autonomous underwater vehicle
PulseAugur coverage of autonomous underwater vehicle — every cluster mentioning autonomous underwater vehicle across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
推出新的光声数据集用于海洋栖息地测绘
研究人员推出了 BenthiCat，这是一个新颖的光声数据集，旨在推进用于底栖分类和海洋栖息地测绘的机器学习。该数据集包括约一百万个侧扫声纳图块、测深图和共配准的光学图像，其中超过 36,000 个声纳图块经过手动标注用于监督学习。该资源旨在克服海洋科学中带标注数据稀缺的问题，促进用于自主海底分类和多传感器集成的自监督和跨模态表示学习。
-
新的MARL框架增强了隐蔽约束下的AUV协作
本文介绍了感知信息价值实现多智能体强化学习（SVR-MARL）框架，该框架专为多自主水下航行器（AUV）的协作任务设计。该框架解决了水下环境中感知能力有限和通信风险的挑战，因为主动感知和声学通信会增加暴露的风险。SVR-MARL旨在通过学习考虑实际通信约束和感知信息效用的分布式策略来优化协作任务效率，并在协作定位和跟踪的案例研究中进行了演示。
-
新AI框架增强AUV浮游生物分类鲁棒性
研究人员开发了一个新的鲁棒性验证框架，用于自主水下航行器（AUV）上监测浮游生物的AI分类器。该框架利用可达性分析和连续时间神经常微分方程（neural ODE）模型，并与SilCam成像系统集成。其目标是通过提供模型在环境噪声和模糊数据下的稳定性的形式化保证，来提高基于AUV的浮游生物监测的可靠性，从而减少海洋生物学家手动验证的需求。
-
新校准方法在无GNSS情况下提升AUV导航精度
研究人员开发了一种信息辅助校准（IAC）方法，以提高自主水下航行器（AUV）多普勒计程仪（DVL）测量的准确性。这种新方法在有GNSS信号的环境中增强了传统的基于卡尔曼滤波器的校准，实现了高达20%的改进。至关重要的是，IAC还实现了无GNSS的DVL自校准，这对于在信号受限区域的操作至关重要，速度矢量估计的改进高达35%。
-
新框架利用海试数据模拟AUV机动
研究人员开发了一种新的微分复合逼近框架，用于利用海试数据对自主水下航行器（AUV）的机动进行建模。该框架联合校准多项式基分量和数据自适应分量，从而能够更准确地预测AUV行为。采用具有灵敏度感知机制的基于梯度的协同校准方法和神经网络残差分量进行预测。该系统还包含一个用于估计和补偿洋流影响的程序，以改进学习目标。使用7米AUV的海试数据进行的评估表明，与现有方法相比，轨迹和速度预测得到了改进。
-
AI生成流场以实现更快的3D水下导航
研究人员开发了一种新颖的3D水下路径规划方法，通过使用生成流场代理，特别是条件生成对抗网络（cGAN）。这些cGAN，包括PatchGAN和具有自注意力机制的2D3DGAN，可以替代计算成本高昂的雷诺平均纳维-斯托克斯（RANS）模拟。生成模型能够快速合成复杂的流场体积，从而实现自主水下航行器（AUVs）的实时路径规划。该方法显著降低了能源消耗，并避免了高速尾流的遭遇，为海上机器人提供了实用的解决方案。
-
五角大楼寻求紧凑、快速部署的自主潜艇以获得战略优势
美国国防部高级研究计划局（DARPA）已启动“深思”（Deep Thoughts）项目，旨在开发能够达到全海洋深度的紧凑、经济高效的自主水下航行器（AUV）。该计划力求通过材料、制造和设计的进步，显著减小这些深海系统的尺寸、成本和开发时间。该项目寻求新颖的子系统架构和制造技术方法，以实现快速设计和集成，其明确目标是通过响应迅速且可扩展的深海接入来提供战略优势。