Autonomous Underwater Vehicles
PulseAugur coverage of Autonomous Underwater Vehicles — every cluster mentioning Autonomous Underwater Vehicles across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器人学调查报告详细介绍了覆盖路径规划的进展
本文对覆盖路径规划（CPP）进行了全面调查。CPP 是机器人学中的一个基本问题，专注于生成机器人轨迹以实现工作空间的完全覆盖。文章回顾了 2015 年至 2026 年间发表的 125 篇论文，将其分为单机器人、多机器人、3D、约束、基于学习和视觉 CPP。该调查详细介绍了规划公式、算法、优缺点，并讨论了环境知识、工作空间几何和机器人约束。未来的研究方向包括可扩展的在线规划、多机器人协调和增强学习的覆盖。
-
自主水下航行器利用图优化和视觉跟踪进行水下电缆检查
研究人员开发了一种新的方法，用于自主水下航行器（AUV）搜索和跟踪水下电缆。水下电缆对全球通信至关重要，但容易受到损坏。该系统使用不确定的先验电缆路线图和基于图的优化方法，该方法根据视觉观测不断更新电缆路线。基于物理的悬链线模型约束搜索空间，提高了效率，而实时半监督分类器则检测电缆。该方法在现场试验中成功得到验证，使 AUV 能够在初始地图错误的情况下定位电缆并检查其大部分区域，甚至从跟踪丢失中恢复。
-
新的物理引导AI增强水下航行器导航
研究人员开发了DVL-DeepONet，一个新颖的物理引导深度神经网络算子框架，旨在提高水下导航系统的弹性。该框架解决了自主水下航行器（AUV）在DVL传感器提供嘈杂或不完整数据，或惯性传感器缺失时面临的挑战。DVL-DeepONet学习将时间传感器观测直接映射到航行器速度，强制执行物理约束，以确保在传感条件下降的情况下也能进行鲁棒估计。来自覆盖约10,000米的真实世界AUV任务的实验结果表明，DVL-DeepONet在性能上比现有…
-
深度强化学习系统实现水下航行器端到端运动规划
研究人员开发了一个面向自主水下航行器（AUVs）的端到端深度强化学习系统，该系统可将原始传感器数据直接映射到推进器指令。这种分层方法将任务分解为高级目标生成和低级指令执行，并使用RLPD和SAC with HER等方法进行训练。在模拟环境中进行评估，该系统在避障方面表现有效，并且对传感器噪声具有鲁棒性，但在泛化到新颖障碍物形状方面显示出局限性。
-
多智能体强化学习高效测绘河流羽流
研究人员开发了一种新颖的多智能体强化学习方法，用于河流羽流的长期测绘，并以Douro河为例进行了演示。该方法采用一个中央协调器，该协调器与多个自主水下航行器（AUVs）间歇性通信，以收集数据并发出指令。该系统集成了时空高斯过程回归与多头Q网络控制器，与现有基准相比，显示出更高的准确性和操作续航能力。
-
中国在防务展上推出AI水下机器人和机器狗
中国在成都防务科技工业博览会上展示了先进的军事技术，包括支持AI的水下扫雷系统和机器人狗。这些自主水下航行器可从潜艇上部署，能够进行深海勘测，并可装备用于探测和消除威胁的模块。此次博览会还展出了已在中国人民解放军中服役的战术机器人狗。