論文の概要: NAViLoss: An Underwater Navigation-Aware Dual-Residual Objective for Physics-Consistent Learning
- arxiv url: http://arxiv.org/abs/2610.09690v1
- Date: Wed, 07 Oct 2026 08:51:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.812127
- Title: NAViLoss: An Underwater Navigation-Aware Dual-Residual Objective for Physics-Consistent Learning
- Title（参考訳）: NAViLoss:物理一貫性学習のための水中ナビゲーション対応デュアル・レジデンシャル・オブジェクト
- Abstract要約: 本稿では,AUV速度推定のためのナビゲーション・アウェア・ロス(NAViLoss)を提案する。
NAViLossは、ナビゲーション状態領域における速度-推定残差とDVL測定領域におけるビーム-一貫性残差をペナリゼーションする。
その結果,従来の学習ベースラインと比較すると,速度推定精度は44%向上した。
- 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) commonly rely on inertial navigation systems (INS) aided by Doppler velocity logs (DVLs) for reliable underwater navigation. Accurate DVL velocity estimation is therefore essential for successful operation. Recent learning-based methods have demonstrated improved DVL velocity estimation, particularly under degraded measurement conditions. However, their training objectives typically rely on conventional regression losses that are highly sensitive to large residuals and corrupted observations. Additionally, they do not explicitly account for the physical consistency and measurement uncertainty associated with the underlying sensing process. To address these limitations, this paper introduces navigation-aware loss (NAViLoss), a robust and uncertainty-aware objective function for learning-based AUV velocity estimation. NAViLoss jointly penalizes the velocity-estimation residual in the navigation-state domain and the beam-consistency residual in the DVL measurement domain. Its bounded formulation limits the influence of large residuals, while an adaptive mechanism regulates the uncertainty in beam geometry. Furthermore, NAViLoss is integrated with a DeepONet architecture to form a novel NAVi-DeepONet model for seamless estimation of an underwater vehicle's velocity. Lastly, our model is evaluated using approximately 10,000m of semi-synthetic AUV experimental data collected during multiple real-world sea trials. Experimental results demonstrate a 44% improvement in velocity-estimation accuracy compared with conventional and learning-based baselines. These results demonstrate the effectiveness of navigation-aware and uncertainty-adaptive loss design for robust learning-based underwater velocity estimation.
- Abstract（参考訳）: 自律型水中車両(AUV)は一般に、信頼性の高い水中航法のためにドップラー速度記録(DVL)によって支援される慣性航法システム(INS)に依存している。
したがって, 正確なDVL速度推定は動作成功に不可欠である。
近年の学習に基づく手法は, 劣化測定条件下でのDVL速度推定の改善を実証している。
しかし、その訓練目標は通常、大きな残留物や腐敗した観察に非常に敏感な従来の回帰損失に依存している。
さらに、基礎となるセンシングプロセスに関連する物理的一貫性と測定の不確実性は明確に説明していない。
これらの制約に対処するために,AUV速度推定のための頑健かつ不確実性を考慮した目標関数であるナビゲーション・アウェア・ロス(NAViLoss)を導入する。
NAViLossは、ナビゲーション状態領域における速度-推定残差とDVL測定領域におけるビーム-一貫性残差を共同でペナリゼーションする。
その有界な定式化は大きな残留物の影響を制限するが、適応的な機構はビーム幾何学における不確実性を制御する。
さらに、NAViLossはDeepONetアーキテクチャと統合され、水中車両の速度をシームレスに推定する新しいNAVi-DeepONetモデルを形成する。
最後に,複数の実海実験において得られた半合成AUV実験データの約10,000mを用いて,本モデルの評価を行った。
実験の結果,従来の学習ベースラインと比較すると,速度推定精度は44%向上した。
これらの結果は,ロバスト学習に基づく水中速度推定におけるナビゲーション認識と不確実性適応損失設計の有効性を示した。
関連論文リスト
- DVL-DeepONet: A Physics-Guided Operator Learning for Resilient Underwater Navigation [5.5217350574838875]
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。
論文 参考訳（メタデータ） (2026-06-22T15:48:58Z) - Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
原理的不確実性定量化は 能動センシング戦略に不可欠です
Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。
これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
論文 参考訳（メタデータ） (2026-04-07T19:17:44Z) - A DVL Aided Loosely Coupled Inertial Navigation Strategy for AUVs with Attitude Error Modeling and Variance Propagation [17.445456519676636]
水中航法システムでは、ストラップダウン慣性航法システム/ドップラー速度ログ(SINS/DVL)に基づく疎結合アーキテクチャが広く採用されている。
累積姿勢推定誤差は、速度予測にバイアスを導入し、長期動作時のナビゲーション性能を低下させる。
提案手法は, 3次元位置RMSEの78.3%向上と, IMU+DVL法と比較して, 最大成分方向位置誤差の71.8%低減を実現している。
論文 参考訳（メタデータ） (2026-01-27T11:53:33Z) - Video Depth Propagation [54.523028170425256]
既存の手法は単純なフレーム・バイ・フレームの単分子モデルに依存しており、時間的矛盾と不正確な結果をもたらす。
本稿では,オンラインビデオパイプラインを効果的に活用し,深い特徴伝達を行うVeloDepthを提案する。
構造的に時間的整合性を強制し, 連続するフレーム間に安定した深さ予測を行い, 効率を向上する。
論文 参考訳（メタデータ） (2025-12-11T15:08:37Z) - Active Test-time Vision-Language Navigation [60.69722522420299]
ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。
特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。
さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-07T02:24:44Z) - 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) - Gaussian Process Regression for Improved Underwater Navigation [13.221163846643607]
ドップラー速度ログ(DVL)は通常、速度測定によってこのドリフトを緩和するために使用される。
本稿では、DVL速度推定を改善するために、多出力ガウス過程回帰(MOGPR)に基づくデータ駆動方式を提案する。
提案手法を実世界のAUVデータを用いて評価し,LSと最先端のディープラーニングモデルであるBeamsNetと比較した。
論文 参考訳（メタデータ） (2025-02-23T09:13:41Z) - 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) - 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)
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。