자율 수중 이동체 (AUVs)는 항법을 위해 관성 센서와 도플러 속도 로그 (DVLs)의 융합에 크게 의존합니다. 표준 자율 항법 시스템에서 DVL은 4개의 빔 속도를 측정하여 AUV 속도 벡터의 추정을 가능하게 합니다. 그러나 실제 임무 수행 중에는 해양 장애물, 해저 반사 또는 환경적 교란으로 인해 DVL이 노이즈가 섞이거나 불완전한 빔 측정값을 받을 수 있습니다. 또한, 시스템 복잡성과 비용을 줄이기 위해 일부 저가형 수중 플랫폼은 관성 센서 없이 작동하기도 합니다. 이러한 경우, 실제 빔 누락 시나리오에서 AUV 속도 벡터를 신뢰성 있게 추정하는 것은 어려워지며, 이는 항법 솔루션의 성능 저하로 이어집니다. 이러한 문제를 우회하고 탄력적인 수중 항법을 가능하게 하기 위해, 우리는 세 가지 변형 모델을 포함하는 물리 가이드 기반 심층 신경 연산자 (deep neural operator) 프레임워크인 DVL-DeepONet을 제안합니다. 제안된 모델들은 다음과 같은 다양한 운영 시나리오 하에서 DVL 기반 속도 정보를 추정하도록 설계되었습니다: (i) 결합된 관성/DVL 측정에서의 노이즈 탄력적 추정, (ii) DVL 전용 학습, (iii) 빔 측정 복구. 일관성 제약 조건 (consistency constraint)을 통해 DVL 측정 물리 법칙을 강제하는 동시에, 시간적 관성/DVL 관측값을 차량 속도로 직접 매핑하는 비선형 연산자 (nonlinear operator)를 학습함으로써, 제안된 접근 방식은 센싱 조건이 저하된 상황에서도 강건한 속도 추정을 가능하게 합니다. 제안된 프레임워크는 약 10,000m의 누적 경로 길이를 포함하는 실제 AUV 실험을 통해 검증되었습니다. 실험 결과, 제안된 DVL-DeepONet 아키텍처는 기존의 모델 기반 접근 방식 및 학습 기반 알고리즘보다 40% 더 우수한 성능을 보여주었습니다.