器參數估計，仿真試驗已經證實了所提出系統的抗噪聲干擾性能。Shabani等[38]提出了異步直接KF算法用于提高SINS/DVL/深度傳感器/傾角儀組合導航精度，與間接KF相比，在SINS循環中進行預測過程，而校正過程則在SINS循環之外異步實現。湖泊測試的結果證實了該方法在改善AUV導航性能方面的有效性；并且還證實了使用UKF作為AUV搭載的DVL和深度傳感器輔助的SINS數據融合工具，與KF相比，能顯著提高AUV的定位精度[39]。Yuan等[40]為了提高SINS/DVL導航距離與導航精度，增加磁力計和深度傳感器，提出了一種基于Sage-Husa AKF的聯邦濾波算法來估計每個局部濾波器，相應的仿真結果表明了該方法具有良好的導航性能。文獻[41]在AUV導航中使用IMU、DVL和USBL的組合，通過異步EKF實現了多傳感器數據融合，仿真結果表明，位置和姿態都具有較高的估計精度。McEwen[42]介紹了在北極運行的AUV，其水下航行器的導航設備主要由帶有環形激光陀螺儀的INS、DVL和GPS組成。該導航裝置分別在甲板、開闊水域和冰層下進行了測試，測試結果證明了基于INS/DVL組合導航的可靠性。Ben等[43]使用SINS/DVL/GPS組合導航方法估算了洋流模型參數，DVL測得了相對于海床的更精確的速度，該速度用于考慮海流速度以協助SINS。王小峰[44]同樣提出了SINS/DVL/GPS組合導航，利用分散化濾波中的聯邦Kalman濾波，對各導航子系統的導航信息進行了優化，進而達到提高AUV長航時、高精度導航的目的。

與慣性導航類似，DVL輔助INS是航位推算定位系統。SINS/DVL組合導航只能降低AUV位置誤差的增長率，并且不能隨時間改變位置誤差的累積特性。但是，DVL出現信號短期中斷會直接影響導航性能，所以在某些水下任務中，INS/DVL仍需要額外的輔助導航系統或傳感器以執行更精確和可靠的導航。

4 INS/地球物理導航的組合導航

INS/地球物理輔助組合導航可以利用海底地形特征[45-46]、重力變化[47]、磁場變化[48]等海底物理特征和相關線索，輔助INS實現定位和導航，如圖8所示。

圖8 INS/地球物理導航的組合導航系統框圖Fig.8 Block diagram of INS/geophysical integrated navigation system

重力輔助導航可以校正INS累積誤差。Wang等[49]實現了重力輔助INS技術，并在南海進行了試驗，用海洋重力儀測量重力數據，采用多模型KF迭代算法估計水下航行器在存儲的重力參考圖中的位置。地磁輔助導航依賴于將現有地圖與機載磁力計測量結果進行比較，以提供位置定位并限制INS的位置誤差增大。Wu等[50]介紹了用于AUV的地磁輔助INS導航系統，將實時測得的地磁場值與先驗磁場圖進行比較，從而減少了INS位置誤差，并提出了一種利用地磁場測量的區間知識的新型匹配算法， 通過實測航行數據驗證了該匹配算法的有效性。Zheng等[51]提出了一種重力-地磁組合輔助導航(Gravity-Geomagnetism Combined Aided Underwater Navigation，GGCAN)方法來糾正AUV的INS誤差，通過多模型自適應估計分別獲得了重力輔助導航和地磁輔助導航的最優位置估計，仿真結果表明，GGCAN方法提高了導航的準確性和可靠性。地形輔助導航(Terrain Assisted Navigation，TAN)系統被應用于修正INS的漂移誤差，并已成為水下組合導航技術新的研究方向。Li等[52]結合改進迭代最近輪廓點(Iterative Closest Contour Point，ICCP)算法和Kalman濾波器，融合地形導航信息與慣性導航信息，通過濾波器及時校正SINS的累積誤差，進而改善了ICCP中使用的INS指示軌跡，通過實驗驗證了該組合導航系統可以有效地防止INS指示軌跡的偏離，并且可以滿足水下、長期和高精度的自主導航的要求。Chen等[53]針對水下地形輔助導航中的非線性貝葉斯估計問題，提出了一種基于改進的粒子濾波的地形輔助導航方法，仿真表明，該方法具有良好的匹配性能，適用于水下航行器自主導航。

