DVL Calibration using Data-driven Methods

要約

自律型水中ビークル (AUV) は、海底マッピングから産業活動に至るまで、幅広い水中用途で使用されています。
水中では、AUV ナビゲーション ソリューションは通常、慣性センサーとドップラー速度ログ (DVL) の融合に依存します。
正確な DVL 測定を達成するには、ミッションの開始前に校正手順を実行する必要があります。
モデルベースの校正手法には、全地球航法衛星システム信号を利用したフィルタリング手法が含まれます。
この論文では、キャリブレーション手順のためのエンドツーエンドの深層学習フレームワークを提案します。
刺激的なデータを使用して、提案したアプローチがモデルベースのアプローチよりも精度で 35%、必要な校正時間で 80% 優れていることを示します。

要約(オリジナル)

Autonomous underwater vehicles (AUVs) are used in a wide range of underwater applications, ranging from seafloor mapping to industrial operations. While underwater, the AUV navigation solution commonly relies on the fusion between inertial sensors and Doppler velocity logs (DVL). To achieve accurate DVL measurements a calibration procedure should be conducted before the mission begins. Model-based calibration approaches include filtering approaches utilizing global navigation satellite system signals. In this paper, we propose an end-to-end deep-learning framework for the calibration procedure. Using stimulative data, we show that our proposed approach outperforms model-based approaches by 35% in accuracy and 80% in the required calibration time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google