論文の概要: AUV Acceleration Prediction Using DVL and Deep Learning

• arxiv url: http://arxiv.org/abs/2503.16573v1
• Date: Thu, 20 Mar 2025 09:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:55:53.990341
• Title: AUV Acceleration Prediction Using DVL and Deep Learning
• Title（参考訳）: DVLとディープラーニングを用いたAUV加速予測
• Authors: Yair Stolero, Itzik Klein,
• Abstract要約: 本稿では,過去のDVL速度測定に基づいて,AUV加速ベクトルを推定するエンド・ツー・エンドのディープラーニング手法を提案する。 海洋実験から得られたデータをもとに,提案手法は加速ベクトル推定を65%以上改善することを示した。
• 参考スコア（独自算出の注目度）: 2.915868985330569
• License:
• Abstract: Autonomous underwater vehicles (AUVs) are essential for various applications, including oceanographic surveys, underwater mapping, and infrastructure inspections. Accurate and robust navigation are critical to completing these tasks. To this end, a Doppler velocity log (DVL) and inertial sensors are fused together. Recently, a model-based approach demonstrated the ability to extract the vehicle acceleration vector from DVL velocity measurements. Motivated by this advancement, in this paper we present an end-to-end deep learning approach to estimate the AUV acceleration vector based on past DVL velocity measurements. Based on recorded data from sea experiments, we demonstrate that the proposed method improves acceleration vector estimation by more than 65% compared to the model-based approach by using data-driven techniques. As a result of our data-driven approach, we can enhance navigation accuracy and reliability in AUV applications, contributing to more efficient and effective underwater missions through improved accuracy and reliability.
• Abstract（参考訳）: 自律型水中車両(AUV)は、海洋調査、水中マッピング、インフラ検査など、様々な用途に欠かせない。 これらのタスクを完了させるには、正確で堅牢なナビゲーションが不可欠だ。 この目的のために、ドップラー速度ログ(DVL)と慣性センサを融合させる。 近年、モデルに基づくアプローチにより、DVL速度測定から車両加速ベクトルを抽出できることが実証された。 本稿では, 過去のDVL速度測定に基づいて, AUV加速ベクトルを推定するエンド・ツー・エンドのディープラーニング手法を提案する。 海洋実験から得られたデータをもとに,提案手法は,データ駆動手法によるモデルベース手法と比較して,加速度ベクトル推定を65%以上改善することを示した。 データ駆動型アプローチにより、AUVアプリケーションのナビゲーション精度と信頼性を高め、精度と信頼性を向上させることにより、より効率的で効果的な水中ミッションに寄与する。

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)
• A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
  様々な動物が環境の手がかりを使って正確なナビゲーションをしている。 動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。 提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
  論文  参考訳（メタデータ） (2024-02-06T13:20:56Z)
• 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)
• 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)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• 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)
• 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。