BIND-USBL：多ASV协同为AUV构建水下GPS网络，解决大范围导航难题

AUV导航USBL定位多ASV协同
于 2026-05-28 03:16:39 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 项目概述：当AUV在水下“迷路”，我们如何用一群水面“信标”为它指路？

在海洋勘探、海底测绘或水下设施巡检这些任务里，自主水下航行器（AUV）就像是水下的“无人机”，承担着最前线的数据采集工作。但和空中无人机最大的不同是，水下没有GPS信号。一旦潜入水中，AUV就进入了一个“与世隔绝”的导航盲区。它只能依靠自带的惯性测量单元（IMU），通过测量自身的加速度和角速度，像蒙着眼睛走路一样，一步步“推算”自己的位置。这个过程专业上叫“航位推算”。

问题就出在这个“推算”上。IMU传感器并非完美，微小的零点偏差（Bias）和环境噪声会随着时间不断累积。想象一下，你蒙眼走路，每一步都稍微偏左一点点，走上一百步后，你可能已经偏离预定路线好几米了。对于AUV来说，这个偏差会以二次方的速度增长，几分钟内定位误差就可能达到几十甚至上百米，导致任务彻底失败，甚至让昂贵的设备撞上礁石。

那么，如何为水下的AUV提供一个可靠的“路标”呢？超短基线（USBL）声学定位系统是目前工程上的主流选择。简单来说，就是让水面上的支持船（或自主水面艇ASV）向水下的AUV发射声学信号，AUV应答后，水面平台通过计算声波往返的时间差和到达方向，结合自身的GPS位置，就能解算出AUV的绝对位置。这相当于每隔一段时间，就给AUV发一个“你现在在这里”的精确坐标，让它能重置自己的推算误差。

然而，传统的单船支持模式存在明显的天花板。一艘船的声学覆盖范围是有限的（通常在几百米到一公里量级）。当AUV执行大范围（例如边长为100米以上的区域）的“割草机”式扫描任务时，它很容易游出水面船的“听觉”范围。一旦失去声学联系，IMU的漂移就会再次失控。此外，当多艘AUV同时作业时，它们向水面船“喊话”请求定位，可能会在声学信道里“撞车”，导致信息丢失。

因此，BIND-USBL 这个框架的核心思想，就是从“单点支援”升级为“协同网络”。它不再依赖单一水面平台，而是部署一个由多艘自主水面艇（ASV）组成的编队，像一组移动的声学信标塔，共同为水下的AUV舰队提供定位服务。它的目标不是追求单次USBL测量有多精确（这受硬件限制），而是通过系统性的编队几何设计和通信调度策略，最大化地保证每一个AUV、在任务区域的每一个位置、都能以足够高的频率获得位置修正，从而将整体的导航误差约束在一个可接受的、有界的范围内。

这套框架非常适合那些计划使用低成本、商业级MEMS-IMU的AUV团队进行长时间、大范围作业的工程师和研究人员。它提供了一套从理论分析到仿真验证的完整设计工具链，告诉你需要多少艘ASV、应该怎么摆放它们、通信协议如何设计，才能确保你的水下机器人不会“迷路”。

2. 核心原理拆解：为什么单点USBL会失效，以及BIND-USBL如何系统性地解决

要理解BIND-USBL的价值，我们必须先深入看看传统单ASV支持模式的瓶颈在哪里。这不仅仅是“信号够不够强”的问题，而是一个由几何覆盖、信道竞争和误差动力学三者耦合而成的系统性问题。

2.1 IMU漂移的本质与USBL修正的动力学

AUV的航位推算可以简化为一个积分过程。假设AUV的真实速度为 v_true，但IMU测量并解算出的速度存在一个常值偏差 b 和随机噪声 η。那么，在时间步长 Δt 内，其位置估计误差 e 的增长近似为： e(t) ≈ 0.5 * ||b|| * t^2 + σ * sqrt(t) 其中，第一项是偏差导致的二次项漂移，第二项是噪声导致的随机游走。对于典型的低成本MEMS-IMU，速度偏差 b 可能在每秒几厘米的量级。这听起来很小，但积分10分钟（600秒）后，仅偏差项就能产生超过10米的误差。USBL修正的作用，就是周期性地将这个不断膨胀的误差“拉回”到真实位置。

