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
本研究介绍了一种自适应的 Kalman-fusion 变换器 (A-KIT) 方法,通过学习实时变化的过程噪声协方差矩阵来提高传感器融合的性能,并通过实验表明,相对于传统的 EKF 和基于模型的自适应 EKF,A-KIT 在位置精度上提高了超过 49.5% 和平均 35.4%。
本文提出了一种深度学习框架 LiBeamsNet 来预测缺失的激光速度,并通过对地中海的海上实验验证其性能,实现了 AUV 海底导航的高准确度
Oct, 2022
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。
本文研究非线性状态空间模型中动态状态和动态噪声协方差的联合和递归估计问题,提出了一种基于近似贝叶斯推断原理的非线性状态估计和模型参数识别的递归解决方案。方法基于随机搜索变分推断,通过引入辅助潜变量和优化共轭和非共轭项实现了推断速度和准确度的平衡,通过仿真和实际数据的雷达跟踪应用验证了方法的性能。
May, 2023
利用变分推断学习参数化分析映射,通过估计条件分布对于动态系统的滤波分布,在过滤线性和非线性动态系统中也适用。
Jun, 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
通过将系统状态和噪声参数的联合估计转化为优化问题,提出了一种基于共轭 - 计算变分推理(CVIAKF)的新型自适应卡尔曼滤波器方法,用于近似潜变量的联合后验概率密度函数。与现有的自适应卡尔曼滤波器方法不同的是,CVIAKF 在期望参数空间中进行优化,从而实现更快且更简单的解决方案。同时,CVIAKF 将优化目标分为非线性动力模型的共轭部分和非共轭部分,并分别应用共轭计算和随机镜像下降。值得注意的是,重参数化技巧用于降低非共轭部分的随机梯度方差。通过合成和真实世界的机动目标跟踪数据集验证了 CVIAKF 的有效性。
Dec, 2023
通过主动控制和塑造由旋翼产生的飞行器推进噪声,该论文提出了基于自噪声的已知环境中的定位的神经网络体系结构,通过与学习时间变化的旋翼相位调制相结合的训练,实现了准确和稳健的定位。
Feb, 2024