Исследователи предлагают DVL-DeepONet, фреймворк глубокого нейронного оператора, руководствующийся физическими законами и предназначенный для улучшения навигации автономных подводных аппаратов (AUV) в условиях ухудшения работы датчиков. Система решает проблемы, возникающие из-за зашумленных или неполных измерений доплеровских логов скорости (DVL), а также отсутствия инерциальных датчиков на недорогих платформах. Она оценивает векторы скорости в трех рабочих сценариях: оценка, устойчивая к шуму, при использовании связанных датчиков; обучение только по данным DVL; и восстановление лучевых измерений. Сопоставляя временные наблюдения со скоростью аппарата и накладывая ограничения физической согласованности, модель сохраняет устойчивость во время внешних возмущений. Фреймворк был проверен с помощью реальных экспериментов на AUV, охватывающих суммарную длину пути около 10 000 метров. Экспериментальные результаты показывают, что архитектуры DVL-DeepONet превосходят базовые алгоритмы, основанные на моделях и на обучении, на 40%.