海洋论坛▏水下多平台协同定位技术发展综述

党的二十大报告明确提出“发展海洋经济，保护海洋生态环境，加快建设海洋强国”的战略目标，这对维护国家海洋权益、加强国防安全和推进海洋科技进步提出了更高要求。在这一背景下，水下空间的智能化探测与作业成为海洋强国战略的重要支撑。作为当前海洋探索的关键装备，无人水下航行器(UUV)因其高度自主性、适应性与任务灵活性，被广泛应用于海洋测绘、资源勘探、环境监测及安防巡逻等多个领域。近年来，随着人工智能、水声通信与新型能源的快速发展，UUV的智能化水平和作业能力持续提升，逐步成为深远海自主作业的主力平台。

当前，UUV的应用形态以单体作业为主，其作业路径规划、资源数据采集及特定任务执行在很大程度上依赖于水下定位技术的性能。然而，复杂水下环境对定位技术提出了严峻挑战。由于水对电磁波具有强烈的吸收作用，传统射频无线电在水下无法使用，这使得UUV无法直接获得全球卫星导航系统(GNSS)定位信息，仅能依赖内部或水下可部署的定位手段。当前，主流的水下定位技术包括惯性导航系统(INS)、多普勒测速仪(DVL)、水声定位系统(如长基线(LBL)、超短基线(USBL))及地球物理场辅助定位等。然而，INS在长距离航行中仍存在误差漂移的问题，主要源于传感器噪声和积分误差；DVL能够提供相对水底或水体的速度测量，从而在一定程度上限制INS位置误差的增长，但其性能会受到水流、底质及水深等多种环境因素的影响；水声定位系统虽然可以提供精确的定位信息，但需要提前部署基站，成本较高，并且受到信号吸收和多径效应等环境因素的制约，限制了其定位精度和覆盖范围。地球物理场辅助定位作为一种新兴的水下定位方法，通过匹配UUV实时采集的海底地形、磁场强度或重力场数据与预先构建的地球物理特征数据库来实现定位，具有隐蔽性强、无需外部信号支持等优势，但其精度依赖于先验地图的质量和环境特征的稳定性。因此，借助上述定位手段，开展上述各类定位传感器的多源融合以实现优势互补，已成为克服复杂水下环境干扰，实现高精度、高可靠性和大范围定位的主流发展趋势。表1总结了目前常应用于UUV的水下定位技术及其特点。

表1 单体UUV常见的水下定位技术及其特点

尽管单体UUV通过集成多源融合定位技术可实现一定程度的定位性能优化，但随着海洋开发任务向更深、更远及更复杂的方向发展，仅依赖单体UUV的能力已难以满足日益增长的作业需求。例如，在海洋大范围环境监测、海底资源普查、水下目标搜索与跟踪等场景中，任务往往涉及广阔的海域和长时间的持续作业，单体UUV在感知能力、通信范围、任务协同与冗余等方面存在明显不足。因此，多UUV凭借其在空间、功能及时间等维度上协同作业的特点，能够扩展单体UUV的感知范围，提高工作效率，实现单体UUV无法或难以完成的复杂任务，在海洋自主采样、海底勘探及水下目标搜索等诸多领域具有广阔的应用前景。然而，随着技术进步，越来越多小型化、低成本及大批量的UUV投入使用，不可能为每个UUV都配备功能完善且成本昂贵的定位系统。为应对多体UUV中的水下定位问题，“协同定位”理念应运而生。该思想最早可追溯至1994年Kurazume等提出的集群机器人协同定位思路。这种协同定位思路是通过共享彼此的位置信息、传感数据或定位信息估计，协同工作以提高各自定位精度的一种方法。这种方式应用于水下多UUV协同中，通常需要每个UUV配备如下传感器：声学传感器用于测量UUV之间的相对距离和方位信息；IMU提供姿态和加速度数据；DVL测量对地速度；深度传感器监测下潜深度。这些传感器数据通过水声通信网络进行实时交换，并采用分布式滤波算法(如扩展卡尔曼滤波(EKF))进行数据融合，从而构建精确的协同定位网络。这种多源融合机制不仅有效克服了水下环境中GNSS信号缺失、水声传播延迟及多径效应等挑战，还通过群体协同显著增强了定位系统的环境适应性与系统冗余性，为未来高协同、高自主的水下集群作业提供了强有力的技术支撑。

水下协同定位由于应用场景复杂、体系结构多样，可从多个维度进行分类，以反映系统在组织架构、功能配置和协同机制等方面的差异。常见的分类方法包括以下几种：首先，按协作层级可分为集中式协同与分布式协同。集中式协同由中心节点统一处理并分发定位信息，实现信息的集中管理；而分布式协同则依靠各个节点间的信息自主融合，突出系统的自主性与鲁棒性。其次，按定位资源的分配方式，可分为专用导航节点辅助型与资源共享型协同。专用导航节点辅助型通常引入如母舰或信标节点等配备高精度定位设备的专门节点，以提升整体定位精度；而资源共享型则强调UUV之间的平等协同，通过共享各自的信息实现定位。此外，按通信方式可分为实时交互式协同和异步协同。实时交互式协同依赖稳定的水声通信链路，适用于对时效性要求较高的任务；而异步协同更适用于通信延迟较大或中断频发的复杂水下环境。

本文拟从定位资源依赖的角度进行分类，将水下协同定位划分为辅助协同定位和自主协同定位2大类型，具体分类如图1所示。该分类方法有助于为水下多节点系统的结构设计与功能优化提供理论依据和技术支持。

图1 水下协同定位模式分类

⒈辅助协同定位

辅助协同定位是指借助外部定位资源(如固定信标、自主水面船(ASV)等)为多UUV系统提供定位参考信息的一类协同定位方式。各UUV自身定位能力有限，需通过辅助节点提供的位置或距离信息进行相对或绝对位置修正。由于水下环境无法使用GNSS等卫星导航系统，声学定位成为UUV定位的关键技术。基于信标辅助的水下协同定位主要利用声学信标发射声波，通过测量声波传播时间(包括到达时间(TOA)/到达时间差(TDOA))、到达角度(AoA)或接收信号强度(RSS)等信息确定UUV位置。其基本原理基于三角定位法或多边测量法，即UUV通过获取与多个已知位置信标的测距信息或方位信息，结合球面或双曲线交点计算、极大似然估计(MLE)及最小二乘法等算法求解自身位置。辅助协同定位模式根据信标部署方式可分为固定信标辅助和移动信标(ASV)辅助2大类。