USBL的修正模型通常可以看作一个互补滤波器。当AUV在时刻 k 收到一个USBL定位结果 z_k 时，它会用这个测量值来更新自己的位置估计 p_hat： p_hat(k) = p_hat_predicted(k) + γ * [z_k - p_hat_predicted(k)] 其中，γ 是增益系数（通常在0到1之间），p_hat_predicted 是基于IMU推算的预测位置。γ 越大，对USBL的信任度越高，修正力度越大。在BIND-USBL中，固定使用 γ=0.9，意味着每次修正会采纳90%的USBL新息（Innovation），快速抑制漂移。

2.2 单ASV支持的覆盖困境：几何是硬约束

单艘ASV通常被部署在任务区域的中心。它的声学覆盖范围可以看作一个以它为圆心、半径为 R_HF（高频上行链路范围）的圆。对于一个边长为 L 的正方形任务区域，距离ASV最远的点是四个角，其距离为 L * sqrt(2) / 2。

覆盖失效的临界条件非常简单：当 L * sqrt(2) / 2 > R_HF 时，区域的四个角就落在了ASV的“听觉”范围之外。此时，如果AUV的作业路径经过这些角落，它将在那段时间内完全收不到任何USBL修正。在仿真中，这表现为一个AUV的累积修正数在任务早期就停止增长，而其跨航迹误差（CTE）则开始无界发散。

这揭示了一个关键洞察：长期的导航失败，主要不是由单次USBL测量的精度决定的，而是由这些修正的“时空可用性”决定的。时空可用性包含两个维度：时间稀疏性（两次修正间隔多久）和空间可用性（在AUV所处的当前位置，是否有至少一个ASV能听到它）。单ASV模式在任务区域变大时，空间可用性首先崩溃。

2.3 多ASV编队：从“单点灯塔”到“定位网络”

BIND-USBL的核心对策是将多个ASV布置成一个静态编队。最直观有效的编队是正N边形（N为ASV数量），编队中心与任务区域中心重合，编队半径 R_f 经过设计。

编队设计的核心公式是为了保证全区域覆盖：任务区域内任意一点到最近ASV的距离必须小于等于 R_HF。通过几何推导，可以得到编队半径必须满足的条件： R_f >= (L/2) - sqrt(R_HF^2 - (L/2)^2) 这个公式在 R_HF >= L/2 时有效。它给出了实现全覆盖所需的最小编队半径。例如，当 R_HF=50米，L=100米时，计算可得 R_f >= 13.4米。这意味着，只要将ASV部署在半径为13.4米以上的正多边形顶点上，就能保证整个100x100米的区域都在至少一个ASV的覆盖范围内。

多ASV带来了另一个好处：数据融合提升精度。当同一个AUV同时被多个ASV“听到”时（即处于多个ASV的覆盖重叠区），每个ASV都会独立产生一个USBL定位结果。BIND-USBL采用最小方差线性无偏估计（MVLUE）来融合这些数据。假设有K个独立同分布的USBL测量，其融合后的定位误差标准差可以降低为单次测量的 1/sqrt(K)。这意味着，在编队设计良好的情况下，AUV在区域中心等重叠区不仅能获得更频繁的修正，还能获得更精确的修正。

2.4 共享声学信道的冲突与调度：让AUV们“有序发言”

多个AUV和多个ASV共享同一个水声信道。如果所有AUV同时“喊话”（发送上行链路请求），信号会相互干扰，导致所有请求失效。因此，必须有一个调度协议来管理信道访问。

BIND-USBL将其建模为一个冲突图着色问题。冲突图的每个顶点代表一个AUV。如果两个AUV至少能被同一个ASV听到（即它们处于某个ASV的覆盖圆内），则在它们之间连一条边，表示它们不能同时发射，否则会在该ASV处产生冲突。

注意：冲突关系是动态的，随着AUV移动而改变。BIND-USBL在每个调度周期都会根据AUV的实时位置重新计算冲突图。

然后，使用贪心算法对冲突图进行着色。颜色相同的AUV被分到同一组，它们可以同时发射而不会相互干扰。颜色数 k 就是所需的TDMA时隙数。根据图论中的布鲁克斯定理，k 最多为图中最大顶点度数加一，这为最坏情况下的调度效率提供了上界。

这个基于冲突图的TDMA调度器实现了空间复用。传统TDMA可能每个时隙只允许一个AUV发射，而这里允许一个“颜色组”内的多个AUV同时发射，只要它们彼此不在对方的冲突范围内。这显著提高了信道的利用率和整体定位更新率。

