論文の概要: LiBeamsNet: AUV Velocity Vector Estimation in Situations of Limited DVL Beam Measurements

• arxiv url: http://arxiv.org/abs/2210.11572v1
• Date: Thu, 20 Oct 2022 20:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:05:51.752387
• Title: LiBeamsNet: AUV Velocity Vector Estimation in Situations of Limited DVL Beam Measurements
• Title（参考訳）: libeamsnet: 限られたdvlビーム測定条件下でのauv速度ベクトル推定
• Authors: Nadav Cohen and Itzik Klein
• Abstract要約: 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。
• 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 (AUVs) are employed for marine applications and can operate in deep underwater environments beyond human reach. A standard solution for the autonomous navigation problem can be obtained by fusing the inertial navigation system and the Doppler velocity log sensor (DVL). The latter measures four beam velocities to estimate the vehicle's velocity vector. In real-world scenarios, the DVL may receive less than three beam velocities if the AUV operates in complex underwater environments. In such conditions, the vehicle's velocity vector could not be estimated leading to a navigation solution drift and in some situations the AUV is required to abort the mission and return to the surface. To circumvent such a situation, in this paper we propose a deep learning framework, LiBeamsNet, that utilizes the inertial data and the partial beam velocities to regress the missing beams in two missing beams scenarios. Once all the beams are obtained, the vehicle's velocity vector can be estimated. The approach performance was validated by sea experiments in the Mediterranean Sea. The results show up to 7.2% speed error in the vehicle's velocity vector estimation in a scenario that otherwise could not provide an estimate.
• Abstract（参考訳）: 自律型水中車両(AUV)は海洋用途に使用され、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(DVL)を融合させることにより、自律ナビゲーション問題の標準解を得ることができる。 後者は、車両の速度ベクトルを推定するために4つのビーム速度を測定する。 現実のシナリオでは、AUVが複雑な水中環境で動作すれば、DVLは3つ未満のビーム速度を受ける可能性がある。 このような状況下では、車両の速度ベクトルは航法ソリューションのドリフトにつながると推定できず、いくつかの状況では、AUVはミッションを中止して地表に戻る必要がある。 そこで本稿では,この状況を回避するために,慣性データと部分ビーム速度を利用して,欠落ビームを2つの欠落ビームシナリオで後退させるディープラーニングフレームワークlibeamsnetを提案する。 すべてのビームが得られたら、車両の速度ベクトルを推定することができる。 アプローチ性能は地中海での海上実験によって検証された。 結果は車両の速度ベクトル推定では7.2%の速度誤差を示しており、それ以外は推定できない。

関連論文リスト

• 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)
• Data-Driven Strategies for Coping with Incomplete DVL Measurements [15.619053656143564]
  現実のシナリオでは、不完全なドップラー速度測定が行われ、位置決めエラーやミッション中止が発生する。 本稿では,LiBeamsNetとMissBeamNetの2つの最先端ディープラーニング手法の比較分析を行った。 両ディープラーニングアーキテクチャは,速度予測精度が16%以上向上した。
  論文  参考訳（メタデータ） (2024-01-28T10:17:36Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• 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)
• BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation [12.572597882082054]
  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。
  論文  参考訳（メタデータ） (2022-06-27T19:38:38Z)
• 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)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。