⑴固定信标辅助的水下协同定位

固定信标辅助的水下协同定位系统通过部署在已知位置的声学信标网络，为水下航行器提供精确的位置参考，如图2所示。这类系统主要包括LBL系统和水面浮标系统。

图2 固定信标辅助的协同定位

LBL系统由分布在海底的多个应答器构成，通常排列成一个矩形或三角形阵列。UUV通过测量自身与各应答器之间的声波传播时间，利用三边测量法确定自身位置。LBL系统的优势在于定位精度高(通常为米级甚至分米级)，并且定位精度在整个覆盖区域内基本保持一致，不随深度增加而降低。然而，LBL系统的部署和回收较为复杂，覆盖范围有限，扩展性差，而且在多UUV同时作业时可能会面临信道堵塞问题。

水面浮标系统通常结合GNSS/INS等定位技术，形成浮动的声学定位网络。这些浮标配备GNSS接收机以获取精确位置，并通过声学换能器向水下航行器传输信息。与海底固定式LBL系统相比，水面浮标系统的部署更为灵活，还能建立水面水下的坐标转换关系，但其易受水面环境影响，如潮汐、风浪等。

在多UUV协同作业中，固定信标方式虽然能够提供相对准确的绝对位置信息，但也存在部署回收复杂、覆盖范围固定、扩展性不足及无法适应动态任务等缺点，这极大地制约了其在大规模动态水下监测网络、未知区域探索及需要高度机动性与灵活性的复杂任务中的应用。为此，研究人员将目光转向其他更具灵活性的协同定位方式。

⑵ASV辅助的水下协同定位

ASV辅助的水下协同定位是一种将水面自主航行器作为移动信标辅助水下航行器定位的技术。根据信息类型与ASV数量，该技术有3种主要实现方式，分别是仅使用测距信息的单ASV协同定位、带有测距和方位信息的单ASV协同定位及多ASV辅助协同定位。

在仅使用测距信息的单ASV协同定位中，UUV通过接收来自ASV的声学传输数据，并利用距离信息进行定位。为准确确定UUV相对于预定义参考框架的X和Y坐标(假定深度已知)，UUV需从2个不同位置的ASV获得至少2次距离测量，这对ASV的运动轨迹提出了特定要求，如图3所示。Fallon等提出了利用ASV与UUV当前和过去的距离测量值及ASV的位置信息，通过EKF估计UUV位置。然而，由于EKF忽略了交叉相关性，可能导致估计结果过于自信。为解决这一问题，Claus等和Kepper等提出了分布式扩展卡尔曼滤波(DEKF)、因子图(FG)及滚动时域估计(MHE)等方法。由于此方法对ASV运动轨迹有严格要求，German等和Sergeenko等提出了多种路径规划算法，包括简单的“之”字形路径、基于误差椭圆的路径规划、马尔可夫决策过程(MDP)框架、信息最大化方法及极值搜索(ES)等，以优化ASV轨迹，进而提高定位精度。

图3 仅使用测距信息的单ASV协同定位原理

与仅测距的单ASV协同定位方式不同，第二种方式是带有测距和方位信息的单ASV协同定位。此方式主要通过在ASV上安装的USBL或短基线(SBL)声学定位系统等能同时提供距离和方位信息的传感器实现。在时钟同步且理想的条件下，结合深度传感器数据，UUV进行三维定位仅需一次声波传输，其工作原理如图4所示。Glotzbach等、Salavasidis等、Phillips等和Franchi等介绍了多种基于此原理的实现方法，包括分层合作定位方案、基于无迹卡尔曼滤波(UKF)的状态估计器、在ASV上进行测量更新的EKF算法、仅传回相对GNSS误差的策略及基于最大后验估计(MAP)的方法。然而，这种方式存在多项局限：来回通信限制了系统的可扩展性，仅适用于少量UUV编队；USBL依赖ASV的滚动和俯仰姿态信息；USBL的有效范围限制了UUV的工作区域；USBL系统昂贵，会大幅增加成本。因此，仅使用测距信息的单ASV协同定位方法在实际应用中更具前景。

图4 带有测距和方位信息的单ASV协同定位原理(USBL)

为克服单ASV方法的局限性，第三种方式采用多ASV辅助协同定位，如图5所示。其主要优势在于放宽了对单个ASV运动和轨迹的严格要求，适用于大规模且分布广泛的UUV编队，并能提高数据接收概率，降低信息丢失风险。文献是最早提出将多ASV作为水面辅助协同定位方式的文献之一。Bahr等提出了交错更新(IU)算法，通过最小化库尔贝克莱布勒散度(KLD)成本函数选择最佳位置，该方法可应对异常值并扩展至大规模编队。尽管多ASV方法具有诸多优势，但在硬件成本、任务规划复杂性和计算资源方面也会带来额外开销，需在实际应用中权衡考虑。

图5 多ASV辅助的协同定位

⒉自主协同定位

尽管辅助协同定位方法在定位精度和通信方面具有一定优势，但在国防、目标跟踪等对隐蔽性要求较高的应用场景中，该方法存在较大局限性。一方面，外部定位资源的暴露会使系统易被侦测，难以满足隐秘作业的需求；另一方面，外部定位资源易受海上环境干扰，影响系统的稳定性和适用范围。针对上述问题，自主协同定位应运而生。自主协同定位是指多个UUV在无外部定位资源支持的情况下，仅通过自身感知和与队友之间的信息交互，实现相对定位或绝对定位的一种分布式、自治式协同定位方式。该方式无需依赖外部定位资源，具备更强的环境适应性和灵活性，适用于任务场景不确定性强或节点构成动态变化的作业场景。主流的自主协同定位主要分为主从式与并行式2类。此外，多UUV协同进行同步定位与建图(SLAM)的方法也是一种典型的自主协同定位方式，多个UUV通过共享环境地图和定位信息，共同构建全局地图，进而实现精确定位。

⑴主从式自主协同定位

主从式自主协同定位通过为主UUV配置高精度惯性导航传感器及其他高精度定位传感器，保障整体系统的定位精度；而从UUV主要承担任务执行工作，配置高精度任务传感器和中低精度定位传感器以降低系统成本，其定位性能可通过主UUV的高精度定位信息维持。

