Fugu-MT 論文翻訳(概要): DCNet: A Data-Driven Framework for DVL Calibration

論文の概要: DCNet: A Data-Driven Framework for DVL Calibration

arxiv url: http://arxiv.org/abs/2410.08809v2
Date: Mon, 14 Oct 2024 09:47:10 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 21:55:57.976601
Title: DCNet: A Data-Driven Framework for DVL Calibration
Title（参考訳）: DCNet:DVLキャリブレーションのためのデータ駆動フレームワーク
Authors: Zeev Yampolsky, Itzik Klein,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.915868985330569
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autonomous underwater vehicles (AUVs) are underwater robotic platforms used in a variety of applications. An AUV's navigation solution relies heavily on the fusion of inertial sensors and Doppler velocity logs (DVL), where the latter delivers accurate velocity updates. To ensure accurate navigation, a DVL calibration is undertaken before the mission begins to estimate its error terms. During calibration, the AUV follows a complex trajectory and employs nonlinear estimation filters to estimate error terms. In this paper, we introduce DCNet, a data-driven framework that utilizes a two-dimensional convolution kernel in an innovative way. Using DCNet and our proposed DVL error model, we offer a rapid calibration procedure. This can be applied to a trajectory with a nearly constant velocity. To train and test our proposed approach a dataset of 276 minutes long with real DVL recorded measurements was used. We demonstrated an average improvement of 70% in accuracy and 80% improvement in calibration time, compared to the baseline approach, with a low-performance DVL. As a result of those improvements, an AUV employing a low-cost DVL, can achieve higher accuracy, shorter calibration time, and apply a simple nearly constant velocity calibration trajectory. Our results also open up new applications for marine robotics utilizing low-cost, high-accurate DVLs.
Abstract（参考訳）: 自律型水中車両(AUV)は、様々な用途で使用される水中ロボットプラットフォームである。 AUVのナビゲーションソリューションは、慣性センサーとドップラー速度ログ(DVL)の融合に大きく依存している。正確な航法を保証するため、ミッションが始まる前にDVL校正が行われる。キャリブレーション中、AUVは複雑な軌道を辿り、非線形推定フィルタを用いて誤差項を推定する。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。提案するDVLエラーモデルとDCNetを用いて,高速キャリブレーション手法を提案する。これはほぼ一定速度の軌道に適用できる。提案手法のトレーニングと試験には,実DVL記録データを用いた276分間のデータセットを使用した。精度70%,キャリブレーション時間80%の精度向上を,低性能DVLを用いたベースラインアプローチと比較して実証した。これらの改良により、低コストのDVLを使用するAUVは、精度が高く、校正時間が短くなり、簡単なほぼ一定速度校正軌道を適用することができる。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。

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)
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)
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)
Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文参考訳（メタデータ） (2023-06-23T07:01:10Z)
Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文参考訳（メタデータ） (2023-03-25T08:56:21Z)
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)
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)
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)
An Empirical Study of Training End-to-End Vision-and-Language Transformers [50.23532518166621]
我々はMETER(textbfMultimodal textbfEnd-to-end textbfTransformtextbfER)を提案する。具体的には、視覚エンコーダ(例えば、CLIP-ViT、Swin変換器)、テキストエンコーダ(例えば、RoBERTa、DeBERTa)、マルチモーダルフュージョン(例えば、マージアテンション対共振器)である。
論文参考訳（メタデータ） (2021-11-03T17:55:36Z)
Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
論文参考訳（メタデータ） (2020-12-20T11:56:23Z)

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。