在实际的协同导航工程应用中，仅通过改进滤波算法来提高协同导航精度的作用是有限的，应该同时结合观测量的选取来提高导航精度。根据信息论的理论可知，信息熵表示新量测更新前状态X（k）的不确定性，互信息表示新量测带来的信息量。某个量测对应的互信息越大，也就意味着该量测带来的信息量越大、量测越优，经过量测融合后状态的不确定性越小，协同导航精度越高，即该量测是最大信息量意义上的最优量测。

利用信息熵反应组网中AUV［4］可用的周围观测数据的质量，通过计算信息熵，得到用于协同导航观测数据的互信息，量测的互信息越大，量测越优，即AUV定位的准确度越高，进而建立性能函数用以度量某个量测的价值，就能计算出来组网AUV系统的整个量测的价值，得到一种组网AUV协同导航算法。

卡尔曼滤波算法的思想中对随机变量的描述使用的是概率密度函数，而信息熵正是对随机变量的概率密度函数进行积分计算得到的。协同导航就是需要根据观测量完成对状态量的估计，进行多AUV的协同导航就是要使得状态量估计的不确定性的减小量最大，也就是需要信息熵的减少量达到最大，就是互信息达到最大。可以通过建立一定的性能函数对所获取的观测量进行筛选，挑选一定数量性能较高的量测进行协同导航解算。

在n个AUV组成的组网中，对于任意AUVi，i＝1～n，由信息熵定义可知，在k时刻新息到来之前，其信息熵为：

在新息到来后，其信息熵为：(www.daowen.com)

其互信息为：

由式可知N维高斯随机序列信源的信息熵为：

假设AUV的状态变量服从高斯分布，则AUV的互信息为：