論文の概要: BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log
Measurements for Autonomous Underwater Vehicle Navigation
- arxiv url: http://arxiv.org/abs/2206.13603v1
- Date: Mon, 27 Jun 2022 19:38:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 15:08:59.392094
- Title: BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log
Measurements for Autonomous Underwater Vehicle Navigation
- Title（参考訳）: beamsnet: ドップラー速度ログ計測を改良した自律水中車両ナビゲーションのためのデータ駆動アプローチ
- Authors: Nadav Cohen and Itzik Klein
- Abstract要約: 本稿では,推定DVL速度ベクトルを回帰するエンドツーエンドのディープラーニングフレームワークであるBeamsNetを提案する。
その結果,提案手法はDVL速度ベクトルの推定において60%以上の改善を達成できた。
- 参考スコア（独自算出の注目度）: 12.572597882082054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous underwater vehicles (AUV) perform various applications such as
seafloor mapping and underwater structure health monitoring. Commonly, an
inertial navigation system aided by a Doppler velocity log (DVL) is used to
provide the vehicle's navigation solution. In such fusion, the DVL provides the
velocity vector of the AUV, which determines the navigation solution's accuracy
and helps estimate the navigation states. This paper proposes BeamsNet, an
end-to-end deep learning framework to regress the estimated DVL velocity vector
that improves the accuracy of the velocity vector estimate, and could replace
the model-based approach. Two versions of BeamsNet, differing in their input to
the network, are suggested. The first uses the current DVL beam measurements
and inertial sensors data, while the other utilizes only DVL data, taking the
current and past DVL measurements for the regression process. Both simulation
and sea experiments were made to validate the proposed learning approach
relative to the model-based approach. Sea experiments were made with the Snapir
AUV in the Mediterranean Sea, collecting approximately four hours of DVL and
inertial sensor data. Our results show that the proposed approach achieved an
improvement of more than 60% in estimating the DVL velocity vector.
- Abstract（参考訳）: 自律型水中車両 (AUV) は海底マッピングや水中構造物の健康モニタリングなどの様々な応用を行う。
一般的には、ドップラー速度ログ(DVL)によって補助される慣性ナビゲーションシステムが、車両のナビゲーションソリューションを提供するために使用される。
このような融合において、DVLはAUVの速度ベクトルを提供し、ナビゲーションソリューションの精度を決定し、ナビゲーション状態を推定する。
本稿では,推定DVL速度ベクトルを回帰するエンドツーエンドのディープラーニングフレームワークであるBeamsNetを提案する。
BeamsNetの2つのバージョンは、ネットワークへの入力が異なることを示唆している。
1つは現在のDVLビーム測定と慣性センサーデータを使用し、もう1つはDVLデータのみを使用し、現在のDVL測定と過去のDVL測定を回帰処理に用いた。
シミュレーションと海洋実験は,提案手法をモデルベースアプローチと比較して検証するために行われた。
地中海のSnapir AUVで海洋実験が行われ、約4時間のDVLと慣性センサーのデータが収集された。
その結果,提案手法はDVL速度ベクトルの推定において60%以上の改善を達成できた。
関連論文リスト
- DCNet: A Data-Driven Framework for DVL Calibration [2.915868985330569]
本稿では,2次元畳み込みカーネルを革新的な方法で利用するデータ駆動型フレームワークDCNetを紹介する。
平均精度は70%,キャリブレーション時間は80%向上した。
また, 低コストで高精度なDVLを用いた海洋ロボット工学の新たな応用を開拓した。
論文 参考訳（メタデータ） (2024-10-11T13:47:40Z) - Seamless Underwater Navigation with Limited Doppler Velocity Log Measurements [13.221163846643607]
限られたDVL測定条件下でのシームレスなAUVナビゲーションのためのハイブリッドニューラルカップリング(HNC)手法を提案する。
まず、DVLビームを2つまたは3つ失くすためのアプローチを推進します。
その後、これらのビームは測定されたビームとともに拡張カルマンフィルタ(EKF)に組み込まれる。
論文 参考訳（メタデータ） (2024-04-21T18:56:54Z) - Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied
Scenarios [66.05091704671503]
本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。
また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
論文 参考訳（メタデータ） (2024-02-04T08:41:20Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Set-Transformer BeamsNet for AUV Velocity Forecasting in Complete DVL
Outage Scenarios [10.64241024049424]
本研究では,DVLが完全に停止した場合の現在のAUV速度を抑えるために,Set-Transformer-based BeamsNetを提案する。
本手法は,スナップルAUVを用いて地中海で実施した実験データを用いて評価した。
論文 参考訳（メタデータ） (2022-12-22T13:10:44Z) - LiBeamsNet: AUV Velocity Vector Estimation in Situations of Limited DVL
Beam Measurements [12.572597882082054]
AUVは人間の手の届かない深海環境でも運用できる。
慣性ナビゲーションシステムとドップラー速度ログセンサを融合することにより、自律ナビゲーション問題の標準解を得ることができる。
本稿では、慣性データと部分ビーム速度を利用して不足ビームを回帰する深層学習フレームワークLiBeamsNetを提案する。
論文 参考訳（メタデータ） (2022-10-20T20:17:23Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - A Deep Learning Approach To Dead-Reckoning Navigation For Autonomous
Underwater Vehicles With Limited Sensor Payloads [0.0]
自律型水中車両(AUV)の相対水平速度を予測するためにリカレントニューラルネットワーク(RNN)を開発した。
RNNネットワークは、ドップラー速度ロガー(DVL)が地上の真理速度を提供する実験データを用いて訓練される。
相対速度の予測は、北と東の位置を近似するデッドレコンディングアルゴリズムで実施された。
論文 参考訳（メタデータ） (2021-10-01T21:40:10Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。