論文の概要: AI-Aided Advancements in Autonomous Underwater Vehicle Navigation

• arxiv url: http://arxiv.org/abs/2605.04672v1
• Date: Wed, 06 May 2026 09:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.744617
• Title: AI-Aided Advancements in Autonomous Underwater Vehicle Navigation
• Title（参考訳）: 自律型水中車両ナビゲーションにおけるAI支援の進歩
• Abstract要約: この章では、AI支援のAUV測位における最近の進歩について説明する。 これは、慣性航法システムとドップラー速度ログとカメラを統合する高度なセンサー融合アーキテクチャに焦点を当てている。 自律的な水中ミッションに不可欠な高精度ナビゲーションを実現するためのロードマップを提供する。
• 参考スコア（独自算出の注目度）: 6.202287437363587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous underwater vehicles (AUVs) have become indispensable for deep-sea exploration, spanning critical scientific research and commercial applications. The rapid attenuation of electromagnetic waves renders satellite radio signals unavailable, while the dynamic unpredictability of the marine environment presents formidable navigation challenges. This chapter explores recent advancements in AI-aided AUV positioning, specifically focusing on advanced sensor fusion architectures that integrate inertial navigation systems with Doppler velocity logs and cameras. Beyond traditional model-based filtering, we examine the transformative emergence of AI-driven learning approaches in enhancing inertial dead-reckoning tasks and adaptive fusion algorithms. By addressing these recent milestones, this chapter provides a comprehensive roadmap for achieving the high-precision navigation essential for autonomous underwater missions.
• Abstract（参考訳）: 自律型水中車両(AUV)は深海探査に欠かせないものとなり、重要な科学的研究と商業的応用に及んでいる。 電磁波の急速な減衰により、衛星無線信号は利用できないが、海洋環境のダイナミックな予測不可能は、重大な航法課題をもたらす。 この章では、AI支援のAUV位置決めの最近の進歩を取り上げ、特に、慣性ナビゲーションシステムとドップラー速度ログとカメラを統合する高度なセンサー融合アーキテクチャに焦点を当てている。 従来のモデルベースフィルタリング以外にも、慣性的デッドレコンタスクと適応的融合アルゴリズムの強化におけるAI駆動学習アプローチの変革的出現について検討する。 最近のマイルストーンに対処することによって、この章は、自律的な水中ミッションに不可欠な高精度ナビゲーションを達成するための包括的なロードマップを提供する。

関連論文リスト

• AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
  視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。 無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。 本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
  論文  参考訳（メタデータ） (2026-02-10T11:08:07Z)
• Radar-Inertial Odometry For Computationally Constrained Aerial Navigation [0.7310043452300737]
  本稿では,IMUとレーダの情報を融合するために,レーダ・慣性オドメトリー(RIO)アルゴリズムを提案する。 本研究では, 深層学習の進歩を活かして, スパース・ノイズの多いレーダ点雲中の3次元点対応を検索する方法を示す。
  論文  参考訳（メタデータ） (2026-02-04T15:03:26Z)
• A brain-inspired information fusion method for enhancing robot GPS outages navigation [5.430077228813539]
  低コスト慣性航法システム(INS)は、センサバイアスや測定ノイズの傾向が強い。 本稿では、スパイキングニューラルネットワーク(SNN)に基づく脳誘発GPS/INS融合ネットワーク(BGFN)を提案する。
  論文  参考訳（メタデータ） (2026-01-13T06:02:17Z)
• DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
  DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。 我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-28T04:46:13Z)
• Deep-Sea A*+: An Advanced Path Planning Method Integrating Enhanced A* and Dynamic Window Approach for Autonomous Underwater Vehicles [1.3807821497779342]
  深海環境における極度の環境は、水中での作戦に重大な課題をもたらす。 改良されたA*アルゴリズムと動的ウィンドウアプローチ(DWA)を統合した高度な経路計画手法を提案する。 提案手法は,経路の滑らかさ,障害物回避,リアルタイム性能の観点から,従来のA*アルゴリズムを超越した手法である。
  論文  参考訳（メタデータ） (2024-10-22T07:29:05Z)
• Long-distance Geomagnetic Navigation in GNSS-denied Environments with Deep Reinforcement Learning [62.186340267690824]
  既存の地磁気航法の研究は、事前保存された地図や広範囲な探索に依存しており、探索されていない地域での適用性や航法効率の低下に繋がる。 本稿では,特に長距離地磁気航法における深部強化学習(DRL)に基づくメカニズムについて述べる。 設計されたメカニズムは、プリストアドマップや広範囲で高価な探索アプローチではなく、地磁気ナビゲーションのための磁気受容能力を学ぶようにエージェントを訓練する。
  論文  参考訳（メタデータ） (2024-10-21T09:57:42Z)
• FH-DRL: Exponential-Hyperbolic Frontier Heuristics with DRL for accelerated Exploration in Unknown Environments [1.8749305679160366]
  本稿では、FH-DRLという、フロンティア検出のためのカスタマイズ可能な機能と、連続的かつ高速なローカルナビゲーションのためのTwin Delayed DDPG(TD3)エージェントを統合する新しいフレームワークを紹介する。 FH-DRLを複数のシミュレーションおよび実世界のシナリオで徹底的に評価し,旅行距離と完了時間の明確な改善を実証した。 その結果、FH-DRLは、大規模または部分的に知られている環境におけるフロンティアベースの探索の効率的で一般的なアプローチであることがわかった。
  論文  参考訳（メタデータ） (2024-07-26T17:42:18Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Survey of Deep Learning for Autonomous Surface Vehicles in the Marine Environment [15.41166179659646]
  今後数年以内に、幅広い用途で利用できる高度な自動運転技術が提供される予定だ。 本稿では,ASV関連分野におけるディープラーニング(DL)手法の実装に関する既存研究について検討する。
  論文  参考訳（メタデータ） (2022-10-16T08:46:17Z)
• Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review [0.0]
  無人航空機(Unmanned Aerial Vehicle, UAV)は、荷物の配達、交通監視、捜索・救助活動、軍事戦闘など、様々な用途で使用されている。 これらのアプリケーションすべてにおいて、UAVは、ヒューマンインタラクションなしで環境を自律的にナビゲートし、特定のタスクを実行し、障害を避けるために使用される。 本研究は、まずUAVナビゲーションタスクを特定し、ナビゲーションフレームワークとシミュレーションソフトウェアについて議論する。 次に、異なるUAVナビゲーション問題における環境、アルゴリズムの特徴、能力、応用に基づいてRLアルゴリズムを分類、議論する。
  論文  参考訳（メタデータ） (2022-08-25T20:04:11Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)

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。