不确定环境下水下节点的自适应定位：一种几何拓扑感知增强的多阶段强化学习策略

《Sensors》：Adaptive Localization for Underwater Nodes in Uncertain Environments: A Geometric Topology Perception-Enhanced Multi-Stage Reinforcement Learning Strategy

　　复杂水下环境会诱发难以量化的测距误差，从而限制了异构网络的定位精度与鲁棒性。针对这一问题，提出了一种基于几何拓扑感知增强多阶段强化学习策略的节点定位方法。首先，建立多源干扰下的不确定性量化模型，以刻画时变噪声并准确量化异构链路的测距误差。随后，利用所得测距方差构建基于最小方差无偏估计的自适应权重分配机制，动态调整链路权重，实现多模态观测数据的鲁棒融合。最后，构建加权最小二乘目标函数，并提出GP-AC策略。通过利用高斯过程回归与局部几何精度衰减因子，构建多阶段奖励机制，以规避拓扑陷阱并准确估计静态或准静态水下传感器节点的单历次三维坐标。仿真结果表明，系统鲁棒性提升了91.9%，平均精度提高了54.9%，实测平均定位时间为7.45秒。