- **自主水下航行器(AUV)** 在深海探索中不可或缺，但电磁波快速衰减导致卫星信号不可用
- 海洋环境动态不可预测，给**导航(navigation)** 带来巨大挑战
- 传统基于模型的滤波方法难以应对复杂海洋条件和传感器噪声
- 提出**AI辅助定位(AI-aided positioning)** 框架，集成**惯性导航系统(INS)**、**多普勒速度计(DVL)** 和**相机(camera)** 进行高级传感器融合
- 采用**AI驱动的学习方法(AI-driven learning approaches)** 增强惯性航位推算(inertial dead-reckoning)和自适应融合算法
- 超越传统模型滤波，利用**深度学习(deep learning)** 实现端到端的导航状态估计
- **首次系统总结** AI学习方法在AUV导航中的应用，覆盖传感器融合与航位推算
- **融合架构创新**：将惯性传感器与视觉、声学数据通过AI动态融合，替代固定滤波器
- **自适应能力**：AI算法能在线适应海洋环境的动态变化，提升鲁棒性
- **综合性路线图**：而非单一算法，提供从传感器到决策层的完整AI导航方案
- 为**水下导航(underwater navigation)** 领域提供了一本全面的技术路线图
- 梳理了AI辅助定位的当前里程碑，指导后续研究方向
- 强调了**高精度导航(high-precision navigation)** 对自主水下任务的关键作用
- 推动从传统模型滤波向**数据驱动(data-driven)** 范式的转变