Os sistemas de navegação para AUVs (Autonomous Underwater Vehicles) são comumente constituídos pela combinação de dados de múltiplos sensores. A fusão sensorial otimiza as estimativas de trajetória durante uma manobra através do uso das medições dos sensores embarcados no veículo, de modo a garantir a precisão, desempenho e estabilidade do sistema. Dentre as técnicas utilizadas para a combinação de dados, o filtro de Kalman destaca-se na navegação de AUVs apesar da complexidade em estabelecer uma sintonia adequada de alguns de seus parâmetros, como as matrizes de covariância de ruídos de processo e de medição. Neste trabalho, é apresentada uma revisão bibliográfica sobre as técnicas de navegação para AUVs, bem como a proposta de um sistema de navegação composto pela fusão sensorial entre os dados dos sensores inerciais, sensor de velocidade por efeito Doppler e um sensor de profundidade através da abordagem indireta do filtro de Kalman, conhecida como Error-State Kalman Filter. A implementação do filtro é realizada considerando a eletrônica embarcada em um AUV desenvolvido pelo LVNT da USP, portanto teve que considerar as limitações de hardware, como processamento e memória, seguindo uma abordagem conhecida como Sequential Measurement Update. Além disso, são apresentadas duas abordagens para a sintonia das matrizes Q e R do filtro de Kalman, realizando as análises e validações combinando diferentes cenários. Dentre as abordagens tratadas, considera-se ainda os aspectos estatísticos dos sensores como critérios para sintonia com a caracterização de ruídos pela técnica de Variância de Allan. Por fim, os testes são realizados com dados obtidos em campo através de uma plataforma de testes para a investigação de AUVs.

Navigation systems for Autonomous Underwater Vehicles (AUVs) commonly rely on the combination of data from multiple sensors. Sensor fusion optimizes trajectory estimates during a maneuver by using the measurements of the vehicles on-board sensors, ensuring the accuracy, performance, and stability of the system. The Kalman filter technique is a commonly used technique for combining data in AUV navigation, a difficulty of this method is the correct tuning of some of its parameters, such as the covariance matrices of process and measurement noises. This work presents a comprehensive review of navigation techniques for AUVs, along with a proposal of a navigation system composed by fusing the data from inertial sensors, Doppler velocity Log sensor and a depthmeter sensor by indirect implementation of Kalman filter, namely Error-State Kalman Filter, is performed. The filter is implemented considering the embedded electronics in an AUV developed by the LVNT at USP, therefore the hardware limitations, such as processing and memory, were considered, using the approach known as Sequential Measurement Update. Two approaches for tuning the Q and R matrices of the Kalman filter are also presented, performing analysis and validation in different scenarios. The approaches treated consider the statistical aspects of the sensors as criteria for tuning with noise characterization by Allans Variance technique. Finally, tests are performed with data obtained in experimental tests through a test platform for the investigation of AUVs.