Los Vehículos Submarinos Autónomos (AUV) dependen de sistemas de navegación integrados y algoritmos de filtrado correspondientes para garantizar el éxito de la misión y la precisión espaciotemporal de los datos muestreados. Entre estos, el filtro de Kalman en conjunto (EnKF) combina métodos de Monte Carlo con el filtro de Kalman, que es particularmente adecuado para sistemas no lineales. Este estudio propone un algoritmo EnKF adaptativo mejorado para mejorar la suavidad y precisión del proceso de filtrado. En lugar de la distribución gaussiana convencional, este algoritmo emplea una distribución de Laplace para construir los conjuntos de vectores de estado del sistema y de observación, mejorando la estabilidad frente al ruido no gaussiano. Además, el algoritmo ajusta dinámicamente el número de miembros del vector en el conjunto utilizando mecanismos adaptativos al especificar umbrales durante el filtrado para adaptarse a los requisitos de los entornos de observación del mundo real. Utilizando datos de ensayos de campo de mediciones de DVL, GPS y brújula electrónica, optimizamos la configuración de parámetros del algoritmo y evaluamos el rendimiento general del algoritmo. Los resultados indican que el EnKF adaptativo propuesto logra una precisión y suavidad superiores. En comparación con el EnKF y EKF convencionales, no solo reduce el error de posicionamiento promedio en un 30% y un 44%, respectivamente, sino que también mejora significativamente la suavidad y estabilidad del filtrado, destacando sus ventajas para la navegación de AUV.