主从式自主协同定位可进一步分为多领航者和单领航者2种模式。移动长基线(MLBL)协同定位系统是多领航者的典型模式，其原理如图6所示。此方法假设UUV1，UUV2，UUV3搭载高精度定位设备及高精度应答器，构成UUV基线阵列。被定位UUV无自主定位传感器，仅依靠UUV基线阵列获得位置估计。其核心原理在于，作为移动基线的领航者UUV集群，其实时精确位置是已知的。当需要为从UUV定位时，从UUV会主动发射一个询问信号，或者由领航者UUV发起定位请求。基线阵列中的每个领航者UUV在接收到信号后，会立即或在预设延迟后返回一个应答信号。通过精确测量从UUV发出的声学信号到达各个领航者UUV的时间(或领航者信号到达从UUV的时间)，并结合已知的声速剖面(SVP)，能够计算出从UUV与每一个领航者之间的精确距离。这个过程通常利用双程传播时间(TWTT)消除对严格时间同步的依赖，从而提高测距的鲁棒性。获得至少3个独立的距离测量值后，便可以基于球面或平面三角测量(更准确地说是多点定位或多边测量法)的几何原理，解算出从UUV在三维空间中的唯一位置。由于整个基线阵列是移动的，该系统能够动态调整其覆盖范围和定位几何构型，从而灵活适应任务需求和复杂的水下环境。

图6 MLBL定位原理

最早提出MLBL概念的是Vaganay等，使用2个UUV作为领航者为被定位UUV提供支持，这种方法具有很高的可扩展性。Zhang等提出了一种基于三角测量的定位方法，通过3个领航者UUV定位单个UUV。Willners等描述了水下多UUV操作的分散式机会主义框架，该框架利用移动的LBL和单向行驶时间进行射程测量，此方法减少了UUV浮出水面进行GNSS定位的需求，从而提高了任务效率和安全性。Zhang等提出了一种无需时间同步的双领航者定位单UUV的方法，利用TWTT计算得到的距离数据估计客户端的位置。总体来看，MLBL系统通过引入移动基线的策略，不仅有效克服了传统静态系统的局限性，还提升了对复杂环境变化的适应能力及声速估算的精度，展现出在水下多UUV协同定位中的巨大潜力。

由于多领航者的UUV协同定位一般需要2～3个主UUV作为领航者，系统配置较为复杂，对应成本也会提高，因此研究人员聚焦于利用单领航者进行协同定位。此方法主要分为基于距离和方位测量、仅基于距离测量的协同定位，两者的原理如图7所示。

图7 基于单领航者的协同定位

图7(a)所示为单领航者基于距离和方位测量的协同定位方案。在此方案中，主UUV(领航者)会按照预定频率，通过水声通信向周围周期性地广播声学脉冲信号。这个信号承载了2层关键信息：首先，信号的数据帧中编码了主UUV自身的实时状态信息；其次，信号的物理传播特性被用于测量相对几何关系。从UUV(跟随者)在接收到该信号后，可以执行2个核心操作：一是测距，通过记录信号的发送时间(由主UUV在信号中提供)和接收时间，从UUV可以计算出信号的单程传播时间(OWTT)。在已知水下声速的条件下，即可计算出主从UUV之间的斜距。该方法的关键在于主从UUV之间需要实现高精度的时间同步，任何微小的时钟偏差都会直接导致测距误差；二是测向，从UUV通过其搭载的声学阵列(通常由2个或多个水听器构成)确定声信号的到达方向(DOA)，即主UUV相对于自身的方位角。其基本原理是利用声波到达不同水听器时的微小时间差(TDOA)或相位差(PDOA)。例如，当声波以一定角度入射时，会先到达阵列中的一个水听器，再到达另一个，这个时间差或相位差与入射角度、阵列基线长度和声速之间存在确定的几何关系，通过解算该关系即可得到方位角。

将测量得到的相对距离和相对方位角，结合由主UUV广播信息中解调出的其全局位置坐标，从UUV便可通过坐标变换推算出自身的全局位置。Reeder等曾提出基于双水听器的单领航者协同导航方法，利用声信号脉冲的时间差和相位差实现对UUV的定位。不过，由于水声信号频率较低、波长较长，加之水下复杂的多径效应，使得水下方位测量的精度较低，难以显著提高定位精度，因此通常优先使用基于距离测量的协同定位。

图7(b)所示为单领航者仅基于距离测量的协同定位方案。其中，中心蓝色区域代表领航者UUV的定位误差，绿色椭圆表示跟随者UUV校正前的定位误差。由于领航者携带高精度组合导航定位设备，能够持续获得自身精确且误差有界的定位结果；而跟随者为了降低成本，携带较为单一的导航设备，因此其定位误差会随时间快速累积发散。该协同定位过程本质上是一个基于滤波理论的状态估计问题。其工作流程如下：首先，领航者通过水声通信，周期性地向跟随者广播自身的位置信息、速度信息及相应的时间戳。与此同时，跟随者UUV通过测量该通信信号的OWTT或TWTT计算与领航者之间的相对距离。这个相对距离测量值是修正跟随者定位误差的核心外部观测信息。随后，在跟随者UUV的导航计算机中，使用滤波算法(如EKF)将多个信息源进行融合。

由于水下环境的特殊性，借助水声手段进行精确方位测量仍存在一定局限，因此研究者提出仅利用测距信息进行协同定位。例如，麻省理工学院的Fallon等基于OWTT测距技术，提出了仅利用相对距离测量的协同定位方式，并通过水面实验验证了其可行性。Gadre采用单UUV领航者与单固定信标结合的导航方法来提高定位精度，但此方法会制约UUV的活动范围，并影响其隐蔽性。西北工业大学的李闻白等提出了一种基于移动矢量的单领航UUV协同导航方法。该方法通过分析系统定位原理和运动学模型，结合主从UUV间的相对位置几何关系及航位推算信息，采用EKF算法实现从UUV的定位估计。仿真结果表明，与传统方法相比，该算法在定位精度和实时性方面均有显著提升。同时，李闻白等对相对位置测量的定位性能进行了研究，理论分析表明，该系统定位误差具有有界收敛特性，且不受初始化滤波方差影响，并通过仿真验证了理论分析的正确性。Lu等提出了一种基于EKF，利用领航者和跟随者之间的相对距离测量实现协同定位的方法。仿真结果验证了该方法的有效性，表明仅基于距离测量具有可靠性。Arrichiello等讨论了仅距离测量的可观测性问题以及粒子滤波(PF)在距离测量中的应用，指出这种方法在水下环境中的实用性。Scherbatyuk等通过领航者与其他UUV间的信息同步和距离测量，构建距离与坐标关系方程，结合PF，经预测和坐标校正2个阶段，完成对其他UUV的方位估计。