5 INS/SLAM組合導航

AUV運用自身攜帶的各種傳感器，在航行過程中自主探索、識別作業環境，同時實現自身定位，是機器人領域的研究熱點。上述導航定位方法就是機器人領域的研究熱點—SLAM。SLAM理論被一致認為是移動機器人在未知環境中實現真正自主導航的主要途徑。目前，SLAM理論大多應用在陸空環境，應用于水下環境的并不多，表3給出了國內外有關AUV-SLAM的主要研究單位，其中AUV-SLAM技術中使用的主要方法有：基于EKF的EKF-SLAM和基于粒子濾波器(Particle Filter，PF)的FastSLAM、GraphSLAM，如表4所示。

表3 國內外對AUV-SLAM的主要研究單位

表4 主流AUV-SLAM算法比較

由于視覺傳感器價格便宜，基于視覺的同時定位與地圖繪制(Visual SLAM，VSLAM)是近年來新型導航定位技術研究的一大熱點。通過單目或立體相機拍攝水下環境的圖像，對捕獲的圖像進行相對速度和方向估計，并與INS相融合以實現AUV的高精度自主導航，是一個充滿挑戰的研究課題[54-55]，其原理如圖9所示。

圖9 INS/VSLAM組合導航系統框圖Fig.9 Block diagram of INS/VSLAM integrated navigation system

Manzanilla等[56]使用單攝像機對AUV進行平行跟蹤和地圖定位，使用EKF將視覺信息與來自IMU的數據融合在一起，以恢復地圖的比例尺，提高姿態估計的精度。文獻[57]利用EKF融合IMU、DVL、壓力傳感器、GPS所提供的數據，實現立體視覺Graph-SLAM，實驗結果表明，AUV導航系統的定位與導航精度得到明顯改善。為了使水下視覺系統適應水下環境指標的變化，Gu等[58]提出了一種水下攝像機慣性測量單元(Inertial Measurement Unit，IMU)標定模型，考慮通過環境指標對水下攝像機IMU進行標定，并將其用于水下單目視覺慣性SLAM。為了解決海水中圖像數據存在對比度低和色彩失真的問題，Huang等[59]采用水下圖像增強的方法來解決該問題，實驗結果表明，增強后的圖像在特征點提取和視覺SLAM處理方面表現優于原始圖像。

除了依賴于光學傳感器的SLAM輔助INS，水下SLAM系統主要使用聲波傳感器(即聲吶)來觀察環境[60]，并使用圖10所示來限制AUV的慣性導航誤差。

圖10 INS/聲吶SLAM組合導航系統框圖Fig.10 Block diagram of INS/Sonar SLAM integrated navigation system

Liu等[61]研究了基于避障聲吶的SLAM算法，通過對AUV狀態和地圖的連續估算和構建，將所得的估算誤差發送回INS進行校正，可以有效地減少姿態、速度和位置的累積誤差，大量仿真結果表明，該算法可以有效地提高AUV的導航和定位精度。劉明等[62]利用圖像聲吶獲取AUV與地形特征點之間的距離和3D方位數據，結合SINS得到的導航數據，通過EFK對載體狀態和地圖狀態進行拼接并行估計和測量，將得到的誤差估計反饋回SINS進行修正，使 INS誤差得到了較好的抑制，可以大幅提高水下組合導航的定位精度。潘爽等[63]根據SINS與AUV搭載聲吶獲得的數據信息，對水下環境的EKF-SLAM算法進行仿真實驗，驗證結果表明，AUV定位精度得到較大提高，能夠較好地完成AUV的水下導航、定位與探測任務。黃魯粵[64]提出了一種基于慣性傳感器與聲吶的慣性SLAM算法，利用IMU的輸出數據和聲吶觀察到的特征(路標)來估計AUV的位姿，并完成其工作環境的地圖構建，并與EKF-SLAM算法進行比較，驗證了慣性SLAM算法的可行性和可靠性。Lee等[65]基于概率的地標識別實現了實時聲吶SLAM技術，通過EKF將IMU、DVL和來自聲吶圖像處理的外部信息融合在一起，由慣性傳感器數據估算AUV位置，并由聲吶數據進行校正，聲吶數據提供了車輛與水池底部地標之間的相對位置。劉明雍等[66]將SLAM與INS/GPS組合導航系統相結合用于AUV導航，SINS和多波束成像聲吶得到了H維聲吶圖像，仿真結果顯示，該方法達到了緩解慣性導航設備誤差累積的目的，極大地改善了導航定位的精度。Rahman[67]和Richmond[68]都對采用多波束聲吶的水下SLAM技術提高IMU/DVL組合導航精度進行了研究，AUV航行數據證明了SLAM技術能夠提高此組合導航系統的精度和魯棒性。此外，Palo-mer[69]將最新開發的3D水下激光掃描儀安裝在AUV上進行SLAM，使用EKF估計機器人的位置，融合了來自AUV慣性導航傳感器的數據，可以抑制導航漂移并提供被檢查對象的高精度3D地圖。