2.5 双频段协议与端到端延迟控制

BIND-USBL采用双频段声学通信架构：

  • 高频（HF）上行链路：AUV向ASV发送定位请求（Ping）。范围较短（如50米），用于精确测距和测向。
  • 中频（MF）下行链路：ASV向AUV广播定位结果。范围较长（如100米），用于将修正数据分发至可能已游出HF范围的AUV。

协议时序的设计考虑了水声传播速度慢（约1500米/秒）的特点。关键的时间基准是声学穿越时间 t_c = L / c，即声波穿越整个任务区域边长所需的时间。

  • 上行时隙设计：一个TDMA时隙必须包含AUV的Ping发射时间、最坏情况下的单向传播时间，以及一个防止多径回声干扰的保护间隔。保护间隔被设置为 0.5 * t_c，确保即使声波在区域边缘反射回来，也不会干扰下一个时隙。
  • 下行广播：在所有AUV组完成上行Ping后，由一个ASV在MF信道广播累积的定位数据包。下行时隙同样包含保护时间（1.25 * t_c）和一个更保守的最小时长（10.0 * t_c），以适应更长的MF传播距离和低信噪比下的可靠解码。

这种设计确保了从AUV发出请求到收到修正的端到端延迟是可预测且有界的。在仿真中，该延迟被控制在0.57秒以下，远小于IMU产生显著漂移所需的时间（通常为数秒），从而保证了修正的时效性。

3. 系统设计与实现细节

理解了核心原理后，我们来看BIND-USBL框架的具体实现。它不是一个单一的算法，而是一个包含编队几何模型、动态调度器和数据融合滤波器的完整系统。

3.1 多ASV编队几何模型的具体实现

编队生成是静态任务规划的一部分。给定ASV数量 N_ASV、任务区域边长 L 和高频范围 R_HF，系统按以下步骤计算编队：

  1. 判断覆盖需求：首先计算区域角落到原点的距离 d_corner = L * sqrt(2) / 2。如果 d_corner <= R_HF，则单ASV置于中心即可全覆盖，无需复杂编队。否则，进入多ASV编队计算。
  2. 计算最小编队半径：利用公式 R_f >= (L/2) - sqrt(R_HF^2 - (L/2)^2) 计算满足全覆盖的最小半径。在实际部署中，通常会在此基础上增加一个安全余量 Δb，即 R_f = R_HF + Δb，以确保覆盖鲁棒性。
  3. 生成顶点坐标：将 N_ASV 个ASV均匀放置在半径为 R_f 的圆上。第 j 个ASV的坐标为： p_j = R_f * [cos(α0 + 2πj/N_ASV), sin(α0 + 2πj/N_ASV)]^T 其中 α0 是编队初始角，用于旋转整个编队。α0 是一个关键的设计自由度，对于2-ASV或3-ASV编队，不同的 α0 会极大影响对区域边缘的覆盖效果。
  4. 覆盖验证：在仿真或实际部署前，可以通过计算网格点上到最近ASV的距离，来可视化验证覆盖图，确保没有覆盖盲区。

3.2 基于冲突图的动态TDMA调度器

调度器是运行时的核心组件，它每个周期（如下行广播完成后）执行以下步骤：

  1. 更新冲突图：遍历所有AUV，根据其当前位置 p_i 和所有ASV的位置 p_k^ASV，判断两两AUV之间是否存在冲突。冲突条件 AC(i, j) 为：存在至少一个ASV k，使得 distance(p_i, p_k^ASV) <= R_HF 且 distance(p_j, p_k^ASV) <= R_HF。
  2. 图着色分组：使用贪心算法对当前冲突图进行着色。算法遍历所有AUV，为每个AUV分配最小的、未被其邻居（有边连接的AUV）使用的颜色编号。这个过程是分布式的理想化抽象，在实际系统中可能需要一个中心调度器或分布式协商协议。
  3. 时隙分配与执行：假设得到了 K 种颜色，则将当前调度帧分为 K 个上行时隙。所有被分配为颜色0的AUV在第一个时隙同时发射Ping；颜色1的AUV在第二个时隙发射，以此类推。每个时隙的长度根据前述公式动态计算。
  4. 下行广播：所有上行时隙结束后，选择一个ASV（如编号最小或电量最足的）在MF信道广播一个数据包。该数据包包含一个包头和所有在本轮成功获取的USBL定位结果（每个结果包含AUV ID、三维坐标、时间戳等）。

