Fugu-MT 論文翻訳(概要): Seamless Underwater Navigation with Limited Doppler Velocity Log Measurements

論文の概要: Seamless Underwater Navigation with Limited Doppler Velocity Log Measurements

arxiv url: http://arxiv.org/abs/2404.13742v1
Date: Sun, 21 Apr 2024 18:56:54 GMT
ステータス: 処理完了
システム内更新日: 2024-04-23 17:42:20.314304
Title: Seamless Underwater Navigation with Limited Doppler Velocity Log Measurements
Title（参考訳）: ドップラー速度測定を限定したシームレス水中航法
Authors: Nadav Cohen, Itzik Klein,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.221163846643607
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous Underwater Vehicles (AUVs) commonly utilize an inertial navigation system (INS) and a Doppler velocity log (DVL) for underwater navigation. To that end, their measurements are integrated through a nonlinear filter such as the extended Kalman filter (EKF). The DVL velocity vector estimate depends on retrieving reflections from the seabed, ensuring that at least three out of its four transmitted acoustic beams return successfully. When fewer than three beams are obtained, the DVL cannot provide a velocity update to bind the navigation solution drift. To cope with this challenge, in this paper, we propose a hybrid neural coupled (HNC) approach for seamless AUV navigation in situations of limited DVL measurements. First, we drive an approach to regress two or three missing DVL beams. Then, those beams, together with the measured beams, are incorporated into the EKF. We examined INS/DVL fusion both in loosely and tightly coupled approaches. Our method was trained and evaluated on recorded data from AUV experiments conducted in the Mediterranean Sea on two different occasions. The results illustrate that our proposed method outperforms the baseline loosely and tightly coupled model-based approaches by an average of 96.15%. It also demonstrates superior performance compared to a model-based beam estimator by an average of 12.41% in terms of velocity accuracy for scenarios involving two or three missing beams. Therefore, we demonstrate that our approach offers seamless AUV navigation in situations of limited beam measurements.
Abstract（参考訳）: 自律型水中車両(AUVs)は一般に慣性航法システム(INS)とドップラー速度ログ(DVL)を水中航法に使用している。その目的のために、それらの測定は拡張カルマンフィルタ(EKF)のような非線形フィルタによって統合される。 DVL速度ベクトル推定は海底からの反射の回収に依存し、4つの送信された音響ビームのうち少なくとも3つが正常に帰還することを保証している。 3本未満のビームが得られた場合、DVLはナビゲーションソリューションドリフトをバインドするための速度更新を提供できない。この課題に対処するために,DVLの限られた状況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ネットワーク(HNC)アプローチを提案する。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。そして、測定されたビームとともに、これらのビームをEKFに組み込む。我々は,INS/DVL融合を緩く,密に結合したアプローチで検討した。本手法は,地中海におけるAUV実験から得られた記録データに基づいて,2つの異なるタイミングで評価・評価を行った。その結果,提案手法は平均96.15%でベースラインを緩く,密結合したモデルベースアプローチより優れていた。また、平均12.41%というモデルベースのビーム推定器と比較して、2つまたは3つのビームが欠落したシナリオの速度精度において優れた性能を示す。そこで本手法は,ビーム計測の限られた状況においてシームレスなAUVナビゲーションを実現する。

関連論文リスト

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)
DVL Calibration using Data-driven Methods [3.4447129363520332]
キャリブレーション手順のための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を提案する。提案手法は,モデルの精度が35%,キャリブレーション時間が80%向上することを示した。
論文参考訳（メタデータ） (2024-01-23T11:52:25Z)
RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文参考訳（メタデータ） (2023-12-19T03:39:56Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
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)
Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-06-30T01:44:30Z)
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)
End-to-end Learning for Inter-Vehicle Distance and Relative Velocity Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文参考訳（メタデータ） (2020-06-07T08:18:31Z)
D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry [57.5549733585324]
D3VOは、深度、ポーズ、不確実性推定という3つのレベルでディープネットワークを利用する、単眼の視覚計測のための新しいフレームワークである。まず,ステレオビデオを用いた自己監督型単眼深度推定ネットワークを提案する。入力画像上の画素の光度不確かさをモデル化し、深度推定精度を向上させる。
論文参考訳（メタデータ） (2020-03-02T17:47:13Z)

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。