1. 海洋无人装备多源数据统一时间基准构建

为什么异步采集的数据不能直接合并

无人艇、水下机器人（ROV/AUV）和浮标通常各自独立采集：无人艇的 GPS 以 1 Hz 输出、IMU 以 50 Hz 输出，ROV 的深度传感器采样间隔不均匀（约 0.5~2 s 抖动），浮标则可能每 10 min 上报一次。这些数据流的起始时刻、采样周期、时钟漂移都不同，直接按行拼接会把不同物理时刻的观测混在一起。统一时间基准的任务就是：把每条流映射到同一时间轴，并在需要对齐的时刻上给出可解释的取值。

时间基准构建的三个关键动作

• 时间戳归一化：把各设备的本地时间（可能带时区、可能是相对上电的秒计数）统一换算为 UTC 的 Unix 时间戳（秒或毫秒）。
• 时钟偏差估计：用共同事件（如同时记录到的 GPS 秒脉冲、同一时刻的投放/回收动作）估计各设备时钟相对基准时钟的偏移量，并做线性修正。
• 重采样到统一网格：选定一个基准采样率（如 1 Hz），对每条流在网格时刻上取值：低频流用插值，高频流用区间聚合（均值/最近值），并标记外推区间。

用 Python 完成对齐与重采样

下面用 pandas 实现上述流程。示例数据为教学构造：三条流各自带不同的时钟偏移，其中 ROV 深度采样间隔不均匀，浮标只有两个上报点，用于演示外推标记。

import numpy as np
import pandas as pd

# ---------- 1. 构造示例异步数据（教学用，非实测） ----------
rng = np.random.default_rng(7)

# 无人艇 GPS：1 Hz，本地时钟 t0=0
gps_t = np.arange(0, 5, 1.0)
gps = pd.DataFrame({"t_local": gps_t,
                    "lat": 30.0 + 0.001 * gps_t})

# 无人艇 IMU：50 Hz，时钟漂移 +0.3 s
imu_t = np.arange(0, 5, 0.02) + 0.3
imu = pd.DataFrame({"t_local": imu_t,
                    "roll": 2.0 * np.sin(2 * np.pi * 0.5 * imu_t)})

# ROV 深度：间隔 0.5~2 s 抖动，时钟 -0.8 s
rov_t = np.cumsum(rng.uniform(0.5, 2.0, size=6)) - 0.8
rov = pd.DataFrame({"t_local": rov_t,
                    "depth": 10 + 3 * np.sin(rov_t)})

# 浮标：10 min 上报，时钟 +2.0 s（示例中压缩到 0 和 4 s 两点）
buoy = pd.DataFrame({"t_local": [2.0, 6.0],
                     "sst": [18.2, 18.4]})

# ---------- 2. 时钟偏差修正（已知偏移量，实际用共同事件估计） ----------
clock_offset = {"gps": 0.0, "imu": 0.3, "rov": -0.8, "buoy": 2.0}
for name, df in [("gps", gps), ("imu", imu), ("rov", rov), ("buoy", buoy)]:
    df["t_utc"] = df["t_local"] - clock_offset[name]

# ---------- 3. 重采样到 1 Hz 统一网格 ----------
grid = pd.DataFrame({"t_utc": np.arange(0, 5, 1.0)})

def resample(df, col, method):
    s = df.set_index("t_utc")[col].sort_index()
    if method == "interp":
        out = s.reindex(s.index.union(grid["t_utc"])).interpolate("time")
        out = out.reindex(grid["t_utc"])
        out = out.where(grid["t_utc"].between(s.index.min(), s.index.max()))
    elif method == "mean":
        out = s.resample("1s").mean().reindex(grid["t_utc"])
    elif method == "ffill":
        out = s.reindex(s.index.union(grid["t_utc"])).ffill().reindex(grid["t_utc"])
        out = out.where(grid["t_utc"].between(s.index.min(), s.index.max()))
    return out

grid["lat"]   = resample(gps,  "lat",   "interp")
grid["roll"]  = resample(imu,  "roll",  "mean")
grid["depth"] = resample(rov,  "depth", "interp")
grid["sst"]   = resample(buoy, "sst",   "ffill")

print(grid.round(3))

运行后得到 5 行 1 Hz 网格数据。注意 sst 列在 t=0 和 t=4 处为 NaN，因为浮标首个上报点在修正后为 t=0，末个上报点在 t=4，超出区间即被标记为不可用，而不是被静默外推。

关键事件同步性验证

假设下潜指令在基准时钟 t=2.0 s 发出，各设备应在此刻附近记录到对应响应。验证方法是：在统一网格上取 t=2.0 s 的邻域，检查各流是否都有有效值，并计算各流最近有效采样点与事件时刻的残差。

event_t = 2.0
tol = 1.0  # 允许 1 个采样周期

for name, df in [("gps", gps), ("imu", imu), ("rov", rov), ("buoy", buoy)]:
    idx = (df["t_utc"] - event_t).abs().idxmin()
    residual = abs(df.loc[idx, "t_utc"] - event_t)
    status = "OK" if residual <= tol else "超差"
    print(f"{name:5s} 最近点 t={df.loc[idx,'t_utc']:.2f}s 残差={residual:.2f}s {status}")

判读标准：残差不超过 1 个基准采样周期（此处 1 s）视为同步；若某流残差超差，说明该流在事件附近存在数据缺口或时钟修正不足，需要回到第②步重新估计偏移量。外推点占比超过 5% 时，应降低该流在后续分析中的权重或改用更高频的替代源。