主从式协同定位的理论基础在协同定位领域已有深入探讨。鉴于本文的核心目标是综述应用策略与实践考量，此处将侧重于阐述其设计逻辑与应用价值。

多UUV协同导航本质上是相对观测信息的融合过程，其编队构型(包括规模与间距参数)直接决定其导航性能与定位精度。目前，关于此方面问题的研究主要集中在主从式。如上文提到的单领航者仅进行距离测量的协同定位中，在固定队形下，若领航艇与跟随艇无相对运动，会导致系统可观测性下降，甚至近乎不可用，此时需通过轨迹调整引入相对位移以改善这种情况。杨峻巍通过设计领航者Z字形移动的方式，有效提高了协同定位系统的可观测性，进而提升了其定位精度。房新鹏等在MLBL中通过量化评价函数得出2个领航UUV与从UUV保持90°分离角时为最优编队构型。

⑵并行式自主协同定位

此方式由多个配置相同的UUV组成，UUV会与其他UUV进行通信，共享定位信息，各个UUV利用分布式卡尔曼滤波器对自身位置进行更新。通过团队成员之间广播共享范围和位置信息，能够减少定位误差的增长率，其原理如图8所示。然而，此方式需要团队中的UUV彼此间进行频繁通信，这对水声通信的带宽和稳定性要求很高。而水声信道具有窄带宽和传播延迟的特点，导致很难及时传输卡尔曼滤波所需要的协方差矩阵。此外，由于该方式要求每个UUV都配备同样的导航与通信设备，无法有效降低成本，因此实际研究和应用相对较少。

图8 并行式方法自主协同SLAM定位

近年来，针对并行式协同定位的研究主要集中在无锚点环境下UUV协同定位框架与信息融合机制方面。Li等提出了基于PF和信念传播的多UUV协同定位方法，实现了在各UUV间相对测量与信息交换条件下的分布式定位。这些方法强调通过定期或适时的信息交流，利用PF、消息传递等技术实现误差控制和自适应更新。Zhang等则提出了基于信息几何的UUV集群分布式协同定位方法，通过标准化导航信息参数，实现多UUV在异步、动态聚合和分散情况下的可靠联合定位。此外，分布式协同定位不仅可应用于自身定位，还被拓展到多UUV集群对非合作目标的协同跟踪领域。

还有一种方法是通过多UUV协作构建环境地图并实现定位。在传统水下SLAM中，单一UUV需要花费大量时间完成地图构建和定位任务，而协同SLAM通过多UUV协作显著提高了效率和精度。在这种方法中，每台UUV都配备了地图构建传感器(如激光雷达、超声波距离传感器、单目或立体视觉系统、雷达及声呐等)，并通过共享传感器数据实现协同定位。其原理如图9所示。

图9 协同SLAM

在水下环境中，基于声呐的传感器(如侧扫声呐、多波束声呐和回声测深仪)相比激光雷达和视觉系统应用得更为广泛。Walter等提出了一种异构主从式UUV协同SLAM方法。该方法将所有UUV对环境的观测数据通过SLAM算法在主UUV上进行集中式融合，融合后的定位结果随即反馈给所有主UUV和从UUV，从而实现多UUV间的信息共享。此外，Paull等提出了一种结合侧扫声呐图像和INS的协同SLAM算法。该算法不仅对数据包丢失具有较强的鲁棒性，还能生成足够小的数据包，以适应水下声学信道的传输需求。在具体方法上，系统采用基于FG的SLAM框架，通过舒尔补技术对通信过程中的状态进行边缘化处理，有效缩减了数据尺寸。同时，采用KLD作为评估原始数据与稀疏数据之间差异的指标，并结合凸优化方法，进一步保证了数据稀疏化过程中的一致性。

自主协同SLAM定位面临的主要挑战是需要在水下航行器之间交换大量数据，而声学通道的带宽限制使得这一问题尤为突出。因此，如何优化数据传输、减少通信开销仍然是协同SLAM定位领域的研究重点。

综上所述，本章从定位资源依赖的角度，将水下协同定位分为辅助协同与自主协同2大类。诚然，2类方法在具体实现和部分应用场景上存在交叉。为清晰地界定其适用边界，明确各自的技术优势与局限，现将二者的核心区别与适用性总结如表2所示。

表2 辅助协同定位与自主协同定位的适用边界分析

水下协同定位是一个高度复杂的研究领域，其性能受到多种因素的共同影响。这些因素不仅涵盖水下自然环境的影响，还涉及UUV平台特性、协同网络策略等方面的影响。以下将详细分析这些影响因素对协同定位性能的作用。

⒈水下自然环境因素

水下自然环境的复杂性与动态性，是影响多UUV协同定位性能的关键外部因素。首先，水介质所造成的声学传输信道特性，对基于声学的通信与测距系统的影响最为显著。其次，海洋物理环境的复杂性也会直接或间接地对水下协同定位产生不利影响。

⑴水声信道的影响

水声通信是水下远距离通信的主要方式，其信道具有时变、空变和频变等复杂特性。这些特性不仅直接决定了UUV之间信息传输的质量与效率，更对协同定位的精度产生至关重要的影响。下文将从多个方面对这些典型影响因素进行系统阐述和讨论。

①声速变化及其剖面误差的影响：水下声速受海水温度、盐度和深度(压力)的显著影响，并非恒定不变。SVP的准确性对基于声传播时间的距离测量至关重要，不准确的SVP会引入传播时延，进而造成距离变换误差。研究表明，SVP误差与声波入射角和传播深度相关，因此实际操作往往需要对入射角作出约束以降低误差。SVP的空间变化会导致声线弯曲，若未能进行校正，尤其是在长距离传播场景下，会显著增大全局测距误差。传统定位算法大多假设声速恒定，然而这种简化在复杂海洋环境中会导致定位精度大幅下降。例如，一项基于声线跟踪校正的研究表明，考虑声线弯曲与SVP变化后，多UUV协同定位的平均位置偏差可降低57%～82%，这凸显了精准SVP建模与动态校正对于定位精度的极端重要性。

