Die Unterwassernavigation steht aufgrund von Schwankungen der Schallgeschwindigkeit im Meerwasser vor anhaltenden Herausforderungen, die systematische Positionsfehler verursachen und die Präzision autonomer und ferngesteuerter Tiefseefahrzeuge beeinträchtigen. Ein neues Echtzeit-Korrekturverfahren für Schallgeschwindigkeitsprofile (SSP), das 2025 in Satellite Navigation veröffentlicht wurde, adressiert diese Einschränkung durch die Integration von akustischer Strahlverfolgungstheorie mit adaptiver Filterung, um Schallgeschwindigkeitsstörungen dynamisch zu schätzen und die Navigationsgenauigkeit zu verbessern.
Die Forschung, detailliert in der unter https://doi.org/10.1186/s43020-025-00181-w verfügbaren Studie, konzentriert sich auf die Integration von Strap-down-Inertialnavigationssystemen (SINS) und Ultra-Short-Baseline-Systemen (USBL), die häufig für die Unterwassernavigation verwendet werden, da Satellitensignale nicht in Meerwasser eindringen können. Die Navigationspräzision nimmt typischerweise mit Tiefe und Entfernung ab, aufgrund ungleichmäßiger Schallgeschwindigkeit, die sich mit Temperatur, Salzgehalt und Druck über Zeit und Tiefe ändert. Traditionelle Korrekturmethoden basieren auf statischen Leitfähigkeits-Temperatur-Tiefen-Messungen (CTD) oder empirischen Modellen, die sich nicht an Echtzeitbedingungen anpassen können, was zu brechungsbedingten Laufzeit- und Winkelfehlern führt, die sich während Langzeitmissionen akkumulieren.
Die neue Methode modelliert zeitliche SSP-Variabilität mittels akustischer Strahlverfolgung und wendet einen adaptiven zweistufigen Informationsfilter an, um gemeinsam Schallgeschwindigkeitsstörungen zu schätzen und USBL-Ausreißer zu identifizieren. Die Arbeit beginnt mit der Analyse, wie zeitvariable SSP die USBL-Schallausbreitung beeinflusst, indem sie Strahleinfallswinkel und Laufzeit verändert. Basierend auf dem Snelliusschen Brechungsgesetz leitete das Team partielle Differentialbeziehungen zwischen Schallgeschwindigkeitsstörung und horizontalen/vertikalen Verschiebungen ab und konstruierte ein Quasi-Beobachtungsmodell, das die Schätzung von SSP-Störungen durch Differenzen zwischen SINS-abgeleiteter und USBL-gemessener Laufzeit ermöglicht.
Eine zweistufige SSP-Störungsdarstellung trennt die flache Mischungsschicht, die Thermoklinen-Übergangszone und die tiefe isotherme Schicht, was die realistische Schallgeschwindigkeitsverteilung mit der Tiefe widerspiegelt. Zur Fusion von Navigationsdaten entwarfen die Forscher einen adaptiven zweistufigen Informationsfilter (ATI), der SINS, Doppler Velocity Log (DVL), Druckmessgerät (PG) und USBL-Beobachtungen kombiniert. Der Filter aktualisiert Positions-, Geschwindigkeits- und Lagefehler, während er gleichzeitig USBL-Anomalien durch einen Generalized Likelihood Ratio-Test erkennt und die SSP-Schätzung über rekursive kleinste Quadrate verfeinert.
Simulationen mit MVP-erhobenen CTD-Datensätzen zeigten, dass ohne SSP-Korrektur USBL-horizontale Positionsfehler mehrere Meter erreichten. Mit dem vorgeschlagenen Algorithmus sank der RMS-Fehler deutlich. Seetests im Südchinesischen Meer demonstrierten signifikante Verbesserungen, wobei sich die RMS-Position von 0,45 m auf 0,08 m nach Norden und von 0,23 m auf 0,07 m nach Osten verbesserte – eine Präzisionssteigerung von über 80 % unter realen Missionsbedingungen.
Laut den Autoren ist die Echtzeit-SSP-Rekonstruktion entscheidend, um Navigationsdrift in Tiefsee-Akustiksystemen zu adressieren. Traditionelle Navigation hängt oft von statischen Schallgeschwindigkeitsprofilen ab, die während langer Missionen schnell veralten. Das neue Modell integriert physikalische Strahlverfolgung mit adaptiver Filterung, wodurch autonome ferngesteuerte Fahrzeuge (ARVs) Schallgeschwindigkeitsänderungen erfassen und korrigieren können, anstatt auf feste Eingaben angewiesen zu sein. Dieser Ansatz unterstützt Tiefsee-Kartierung, Probenahme und Meeresboden-Ressourcenerkennung, wo präzise Lokalisierung unter dynamischen Umweltbedingungen erforderlich ist.
Das SSP-Korrekturrahmenwerk bietet einen praktischen Weg zu selbstadaptiven Tiefsee-Navigationssystemen. Durch die Verringerung der Abhängigkeit von externen CTD-Erhebungen und die Verbesserung der Widerstandsfähigkeit gegenüber akustischer Verzerrung erhöht es die Navigationsrobustheit während langer Einsätze. Die Methode eignet sich gut für autonome ferngesteuerte Fahrzeuge (ARVs) und autonome Unterwasserfahrzeuge (AUVs), die Meeresbodenkartierung, ökologische Überwachung, Mineralienexploration, Unter-Eis-Routing oder Langstrecken-Autonomiemissionen durchführen. Weitere Entwicklungen könnten maschinelles Lernen basierte SSP-Vorhersage oder multi-sensorische ozeanographische Daten für proaktive Korrektur integrieren. Die Autoren sehen ihr Potenzial, Effizienz und Datenzuverlässigkeit in zukünftiger Tiefseeerkundung und Meeresressourcenbewertung zu verbessern, was einen bedeutenden Fortschritt in der Unterwassernavigationstechnologie darstellt.
