面对不完整的 DVL 测量的数据驱动策略
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
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
本文介绍了 Autonomous Surface Vehicles (ASV) 的现状和使用，重点探讨了 ASV 与 Deep Learning 方法的实现，以及其在海事操作中的挑战和未来研究方向。
Oct, 2022
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
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
该研究论文介绍了一种应对极端海洋条件中目标物跟踪的自主视觉导航框架，该框架利用生成对抗网络（GAN）和 YOLOv5 目标检测器对视觉特征进行处理，并在沙尘暴和雾等极端能见度受限条件下进行了充分测试，结果表明该方案在多个指标上优于现有方法。
Aug, 2023
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