②多径传播与信号衰落效应：水下声信号在传播过程中，会经历海面、海底反射及水中不均匀体散射，形成多条传播路径，即多径效应。多径传播导致的码间干扰(ISI)及频率选择性衰落，会严重削弱水声通信质量和测距的准确性，进而可能产生错误的测量数据或距离估计。由于UUV处于运动状态，多径信道特性(如时延扩展、稀疏性)也呈动态变化，这使得接收端难以自适应，给通信与定位系统的可靠性带来极大挑战。

③环境噪声与信号衰减的影响：水下环境中存在丰富的噪声源，包括自然噪声(如风浪、海洋生物活动产生的噪声)以及人为噪声(如船舶、声呐设备运行产生的噪声)。高环境噪声会掩盖有效声学信号，降低信噪比(SNR)，进而影响信号的检测和解调。与理想条件下假设的高斯噪声不同，实际噪声往往表现出重尾效应。当信号因噪声而失真时，基于声学测距的计算会变得非常不准确。此外，声信号在水下会随传播距离的增加而急剧衰减，且高频信号衰减更为显著。环境噪声和传输衰减的双重制约，极大限制了水声通信的有效距离及可用带宽，从而影响数据传输速率。

综上，声速变化、多径传播、环境噪声与信号衰减共同造就了水声信道这一“恶劣”的通信环境。与陆地无线电信道相比，水声信道表现出低可靠性和低容量的特性，这限制了协同定位系统中UUV间高质量、高频率及低延迟的数据交换。为应对上述水声信道带来的严峻挑战，研究人员在水声信道补偿(4.1节)、声学测距与测向(4.2节)等方面发展了多项关键技术。例如，通过鲁棒滤波器抑制多径与噪声干扰，利用声线追踪等方法校正SVP误差，这些技术构成了保障协同定位精度的第一道防线，相关内容将在第4章中详细阐述。

⑵海洋物理环境的影响

除水声信道外，海洋复杂环境也会对UUV协同定位产生直接或间接的影响。

①洋流的影响：洋流作用于UUV，可能会使其偏离预定航线，还会影响UUV自身的速度和姿态。这不仅增加了航位推算的难度，若未能测量并补偿洋流带来的影响，还会引入额外的定位误差。此外，洋流可改变UUV集群中各单元的相对位置，对协同定位的几何结构和通信链路造成影响，而且不确定的洋流通常是导致轨迹漂移与定位失败的重要原因。

②水体浊度的影响：光在水中的衰减与散射程度远超大气，这使得水下能见度普遍极低(通常约为20m，具体数值受水质影响)。高浊度(悬浮颗粒物浓度高)会进一步压缩有效视觉距离，极大制约了光学相机在视觉里程计、特征识别及目标跟踪等辅助定位场景中的应用。尽管视觉定位在近距离、高刷新率场景下具有应用潜力，但其可行性高度依赖于水体的透明度。

③海底地形与障碍物的影响：复杂的海底地形(如海山、海沟)可形成声学阴影区，阻断通信路径，并加剧多径效应。障碍物不仅会限制UUV的机动能力，还可能迫使其调整阵型，进而影响协同定位策略。然而，丰富的地形特征亦可为地形辅助导航(TBN)提供条件，通过声呐探测与海图匹配实现定位，其精度取决于地形信息的详尽程度。

表3总结了主要环境因素及其对多UUV协同定位的主要影响。这些海洋物理环境因素对UUV的运动模型和观测模型都提出了更高的要求。因此，在多源信息最优融合(3.4节)算法中，必须对洋流等动态因素进行有效建模与补偿。同时，水体浊度等对光学传感器的限制，也反向凸显了发展高精度声学测距和测向(3.2节)技术的必要性。

表3 主要环境因素及其对多UUV协同定位的主要影响

⒉UUV平台特性的影响

UUV平台自身的特性，特别是其搭载的导航传感器性能、时钟同步精度及声学通信系统能力，是决定协同定位精度的内在基础。单个UUV状态估计的误差会通过协同网络传播，进而影响整体定位结果。

⑴导航传感器性能的影响

在实际水下协同定位任务中，各类定位传感器各有其独特的优势与局限。表1对此进行了系统性归纳。例如，INS通过加速度计和陀螺仪测量UUV的运动状态，并通过积分计算实时位置。其优点在于高度自主，完全不依赖外部信号，适合短程任务或作为其他导航手段的辅助。但由于误差会随时间不断积累，长期使用易出现显著漂移，因此在长时作业中往往需要结合其他信息源进行周期性校正。DVL则通过多普勒效应测量UUV相对于海底或水体的速度，更适用于中程作业，常与INS联合使用。但其性能受水流、底质及深度等多种环境因素影响，一旦出现故障或数据中断，也会显著影响定位精度。SLAM方法利用声呐实现在线环境建图与同步定位，尤其在定位信息可由多UUV共享时，具备促进协同定位的潜力。但是声呐系统对环境依赖显著，其性能受水文条件及目标特性影响较大。

此外，若个体UUV自定位能力较差、融合算法不够鲁棒，那么协同定位不仅无法提升整体精度，反而存在误差传导和放大的风险。为抑制单个UUV的导航误差累积并防止误差在网络中传播，多源信息最优融合(4.4节)技术至关重要。该技术通过融合INS，DVL等自身传感器数据与UUV间的声学相对观测信息，实现优势互补和误差校正，是提升协同定位系统整体性能的核心。

⑵时钟同步与授时精度的影响

对于依赖信号传播时间进行测距的协同定位方法(如TOA，TDOA)，精确的时钟同步至关重要。在TOA和TDOA测距中，UUV之间时钟未同步或存在时钟漂移的情况会直接转化为距离测量误差，而且由时钟问题引起的声学时延误差与时钟漂移量呈线性关系。

由于水下声信号传播延迟长、节点具有移动性、存在多普勒效应及通信带宽有限等因素，实现并维持精确的时间同步极为困难。目前已提出多种面向水下环境设计的时钟同步方法，如TSHL30，LT-Sync30和基于FG的方法等，但实现水下高精度同步存在的固有困难，使得这类方法面临严峻挑战。正是由于时钟同步的极端重要性和现实挑战，信息传输性能优化(4.3节)成为协同定位的关键技术之一。第3章将介绍多种专门为水下环境设计的时钟同步方法，例如将时钟偏移和漂移作为状态量进行估计与补偿，进而在信息融合层面削弱异步测距带来的不利影响。

