LiBeamsNet:有限 DVL 测量情况下的 AUV 速度向量估计
比较分析了 LiBeamsNet 和 MissBeamNet 这两种先进的深度学习方法以及基于模型的平均估计器的有效性,这些方法在两个波束不可用时对于回归丢失的 Doppler 速度日志波束进行了评估。研究发现,这两种深度学习架构的速度预测准确性相比基于模型的方法提高了 16% 以上。
Jan, 2024
在受限制的声束测量情况下,提出了一种用于自主水下航行器(AUV)的混合神经耦合(HNC)方法,通过在扩展卡尔曼滤波器中回归丢失的声束来提供无缝的 AUV 导航,性能优于传统模型方法,实验结果证明了方法的有效性。
Apr, 2024
提出了一个端到端深度学习框架,用于自主水下车辆(AUVs)的校准程序,使用刺激数据表明,相较于基于模型的方法,我们的提议在准确性方面提高了 35%,在所需校准时间方面提高了 80%。
Jan, 2024
在此研究中,我们提出了一种针对海底人造资产稀疏环境设计的自主水下航行器的新型实时声纳全球定位算法。通过利用两种数据解释前端,并在同一声纳数据流中合并这些观测结果,我们的方法在粒子滤波器内加权高概率区域的粒子或解决对称模糊。在模拟环境中进行了初步实验,结果显示出良好的前景。这项工作为将来的方法发展和在实际情况下的全面评估奠定了基础。
May, 2024
本文提出一种基于深度学习的实时自主水下机器人单张图像 6D 相对位姿估计方法,采用基于图像转换的方法进行训练和预测,能够实现对自主水下机器人在不同环境下进行准确位姿的快速估算。
Mar, 2020
通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展,我们提出了一个系统,可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估,展示了在真实条件下的稳定性和实用性。
Aug, 2023
本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法,该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果,并在单 CPU 上获得了高帧率。
Apr, 2023
使用自主水下航行器,特别是在图像分析方面的创新,以提高准确率和效率,彻底改变了我们从海底获得数据的方式。本文总结和比较了 AUV 海底图像处理中最新的进展,涵盖了从计算机和算法进展到传感器和相机的海洋技术领域。通过阅读本文,您将对使用 AUV 处理海床照片的最新技术和工具有扎实的了解,并且了解它们如何进一步提高我们对海底的理解。
Nov, 2023