論文の概要: DVL-DeepONet: A Physics-Guided Operator Learning for Resilient Underwater Navigation
- arxiv url: http://arxiv.org/abs/2606.23502v1
- Date: Mon, 22 Jun 2026 15:48:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 18:40:29.393898
- Title: DVL-DeepONet: A Physics-Guided Operator Learning for Resilient Underwater Navigation
- Title（参考訳）: DVL-DeepONet:レジリエンスな水中航行のための物理誘導演算子学習
- Authors: Arup Kumar Sahoo, Itzik Klein,
- Abstract要約: 物理誘導型ディープニューラルネットワークフレームワークDVL-DeepONetと3つの変種を提案する。
提案手法は実世界のAUV実験を用いて検証され, 累積経路長は約10,000mである。
実験の結果,提案したDVL-DeepONetアーキテクチャはベースラインモデルベースアプローチと学習ベースアルゴリズムを40%上回る性能を示した。
- 参考スコア（独自算出の注目度）: 5.5217350574838875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous Underwater Vehicles (AUVs) rely heavily on the fusion of inertial sensors and Doppler velocity logs (DVLs) for navigation. In standard autonomous navigation systems, the DVL measures four beam velocities, thereby enabling the estimation of the AUV velocity vector. However, during real-world missions, the DVL may receive noisy or incomplete beam measurements due to marine obstacles, seabed reflections, or environmental disturbances. Furthermore, some low-cost underwater platforms operate without inertial sensors to reduce system complexity and cost. In such cases, reliable estimation of the AUV velocity vector in real-world missing beam scenarios becomes challenging, leading to degraded navigation solutions. To circumvent these challenges and enable resilient underwater navigation, we propose DVL-DeepONet, a physics-guided deep neural operator framework along with three variants. The proposed models are designed to estimate DVL-based velocity information under multiple operational scenarios, including (i) noise-resilient estimation in coupled inertial/DVL measurements, (ii) DVL-only learning, and (iii) beam measurement recovery. By learning a nonlinear operator that maps temporal inertial/DVL observations directly to vehicle velocity while enforcing DVL measurement physics through a consistency constraint, the proposed approach enables robust velocity estimation even under degraded sensing conditions. The proposed framework is validated using real-world AUV experiments, comprising a cumulative path length of approximately 10,000 m. Experimental results demonstrate that the proposed DVL-DeepONet architectures outperform baseline model-based approaches and learning-based algorithms by 40%.
- Abstract（参考訳）: 自律型水中車両(AUVs)は、慣性センサーとドップラー速度ログ(DVLs)の融合に大きく依存している。
標準的な自律航法システムでは、DVLは4つのビーム速度を測定するため、AUV速度ベクトルを推定できる。
しかし、実際のミッションの間、DVLは海洋障害、海底反射、環境障害のためにノイズや不完全なビーム測定を受ける可能性がある。
さらに、いくつかの安価な水中プラットフォームは、システムの複雑さとコストを低減するために慣性センサーを使わずに動作している。
このような場合、現実の行方不明ビームシナリオにおけるAUV速度ベクトルの信頼性評価が困難となり、劣化したナビゲーション解が導かれる。
これらの課題を回避し、レジリエントな水中航行を可能にするために、3つの変種と共に物理誘導深層ニューラルネットワークフレームワークであるDVL-DeepONetを提案する。
提案モデルはDVLに基づく速度情報を複数の運用シナリオで推定することを目的としている。
(i)結合慣性/DVL測定における雑音-弾性推定
(二)DVLのみの学習、及び
(三)ビーム計測回収。
時間慣性/DVL観測を直接車両速度にマッピングする非線形演算子を整合性制約によりDVL測定物理を強制することにより,劣化検知条件下においてもロバストな速度推定が可能となる。
提案手法は実世界のAUV実験を用いて検証され, 累積経路長は約10,000mである。
実験の結果,提案したDVL-DeepONetアーキテクチャはベースラインモデルベースアプローチと学習ベースアルゴリズムを40%上回る性能を示した。
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) - FASTopoWM: Fast-Slow Lane Segment Topology Reasoning with Latent World Models [75.28505955393591]
レーンセグメント推論は、総合的な鳥眼ビュー(BEV)ロードシーン理解を提供する。
ストリームベースの時間的伝搬法は,クエリレベルとBEVレベルの両方に時間的手がかりを組み込むことで,有望な結果を示した。
FASTopoWMは、潜在世界モデルで拡張された新しい高速スローレーンセグメント推論フレームワークである。
論文 参考訳（メタデータ） (2025-07-31T08:12:56Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - 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) - AUV Acceleration Prediction Using DVL and Deep Learning [2.915868985330569]
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。
論文 参考訳（メタデータ） (2025-03-20T09:33:47Z) - 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) - 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) - 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) - 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)
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。