⒊协同网络层面的影响

⑴协同队形对可观测性和精度的影响

UUV的几何排列(队形构型)对测量精度和系统状态的可观测性具有直接影响。不良的队形构型，例如在测距方法中UUV间距过近或过远，均会导致精度因子(DOP)增大，进而显著降低定位准确性。此外，UUV编队构型的2个主要指标为分离角和天顶距：天顶距越大，分离角越接近90°，编队构型越优，协同定位误差就越小。

不良队形对可观测性的负面影响也十分突出。若队形设计不合理，或在特定分析框架下(如线性化模型中)缺乏具备全局定位能力的UUV个体，系统可能会完全丧失可观测性或可观测性极低。在这种情况下，UUV无法通过协同测量有效修正导航误差，导致协同定位算法难以收敛，无法准确估计各平台的状态。针对队形构型对定位性能的决定性影响，部分前沿研究开始将队形优化与定位算法相结合。如4.4节所述，基于强化学习的智能融合算法能够根据定位需求，动态调整UUV的相对位置或通信策略，主动优化网络的几何构型和可观测性，从而实现更高精度的定位。

⑵UUV数量的影响

水下协同定位中，UUV数量的增加是一把“双刃剑”。尽管更多的UUV意味着更多的冗余测量、更好的网络连通性，还可能带来更快的收敛速度或更高的定位精度。但这也会急剧增加本已受限的声学信道中的通信负载，提高干扰出现的可能性，导致通信开销大幅增加，从而直接影响UUV间的数据交换效率与系统可扩展性。此外，UUV数量的增加会影响协同定位算法的计算复杂度。例如，在基于EKF的协同定位中，状态向量和协方差矩阵的维度会随着UUV数量的增加而增大，导致计算量显著上升。对于主从式协同定位算法，所有UUV的数据都需要发送到中心节点进行处理，当UUV数量增多时，主UUV的负载会加剧。对于分布式算法，虽然计算压力分散到了各个UUV，但每个UUV仍需处理来自邻近UUV的信息，并且算法的收敛性和一致性也面临巨大挑战。UUV数量增加带来的通信与计算挑战，是信息传输性能优化(4.3节)和分布式多源信息最优融合(4.4节)算法重点要解决的问题。通过设计高效的通信协议(如逻辑通信、间歇性通信)来降低信道负载，并采用分布式或联邦学习等计算架构来分散处理压力，是实现大规模UUV集群协同定位的关键途径。

水下UUV协同定位在实际应用中面临多种不利影响因素，亟需开展有关水声信道补偿、声学测距与测向、信息传输性能及多源融合等方面的关键技术研究。以下将围绕上述方面阐述协同定位中的关键技术。

⒈水声信道补偿技术

水声信道补偿是保障UUV协同定位可靠性的物理层基础，其核心目标是减弱第2章所述的声速变化、带宽受限、噪声干扰和多径效应等物理信道缺陷对声学信号质量的负面影响。当前研究主要从以下3个维度展开：

首先，针对水下声速时空变化和长传播延迟导致的时延测量偏差问题，研究者们致力于在滤波算法中对延迟进行建模与补偿。例如，Xu等提出了一种基于统计测量的稳健延迟处理滤波算法，以减轻测量偏差并改善时间对齐；Yao等引入了延迟EKF，将延迟更新转换为当前更新，以便在领航者追随者框架中进行有效的状态估计。与这些在时域上处理延迟的方法不同，Jiang等为异步环境提出了一种通信时间差(TDOC)方法，从时空耦合的维度解决了该问题。

其次，为应对带宽受限的问题，研究的核心思路是降低通信负载。这主要通过2种途径实现：一是优化数据交换策略，二是压缩传输信息本身。在优化数据交换策略方面，Li等提出了一种间歇性信念传播(IBPDR)方法，该方法可降低通信频率以节省带宽，同时保持定位效果。Pfingsthorn等提出了动态更新策略，在遵守带宽限制的同时，优先考虑最相关的姿势图信息。在压缩信息方面，Walls等提出了采用近似边缘化紧凑地表示里程计因子，以实现高效传输。

最后，对于普遍存在的非高斯噪声干扰与多径效应，传统基于高斯假设的滤波器性能会严重下降，因此研究工作聚焦于设计更能反映真实噪声特性的滤波器。例如，Bai等提出的鲁棒HTM卡尔曼滤波器，明确地对由多普勒效应和多径效应引起的重尾噪声进行建模。Xu等提出的基于统计相似性的滤波器，通过调整噪声方差处理由异常值或通信伪影引起的非高斯噪声。Walls等提出的边缘化方法可处理由传输噪声引起的间歇性数据损坏，增强了算法在恶劣环境下的稳定性。

⒉声学测距和测向

声学测距与测向是获取UUV间相对位置信息的直接手段，其精度和可靠性直接决定了整个系统的性能上限。水下测距技术主要包括OWTT，TWTT和TDOA等方法。这3种方法在精度、通信开销及对时钟同步的依赖程度方面各有优缺点：OWTT通信效率最高，但对时钟同步要求苛刻，精度易受影响；TWTT通过测量声波的往返时间，减少了时钟同步误差，但通信开销会加倍；TDOA利用多节点接收时间差进行定位，有效降低了对全局时钟同步的需求，更适用于多UUV协同场景。

为了从这些基础测距数据中提取更精确的相对位置信息，并处理测量过程中的非线性与误差问题，研究者们采用了多种优化算法。在滤波框架下，结合卡尔曼滤波器和MAP的技术，能够有效补偿测距误差，减少系统的不确定性。在优化理论框架下，FG方法因其处理非线性问题和融合多源信息的灵活性而备受关注。为进一步增强算法对异常值的鲁棒性，研究者们采用了如迭代分差滤波器(I-DDF)和HuberM估计器等算法，以处理测距数据中的异常值，增强系统的鲁棒性。此外，声学测距技术的进一步优化同样依赖于时钟同步技术，精确的时钟同步能够有效降低测距误差，提高整个UUV系统的定位精度。