实操心得：冲突图的计算复杂度是 O(N_AUV^2 * N_ASV)。对于小规模团队（<10个AUV）这不是问题，但对于大规模集群，需要考虑优化，例如使用空间网格哈希来快速查找彼此靠近且在同一个ASV覆盖范围内的AUV对，避免全量计算。

3.3 延迟融合与状态更新机制

AUV端需要处理可能乱序、延迟到达的USBL修正数据。BIND-USBL采用了一个带优先级队列的延迟融合机制：

  1. 预测步骤：在每个IMU周期（如30Hz），AUV根据自身估计的速度（v_true + b）和方向，通过公式 p_hat_minus = p_hat_prev + R(ψ) * (v_true + b) * Δt 预测当前位置。
  2. 数据接收队列：收到的USBL修正数据包并不是立即使用。每个AUV维护一个以交付时刻 k_D 为键的最小堆（优先级队列）。k_D 考虑了发射时间、传播延迟和数据处理时间（公式 k_D = k_B + ceil((T_tx + d_ij/c) * f_T)）。这保证了修正数据严格按时间顺序处理，即使网络延迟导致数据包乱序到达。
  3. 修正步骤：当处理到时刻 k 的状态时，AUV检查队列中是否有 k_D <= k 的数据。如果有，则取出该数据 z_k，使用互补滤波器进行更新：p_hat(k) = p_hat_minus(k) + γ * (z_k - p_hat_minus(k))。
  4. 深度处理：深度通道由独立的压力传感器提供，其噪声通常远小于水平位置的漂移。因此，深度状态在每个周期都被压力传感器的测量值直接重置，即 p_hat_z(k) = z_pressure(k)，这有效消除了垂直方向的漂移。

这个机制确保了状态估计的因果一致性，是处理实际水声通信中可变长延迟的关键。

3.4 仿真环境搭建与参数配置

BIND-USBL的研究基于HoloOcean仿真器进行验证。HoloOcean提供了逼真的6自由度AUV动力学模型、3自由度ASV动力学模型，以及包含了传播延迟、多径和丢包的水声通信模型。

关键仿真参数设置示例：

  • AUV动力学：采用标准的6自由度模型，包括质量、惯性、水动力阻尼和推力器模型。
  • IMU误差模型：速度偏差 b = [0.06, 0.06]^T m/s，速度随机游走噪声 σ = 0.027 m/√s。这个偏差值对于消费级MEMS-IMU是典型的。
  • USBL误差模型：包含测距量化误差、TDOA测向噪声和ASV姿态航向参考系统（AHRS）的航向误差，共同构成测量噪声协方差 Σ_USBL。
  • 声学信道模型：丢包率随距离 r 增加而升高，模型为 P_loss(r) = a*exp(b*r̃) + c0*exp(d*r̃)，其中 r̃ = min(r, 800m)。此外，引入团队规模冲突概率，每增加一个AUV，冲突概率增加 P_col = 0.05。
  • 任务规划：AUV执行Dubins曲线平滑的“割草机”路径，覆盖整个区域。每个AUV负责一条等宽的条带。
  • ASV控制：ASV使用定点保持控制器，努力维持在指定的编队顶点位置，以维持预设的几何覆盖。

4. 性能评估与结果分析：从失败案例到系统优化

通过系统的仿真实验，BIND-USBL揭示了多ASV-AUV协同导航中几个反直觉却又至关重要的设计规律。

4.1 基线案例：小区域下的理想性能

在边长为60米的小型任务区域，即使只有1艘ASV置于中心，其50米的HF范围也能完全覆盖整个区域。此时，系统性能瓶颈完全在于TDMA调度器能否高效地为所有AUV分配上行时隙。

仿真结果显示，支持4个AUV时，TDMA调度器能提供平均每AUV 0.248 Hz的定位更新率（约每4秒一次），端到端延迟仅51毫秒。在IMU偏差为0.085 m/s的情况下，两次修正间的最大漂移约为0.69米，这与仿真中观察到的亚米级跨航迹误差（CTE）相符。这个案例验证了在声学覆盖无压力时，调度和滤波算法本身的有效性。

4.2 覆盖失效：当区域大于单ASV的“听觉”

