编辑推荐：
**三、摘要翻译**
研究人员提出了ResAlignNet，一种用于惯性导航系统（INS）和多普勒速度测井（DVL）对齐的数据驱动方法。该方法采用一维ResNet-18架构，将对齐问题转化为深度神经网络优化任务。ResAlignNet作为一种现场解决方案，仅
**三、摘要翻译**
研究人员提出了ResAlignNet，一种用于惯性导航系统（INS）和多普勒速度测井（DVL）对齐的数据驱动方法。该方法采用一维ResNet-18架构，将对齐问题转化为深度神经网络优化任务。ResAlignNet作为一种现场解决方案，仅依赖船载传感器，无需外部定位辅助或复杂的航行器机动，即可在几秒钟内实现快速收敛。该方法具备从仿真到现实（Sim2Real）的迁移学习能力，允许在合成数据上训练后直接部署于实际传感器测量。使用Snapir自主水下航行器（AUV）进行的实验验证表明，ResAlignNet仅需25秒的数据采集即可达到0.8°以内的对齐精度，与基于速度的标准方法相比，收敛时间缩短了65%。该轨迹无关的解决方案消除了对运动模式的要求，无需耗时的预任务流程即可立即部署航行器，通过鲁棒的、与传感器无关的对齐技术推动了水下导航的发展，该技术可扩展至不同操作场景和传感器规格。
**四、论文主体内容解读**
**研究背景与问题**
水下导航系统对于自主水下航行器（AUV）在挑战性环境中的应用至关重要，特别是在全球导航卫星系统（GNSS）不可用的区域。惯性导航系统（INS）与多普勒速度测井（DVL）的集成被认为是实现高精度水下导航的最有前景的解决方案之一。然而，该集成导航系统的有效性关键取决于INS与DVL参考坐标系之间的准确对齐。标准的基于模型的对齐方法存在收敛时间长、依赖于特定运动模式、以及过度依赖外部定位基础设施（如卫星信号或声学定位系统）等问题，这显著限制了操作的灵活性。例如，基于速度的传统方法需要较长的收敛时间，且对战术级惯性测量单元（IMU）的性能退化严重；此外，一些方法需要复杂的航行器机动或外部辅助，不利于现场快速部署。因此，开展这项研究旨在开发一种更高效、自主且鲁棒的对齐方法，以解决现有技术的局限性。
**研究内容与结论**
研究人员提出了一种名为ResAlignNet的数据驱动对齐框架，用于解决INS/DVL对齐问题。该框架基于一维ResNet-18架构，通过监督学习任务直接估计惯性传感器与DVL之间的旋转参数。研究通过模拟验证和实地实验，证明了ResAlignNet在精度、收敛速度和操作灵活性方面的优越性。具体结论包括：ResAlignNet仅需25秒数据即可实现0.8°以内的对齐精度，比传统速度基准方法收敛时间缩短65%；该方法对不同传感器质量等级和轨迹模式表现出鲁棒性，而传统基于奇异值分解（SVD）的方法在战术级IMU下性能严重退化；此外，ResAlignNet具备Sim2Real迁移学习能力，可在合成数据上训练并部署于真实环境。这项研究发表于《Ocean Engineering》，对水下导航技术具有重要意义，它通过数据驱动方法实现了快速、自主且与传感器无关的对齐，提升了AUV的操作灵活性和任务启动效率。
**关键技术方法概括**
研究人员采用的核心技术方法包括：首先，基于一维ResNet-18架构设计ResAlignNet，利用残差连接实现深度特征提取，优化时序传感器数据处理；其次，运用数据驱动方法，将对齐问题转化为监督学习任务，通过最小化预测角度与真值之间的均方误差（MSE）损失进行训练；第三，实现了仿真到现实（Sim2Real）迁移学习能力，允许在合成数据上训练模型并部署于实际传感器测量；最后，使用数据增强策略，对有限实地数据进行扩充，以覆盖不同对齐场景。研究样本队列来源于以色列海法附近地中海海域的Snapir AUV海试数据，该航行器配备了导航级和战术级IMU以及DVL传感器。
**研究结果介绍**
1. **模拟验证**：通过MATLAB-Simulink仿真框架，研究人员在直线、长转弯和草坪图案等轨迹下，评估了ResAlignNet与SVD基准方法的性能。结果表明，ResAlignNet在导航级和战术级IMU下均保持一致的均方根误差（RMSE）性能，RMSE值在1.5°至2.5°之间；而SVD方法在战术级IMU下RMSE超过23°，且对传感器偏差敏感。这证明了ResAlignNet对传感器等级和轨迹的鲁棒性。
2. **梯度稳定性分析**：研究人员分析了ResAlignNet训练过程中的梯度流，通过残差连接确保稳定梯度传播，避免梯度消失问题。实验数据显示梯度范数有界且方差低，验证了训练过程的稳定性。
3. **现场实验**：使用Snapir AUV在地中海进行的海试数据，研究人员验证了ResAlignNet的实际性能。在直线和长转弯轨迹下，ResAlignNet使用真实数据训练时RMSE低于1°，最大误差低于4°；而Sim2Real模型RMSE在1.6°至3.4°之间，显示有效迁移但略有性能下降。相比之下，SVD基准方法表现不稳定，RMSE超过35°，最大误差超过179°。这确认了ResAlignNet在现场操作中的优越性。
4. **与深度学习基线比较**：研究人员将ResAlignNet与AlignNet和BeamsNet等基线方法进行比较，并进行了架构消融研究。ResAlignNet在所有评估窗口和轨迹下均实现最低RMSE，优于其他方法。消融研究显示，基于ResNet-18的ResAlignNet性能最佳，较ResNet-34和CNN-LSTM变体更优，表明该架构选择适合任务需求。
**总结讨论与结论**
论文讨论了ResAlignNet当前的局限性和未来研究方向。局限性包括：对齐范围限于0–5°，更大角度未测试；作为学习方法，依赖大量训练数据，在新环境中数据有限时可能挑战；Sim2Real方法虽可行，但与真实数据训练相比仍有性能差距。未来方向可扩展至更大对齐范围，通过少样本学习减少数据依赖，缩小仿真与现实差距，并处理部分DVL波束可用性等问题。研究结论指出：ResAlignNet通过数据驱动方法有效解决了INS/DVL对齐的收敛时间和运动模式依赖问题，实现快速、自主且鲁棒的对齐，为水下导航技术提供了重要进展。