与此同时，声学测向技术，特别是AOA估计，为协同定位提供了除距离之外的另一个关键维度—方位信息。该方法通过分析声信号在传感器阵列(如水听器阵列)上的接收特征差异，精确推算出声源方位。AOA估计的原理是：部署在UUV上的多个水听器接收同一声源发出的信号，由于各水听器与声源的空间位置关系不同，信号到达各水听器的时间、相位或强度存在差异。只需精确测量这些差异，并结合阵列已知的几何参数，即可反推出声源的入射角度。

主流的AOA算法包括基于TDOA的算法和基于PDOA的算法。前者与TDOA测距原理类似，通过测量信号到达不同水听器对之间的时间差来确定声源方向。时间差可以转换为声程差，进而利用双曲线定位原理反推信号的入射角度。该方法在信号具有足够带宽的条件下，能够获得较好的角度估计精度。后者则通过测量窄带信号到达不同水听器时的相位差来估计AOA。其优点是计算相对简单，对于特定频率的信号响应直接；缺点是存在相位模糊问题，即当水听器间距大于半个信号波长时，相位差可能出现2π的整数倍跳变，导致角度解算不唯一。

通过将测距与测向2项技术相结合，能极大缓解仅有距离信息时产生的定位模糊性，显著改善系统的几何约束条件和可观测性。

⒊信息传输性能优化

高效可靠的信息传输是连接各个UUV节点的网络，在带宽和延迟受限的水下环境中，对其进行性能优化直接关系到协同定位的实时性和可扩展性。该领域的研究重点主要集中在时钟同步和通信协议设计2个方面。

时钟同步是实现高精度协同定位，尤其是基于OWTT和TDOA测距的前提。由于在水下难以像在陆地一样获得统一的授时信号，维持UUV集群内部的时钟一致性极具挑战性。对此，主流策略是将时钟误差作为一个未知状态量，纳入整体的估计滤波框架中进行在线估计和补偿。例如，Xiao等在卡尔曼滤波器中将时间延迟建模为观测偏差，以减少定位误差；而一种更先进的策略是采用基于增强型扩展卡尔曼滤波器(AEKF)的同步策略，直接将时钟参数扩展到状态向量中，进一步提高了定位精度。Curcio等、张福斌等和Yan等则对时钟的相对偏移和漂移进行了更精细的建模，并将其作为未知量引入求解方程，从而对时延误差进行补偿。

在通信协议层面，核心挑战在于如何在有限的信道容量下，高效地共享必要的状态信息。传统的广播和时分多址(TDMA)方案各有优劣：广播方案扩展性好，但易产生冲突；TDMA避免了冲突，但在大规模集群中会导致显著的更新延迟。为克服这些局限，更智能的通信策略应运而生。例如，仅与邻近航行器交换数据能够减少总传输次数，但需要复杂的调度算法。采用正交频分多址(OFDMA)的方案允许多个UUV同时通信，但对硬件的要求更高。近年来，一个重要的发展趋势是“事件驱动”通信，Meira开创性地将协同定位算法与基于逻辑的通信策略相结合，仅在不确定性超过阈值时才进行数据传输，显著降低了通信开销。此外，Jakuba等提出的反转模式(iUSBL)通信通过优化通信流程，减少了不必要的往返交互，进一步降低了通信开销。

⒋多源信息最优融合

多源信息融合算法作为协同定位系统的“大脑”，负责有机地整合UUV自身的航位推算数据(如INS/DVL)及来自其他UUV的相对观测信息，从而实现对所有平台状态的精确、一致估计。其发展脉络清晰地呈现出从基础滤波到鲁棒自适应，再到智能化决策的演进趋势。

该技术的基础是构建基于卡尔曼滤波及其改进算法的融合框架。随着任务复杂程度的不断提高，分布式架构逐渐成为主流，以提高系统的可扩展性和鲁棒性。Rui等提出了分布式扩展信息滤波器(DEIF)，该方法以较小的通信开销实现了多UUV间的协同定位，尤其在数据相关性融合及丢包环境下具有鲁棒性。由于水下特殊环境的限制，通过外部传感器获取到的UUV间的相对观测量具有异步性，Ma等通过DEKF实现了对异步相对观测数据的有效融合，提升了多UUV系统在未知环境下的互定位精度。然而，分布式估计面临的一个核心挑战是状态估计的一致性问题，不一致的状态估计会导致整个系统误差发散。为此，Zhang等设计了一种基于一致性EKF的算法，通过修正雅可比矩阵中的线性化测量值，有效保证了从属UUV的状态估计与领航UUV的同步性，进而提升了航迹跟踪的准确性。

在基础滤波框架之上，研究重点转向了如何应对现实世界中的各种不确定性，例如环境干扰、观测异常和通信延迟。针对观测误差，Sheng等通过多UUV联合观测，提出了基于历史观测的EKF方法(结合多机观测信息与先前测量)，能够弱化观测异常对定位一致性的影响，提升系统稳定性；Yuan等针对主从式UUV间的协同定位，引入了带测量误差估计的改进型EKF融合策略，通过融合声学测距信息，有效校正航速与航向误差，尤其在自主定位阶段，系统定位精度提升显著。为削弱水下未知洋流等环境因素的影响，刘明雍等和Li等构建了专门的滤波算法，用于对水声测量误差进行估计或剔除。通信时延是另一大挑战，为此，Gao等利用基于延迟EKF到达成本的MHE算法，兼顾了通信延迟带来的估计误差，有效提高了定位的实时性和可靠性；而Larsen等提出了一种基于量测更新的延时滤波方法，在延时发生时间段内，保存系统的全部状态信息，利用延时时刻的量测信息直接对延时达到时刻量测进行更新，并且基于估计最小方差原则重新推导滤波方程。虽然该方法对存储要求较高，但思想简洁有效。

传统EKF由于一阶泰勒展开产生的线性化误差，在强非线性系统中精度下降甚至发散，且标准容积卡尔曼滤波(CKF)缺乏噪声自适应能力。因此，研究者们提出了更先进的非线性滤波技术。其中，水声定位的多传感器数据融合需要建立精确的随机模型，Zhao等和Wang等在这方面开展了重要工作，分别提出了顾及声线入射角和时空相关性的水下随机模型，这为自适应滤波算法提供了理论支持。在此基础上，Xu等提出了基于自适应容积卡尔曼滤波的分布式(ACKF-DCL)算法，将捷联惯导系统(SINS)/DVL集成测量与声学测距相结合，能够动态跟踪并校正测量噪声协方差，显著提升了在复杂环境下的定位精度。Luo等则在CKF中嵌入强化跟踪滤波(STF-ECKF)，有效减少了模型不确定性及突变对定位精度的影响，仿真结果显示其对航位推算偏差和姿态误差的抑制效果显著。