将区域扩大到140米边长（对角线约198米），仍使用1艘中心ASV（HF范围50米）。此时，覆盖失效立即显现。

  • AUV0（其作业条带位于区域Y方向极端位置）几乎从任务开始就处于ASV的HF范围之外，其HF覆盖率仅为9%，在整个300秒任务中仅收到19次修正。
  • 后果：AUV0的CTE在任务后期超过10米，导航完全失效。而位于中心区域的AUV1和AUV2，由于覆盖率分别达到70%和58%，其CTE被成功约束在2米左右。

关键发现：这种失效是二元的、几何决定的，而非渐进的。AUV要么在覆盖区内获得修正，要么在覆盖区外完全失去修正。调度算法再优秀，也无法为根本听不到的信号生成修正。这凸显了覆盖是导航性能的先决条件。

4.3 编队恢复：多ASV如何扭转局面

在同样的140米区域，部署3艘ASV，以50米为半径构成等边三角形编队（α0=0°）。

  • 效果逆转：之前几乎失联的AUV0，HF覆盖率提升至79%，获得92次修正，CTE降至0.56米。AUV1和AUV2的覆盖率则达到100%，CTE低于0.35米。
  • 原理：三角形的编队使得从任何方向看，区域边缘总有一个ASV相对较近。三个ASV的覆盖圆相互交错，形成了对区域近乎无缝的覆盖网络，消除了单点ASV的覆盖阴影。

4.4 编队角度的重要性：2-ASV案例的启示

2艘ASV的部署效果强烈依赖于编队角度 α0。

  • 当 α0=0°（两艘ASV沿X轴排列），它们对Y方向极端区域的覆盖都很差，AUV0的CTE高达11.1米。
  • 仅将编队旋转30°（α0=30°），ASV的布局发生变化，覆盖阴影区域移动，AUV0的覆盖率跃升至55%，CTE大幅改善至1.37米。

这表明，对于固定数量的ASV，其空间构型（编队形状和角度）是与数量同等重要的设计参数。 糟糕的构型可能让额外的ASV投资收效甚微，而优化的构型则能以最小成本实现性能跃升。

4.5 全参数扫描：给任务规划者的决策地图

通过对ASV数量（1-3）、AUV数量（3-10）、区域大小（60, 100, 140米）和编队角度的全面扫描，可以总结出三条核心设计原则：

  1. 任务区域尺度是主导因素：在60米区域，所有配置都能实现亚米级CTE。在100米区域，单ASV的CTE增至1.7-3.0米，而3-ASV能将其压制在0.6米以下。在140米区域，单ASV配置全部失败（CTE>4.4米），而3-ASV能将其控制在0.8-1.2米。这定量证实了覆盖公式的预测：一旦区域对角线超过单ASV范围，增加水面锚点就从“锦上添花”变为“雪中送炭”。

  2. ASV的收益集中在从1到3的过渡：在140米区域，从1艘ASV增加到2艘，平均CTE从约4.8米降至约2.5米。但从2艘增加到3艘，CTE进一步降至约1.0米，实现了从“可用”到“精确”的质变。第三艘ASV通过三角布局彻底消除了二ASV构型中可能存在的角度敏感性盲区。

  3. 覆盖率而非更新率是导航质量的约束瓶颈：随着AUV数量从3增加到10，由于TDMA信道共享，每AUV的定位更新率会下降。但在全覆盖的区域（如60米），CTE并未显著上升，因为每个AUV总能收到它所能得到的全部修正。而在覆盖不足的区域（如140米单ASV），CTE对更新率的变化不敏感，因为性能瓶颈在于根本收不到信号，而非收得慢。因此，优化编队几何以提高覆盖率，比单纯优化调度算法以提升更新率，对整体导航性能的影响更为根本和显著。

这些结果可以浓缩为一张给任务规划者的“决策热图”：给定任务区域大小和AUV数量，图表可以直接告诉你需要部署多少艘ASV，以及如何部署（编队半径和角度），才能将导航误差控制在期望的阈值（例如1米）以内。

