买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国石油大学(华东)申请的专利基于深度学习和物理模型相结合的AUV自适应导航方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121594898B 。

龙图腾网通过国家知识产权局官网在2026-04-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610128689.9，技术领域涉及：G01C21/20；该发明授权基于深度学习和物理模型相结合的AUV自适应导航方法是由匡世杰;张昕;王维波;余京航;喻一鸣;李析泽;曹梦洁设计研发完成，并于2026-01-30向国家知识产权局提交的专利申请。

本基于深度学习和物理模型相结合的AUV自适应导航方法在说明书摘要公布了：本发明涉及导航技术领域，特别是一种基于深度学习和物理模型相结合的AUV自适应导航方法。包括以下步骤：在对AUV运动系统建模的过程中，提出加权增益偏差估计EKF算法，将DVL速度偏置作为状态量在线估计，补偿传感器系统误差，并引入按状态置信度加权的卡尔曼增益更新策略；构建自适应测量噪声的深度学习网络，利用网络动态预测DVL速度量的x向时变噪声标准差、以及y向时变噪声标准差；将上述步骤得到的时变噪声标准差写入时刻的测量噪声协方差矩阵，并计算得到的AUV位置轨迹。能够显著提高AUV导航自适应性和导航精度。

本发明授权基于深度学习和物理模型相结合的AUV自适应导航方法在权利要求书中公布了：1.一种基于深度学习和物理模型相结合的AUV自适应导航方法，其特征在于，包括以下步骤： S1、在对AUV运动系统建模的过程中，提出加权增益偏差估计EKF算法，将DVL速度偏置作为状态量在线估计，补偿传感器系统误差，并引入按状态置信度加权的卡尔曼增益更新策略； S2、构建自适应测量噪声的深度学习网络，利用网络动态预测DVL速度量的x向时变噪声标准差、以及y向时变噪声标准差； S3、将步骤S2得到的时变噪声标准差写入时刻的测量噪声协方差矩阵，并计算得到的AUV位置轨迹； 步骤S1包括以下步骤： S1.1、构建AUV增广导航演化模型； S1.2、构建AUV导航观测模型； S1.3、状态置信度加权卡尔曼增益； 步骤S2的具体实现过程如下所述： S2.1、时间更新； 前一时间步的状态估计值来预测当前时间步的状态： ， 其中，为预测的先验系统状态； 预测状态估计误差的协方差： ， 其中，为预测协方差；为状态转移矩阵；为时刻的过程噪声协方差矩阵； 状态转移矩阵为： ； S2.2、构建自适应测量噪声的深度学习网络模型，利用该模型输出DVL速度量的时变噪声标准差； 步骤S2.2的具体实现过程如下所述： S2.2.1、离线训练数据集采集； S2.2.2、面向噪声成因进行特征构建与标准化； 对训练集的特征值进行全局标准化后再作为模型的输入对模型进行训练，标准化公式为： ， 其中，为多源传感器特征，模型输入的多源传感器特征包括：常数项，DVL检测到的x轴速度、y轴速度、z轴速度、对底高度、对底状态、俯仰角、翻滚角，IMU检测到的x轴加速度、y轴加速度、z轴加速度、z轴角速度；为的均值； S2.2.3、将步骤S2.2.2得到的标准化后的特征向量输入自适应测量噪声的深度学习网络模型，动态预测DVL速度量的时变噪声标准差，； 自适应测量噪声的深度学习网络模型包括呈并联设置的通道交互支路和局部时序支路，标准化后的特征向量分别输入通道交互支路和局部时序支路； 通道交互支路的输出与挤压-激励注意力模块连接，局部时序支路的输出与归一化与正则化模块连接； 挤压-激励注意力模块的输出、归一化与正则化模块的输出分别与特征融合模块连接； 特征融合模块、门控网络、专家网络、加权输出模块、正值约束模块依次串联连接。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国石油大学(华东)，其通讯地址为：266000 山东省青岛市黄岛区长江西路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。