近年来，随着人工智能技术的发展，协同定位算法正朝着更高的智能化和自主化方向迈进。一方面，新的计算架构被用于应对大规模集群带来的挑战。例如，Zhao等基于联邦学习框架(FL-EKF)，实现了在保护数据隐私前提下的高效融合。另一方面，概率图模型，如置信传播(BP)，为无锚点、非高斯环境下的协同定位提供了强大的新范式，当其结合间歇性通信策略后，进一步降低了数据交互负担。而最具变革性的进展来自于强化学习(RL)的应用，它使系统能够从与环境的交互过程中自主学习最优策略，无需依赖精确的系统模型。Yue等提出了基于强化学习的多UUV网格定位方案(RL-GLMU)，通过网格化多UUV拓扑图，离散化强化学习空间，以定位权重和位置作为优化参数，主UUV能够动态选择最优的声学信号发射位置，相较于传统卡尔曼滤波算法能够有效降低定位误差。Xu等通过最小化系统费希尔信息矩阵(FIM)行列式，实现了ASV辅助的UUV精确定位，进而将环境感知能力融入状态空间，把USV-AUV协作机制纳入MDP奖励函数，利用强化学习赋予多UUV智能及对极端海况的适应能力。Yue等提出了基于主从式结构强化学习的定位方案，在缺乏精确海洋环境信息和UUV运动模型的条件下，能够自适应选择定位时间窗与信号权重，并设计了分层双深度Q网络(HDDQN)定位架构。通过上层目标策略与下层定位动作的协同优化，有效缓解了高速移动AUV面临的水下信道状态快速量化误差问题，从而显著提高了定位精度与算法收敛速度。

表4分别从每项关键技术对应的核心挑战和主要应对策略2方面对本章内容进行了总结。

表4 水下协同定位关键技术总结

水下多平台协同定位技术作为支撑未来海洋探索与作业的核心使能技术，其发展已从理论框架构建迈向解决真实海洋环境下的复杂应用挑战。综合前述分析，尽管现有技术在定位模式、对影响因素的认知及关键技术攻关方面取得了显著进展，但要实现大规模、长航时及高精度的自主协同定位，仍面临诸多瓶颈。未来的研究将不再局限于单一算法的优化，而是趋向于实现体系化、智能化及虚实结合的综合性突破，重点将在以下几个方面寻求创新。

首先，应对极端复杂的时空变化信道是提升定位性能的根本前提。正如本文所述，水声信道固有的时空变异性、非高斯噪声和复杂多径效应，是制约协同定位精度与可靠性的物理瓶颈。当前技术大多基于统计模型进行后处理或采用自适应滤波方法，在应对突发环境变化时仍显被动。未来的突破口在于从“信号补偿”的被动思想转变为“信道预测与认知”的主动策略。例如，可利用深度学习技术融合历史通信数据与环境感知数据，构建能够实时预测SVP、多径结构乃至通信中断风险的动态信道模型，实现从“事后补偿”到“事前规避”的跨越。同时，为弥补水声通信的固有局限，未来的系统将更加依赖异构多模态信息的融合，探索在近距离编队中融合声学、光学及磁场等多物理场信息。其挑战在于设计一种鲁棒的自适应信息融合框架，能够根据环境变化和任务需求，智能地切换和加权不同传感器的信息，以发挥最大效能。

其次，构建高鲁棒、自组织的融合导航体系是实现技术自主化的核心。本文讨论的以卡尔曼滤波为核心的融合算法，本质上是一种基于优化理论的状态估计器，其性能高度依赖精确的系统模型和噪声假设。在面对模型失配、通信拓扑动态变化和节点异常等复杂情况时，其鲁棒性面临严峻考验。未来的发展方向是将人工智能的决策能力嵌入信息融合框架，使系统具备自主认知与优化能力。例如，通过将协同定位问题建模为多智能体强化学习任务，UUV集群能够自主习得在特定任务和环境下最优的通信与运动协同策略，从而平衡定位精度与资源消耗，而不是依赖预设的固定规则。此外，随着UUV集群走向实际应用，系统的可靠性与安全性至关重要。未来必须引入协同导航完好性监测的概念，使集群不仅能检测单个传感器的故障，更能通过交叉验证自主诊断出“行为异常”的伙伴节点，并将其在网络中隔离或降权，防止故障传播导致整个系统定位失败。

再者，弥合数字世界与物理海洋之间的鸿沟是推动技术从理论走向应用的关键。目前，多数协同定位算法的验证仍停留在数值仿真或小规模、短时间的受控实验阶段，然而真实海洋环境的复杂性(如未知洋流、内波)远超仿真模型，导致算法在实际部署中性能大幅下降。未来的研究应致力于构建虚实结合的研发与验证体系。一方面，可以为UUV集群及其作业环境构建一个融合实时海洋观测数据和物理海洋学模型的“物理信息驱动的数字孪生”系统。该系统将在一个无限接近真实世界的虚拟环境中，为算法提供大规模、长周期的测试与迭代平台，高效验证其对动态环境的适应能力。另一方面，领域的发展迫切需要建立开放的标准化测试数据集。效仿自动驾驶等领域的成功经验，建立包含多种场景、多传感器、长时间序列、高精度地面真值及同步环境参数的真实海洋实验数据集，这将极大地促进不同算法间的公平比较，加速整个领域的创新与进步，并为新兴的数据驱动方法提供宝贵的素材。

综上，水下多平台协同定位技术的未来发展，是一条从单一技术攻坚迈向体系化、智能化融合的演进之路。通过将人工智能的感知与决策能力深度融入导航系统，并构建连接虚拟与现实的桥梁，有望最终攻克复杂海洋环境带来的挑战，为实现真正意义上的大规模、高自主及高可靠的水下智能集群奠定坚实的定位基础。这不仅将深刻变革海洋科学研究的范式，也必将为我国建设海洋强国战略提供强大的技术支撑。

用专业精神创造价值
 用人文关怀引发共鸣
 您的关注就是我们前行的动力 

投稿邮箱▏2705319347@qq.com