未知環境下的導航問題是近些年來AUV導航領域的研究熱點，研究基于SLAM輔助的INS水下組合導航技術，對于抑制AUV INS隨時間累積的誤差、提高航行器的導航智能化程度具有實際意義。

6 組合導航中的多傳感器數據融合算法

組合導航系統實質上是一個多傳感器信息融合系統，組合導航的關鍵是狀態估計問題。KF是適用于線性高斯問題的線性濾波器，EKF、 UKF和PF等是非線性濾波器。EKF是使用最廣泛的非線性濾波方法，是基于對非線性方程式的簡單線性近似。在具有高度非線性性質和非高斯噪聲源的系統中，保留傳感器數據非線性性質的UKF和PF可以顯著改善系統性能。這些非線性濾波器的缺點在于，計算復雜度通常隨狀態向量的維數成指數增長。首先，所有并行的局部濾波器將它們自己的傳感器系統與慣性系統結合起來，以獲得系統狀態的局部估計值，這些局部估計值隨后在主濾波器中融合以實現全局估計值。通常，可以大大減少聯邦濾波器的計算量，但代價是估計精度較低。如果缺少準確的噪聲統計信息，則可以使用自適應濾波器來優化反映噪聲特性的濾波器參數。將濾波算法與滾動優化策略相結合可以提高組合導航系統的性能，例如滾動時域Kalman濾波器和滾動時域H∞濾波器。基于慣性導航的AUV組合導航系統的數據融合算法的代表性文獻如表5所示。鑒于一種濾波方法只能解決組合導航系統中的某一類問題，往往是顧此失彼，將兩種或更多的濾波方法綜合應用于組合導航系統當中成為了主流。

表5 基于慣性導航的組合導航系統數據融合算法

7 總結與展望

由于水下環境的復雜性和不確定性，AUV的自主導航一直是一個具有挑戰性的問題。本文涉及了多種為提高AUV自主導航性能的組合導航系統的適用范圍、優缺點、未來發展趨勢的綜合對比如表6所示。

隨著組合導航技術和算法的發展，改進的AUV導航將繼續提出以前認為不切實際或不可行的任務。

1)基于光學陀螺儀的INS的精度與光學陀螺儀的尺寸成正比，通過將INS變大以提高導航精度。近年來，由于小型AUV的低成本和良好的運行效率，其需求一直在增長。但是，考慮到有效載荷、功耗和成本等方面的因素，大型INS無法應用于小型AUV。因此，開發小型、高精度、低功耗和低成本的INS是開發小型AUV面臨的挑戰之一。

2)INS/DVL、INS/APS組合導航系統通常用于AUV的近海域高精度導航任務。通過GPS連續校正定位信息，INS/GPS組合導航保障了AUV的淺水域長期定位和導航精度，確保AUV的長期穩定運行是未來研究的目標。在地球物理數據庫范圍內， 利用地球物理特性作為輔助導航的組合導航系統，可以通過測量數據與數據庫快速匹配在全部海域實現導航定位。然而，由于缺乏有效的傳感器，在海洋的中深度區域獲得高精度導航是一個具有挑戰性的問題。

3)SLAM技術是水下機器人研究的重點，VSLAM 主要通過攝像頭采集數據信息，跟激光雷達和聲吶相比，攝像頭的成本顯然要低很多，所以VSLAM成為了未來輔助INS組合導航研究的熱點。由于水下環境的復雜性，將VSLAM技術與慣性傳感器相結合，以實現AUV的高精度自主導航是一個充滿挑戰的研究課題。

4)到目前為止，開發AUV組合導航的狀態估計器主要集中于后處理中的數學分析和實驗評估。將一些非線性濾波算法用于組合導航系統的狀態估計時，很難從理論上分析這些濾波算法的性能。因此，開發能夠在真實環境進行實時數據處理的估算器可以大大促進AUV組合導航的實際應用價值。此外，將濾波方法綜合應用于AUV組合導航系統中，為解決組合導航中非線性系統動態濾波問題及克服其模型不確定提供了新的思路與方法。