5. 工程实践指南与避坑要点

将BIND-USBL从论文框架落地到实际系统，需要考虑诸多工程细节。以下是一些关键的实践指南和常见陷阱。

5.1 ASV平台选型与部署考量

  • 平台稳定性：ASV的核心任务是在指定点进行站桩保持（Station Keeping）。因此，平台在风、浪、流作用下的定位精度和抗干扰能力至关重要。无人帆船（AWSV）因其能源自主性成为长航时任务的理想选择，但其操纵性和定点保持能力可能不如推进器驱动的ASV，需要在控制器设计上格外下功夫。
  • USBL换能器安装与校准：USBL的测向精度极易受到换能器阵列与船体坐标系之间安装偏差的影响。必须进行细致的杆臂补偿和舷角校准。任何微小的未校准偏差，在长距离上都会被放大为巨大的定位误差。
  • 时钟同步：无论是传统的USBL还是被动式逆USBL（piUSBL），高精度的时间同步都是基础。ASV端通常依赖GPS的PPS信号。对于piUSBL方案，AUV端也需要高稳时钟（如恒温晶振OCXO），这增加了AUV的成本和功耗。

5.2 通信协议实现的注意事项

  • 时隙长度的实际设定：理论计算基于声速1500 m/s和区域尺寸L。在实际海洋中，声速随温度、盐度、深度变化（声速剖面），t_c 可能波动。保护间隔应基于最大可能声速和区域对角线长度来设计，留有足够余量。
  • 冲突图更新的频率：更新冲突图需要所有AUV的实时位置，这本身可能需要通信。这是一个“先有鸡还是先有蛋”的问题。实践中，可以采用预测位置（基于上次已知位置和计划轨迹）来近似计算冲突图，或者使用一个稍显保守的、基于固定分组的TDMA，牺牲一些效率换取可靠性。
  • 下行广播的可靠性：MF下行广播是单点对多点的通信，没有确认机制。需要采用前向纠错编码来对抗信道误码。此外，应考虑让多个ASV轮流或冗余广播，防止单点失效。

5.3 状态估计与滤波器的工程调参

  • 互补滤波器增益 γ 的选择：BIND-USBL固定使用 γ=0.9，这是一个较强的修正。在实际中，γ 可以设计为自适应：
    • 如果USBL定位结果的几何精度因子（GDOP）很好（例如被多个ASV同时覆盖），可以使用更高的 γ。
    • 如果USBL信号质量差（信噪比低、GDOP大），则应降低 γ，更多地信任IMU短期积分。
    • 可以引入一个简单的卡方检验，如果USBL新息（测量值与预测值之差）的范数超过某个阈值，则判定该次测量为异常值，降低其增益或直接丢弃。
  • IMU偏差 b 的在线估计：在长时间任务中，IMU的偏差 b 并非绝对恒定。可以在收到高质量USBL修正时，不仅更新位置，也用一个慢速更新的滤波器（如随机游走模型）来在线估计和补偿 b，从而进一步提高航位推算的长期精度。

5.4 仿真与实船测试的衔接

  • 从理想模型到复杂信道：HoloOcean的声学模型已经比许多仿真器更先进，但真实海洋环境更复杂：时变声速剖面、强烈多径（尤其在浅水或复杂海底地形）、生物噪声、船只噪声等都会大幅提高丢包率和测距误差。在实船测试前，应在仿真中注入更激进的噪声和丢包模型进行压力测试。
  • 编队保持的挑战：仿真中的ASV可以完美保持在编队顶点。现实中，海流和风会使ASV偏离预定位置，破坏覆盖几何。控制器需要有足够的能力抵抗干扰，并且系统应能容忍一定程度的编队形变。可以考虑让ASV定期广播自身GPS位置，AUV在融合USBL数据时，使用ASV的实际位置而非理想位置进行计算。
  • 故障处理与降级模式：必须考虑ASV故障、通信链路完全中断等异常情况。系统应具备降级模式，例如：当长时间未收到USBL修正时，AUV应能自主上浮至水面获取GPS定位，或执行预设的安全返航路径。

BIND-USBL框架为我们系统化地设计和分析异构ASV-AUV团队的协同导航问题提供了强大的工具。它清晰地指出，在大规模水下作业中，导航性能的保障不再仅仅是AUV自身算法的课题，而是上升为一个系统级的设计问题，需要统筹考虑水面支持网络的几何、通信和调度。通过将覆盖保障作为首要设计目标，再辅以高效的资源调度算法，我们能够用有限的资源，为水下机器人舰队构建一个可靠、稳健的“水下GPS”网络，从而解锁更大范围、更长时间、更自主的海洋探索任务。