要約
暗黙的なニューラル表現とニューラル レンダリングは、サイドスキャン ソナー (SSS) からの深深推定においてますます注目を集めています。
これらの方法は、SSS データからの同じ場所の複数の観測値を組み込んで標高推定を制限し、世界的に一貫した深浅モデルに収束します。
ただし、深浅推定の品質と精度は、ソナーを搭載した自律型潜水艇 (AUV) の測位精度によって制限されます。
推測航法 (DR) に依存する AUV の全地球測位推定には、水中に GPS のような地理参照システムがないため、無制限の誤差があります。
この課題に対処するために、私たちはこのレターで、SSS からのニューラル レンダリングを使用した深浅推定によって事前に提供される標高を使用して、大きなタイムスケールにわたる DR とループ クロージャ (LC) に基づく SSS SLAM 用の最新のスケーラブルなフレームワーク NeuRSS を提案します。
このフレームワークは、位置特定と深浅マッピングを改善する反復手順です。
最初は、DR 推定を使用して SSS から推定された水深測量は、粗雑ではありますが、姿勢グラフ内の 2 つのループ閉鎖頂点間の相対姿勢を推定する非線形最小二乗法 (NLS) 最適化の前に重要な標高を提供できます。
その後、SLAM コンポーネントからのグローバル姿勢推定により車両の位置推定が改善され、これにより深浅推定が改善されます。
私たちは、水上船舶と AUV でそれぞれ収集された 2 つの大規模な調査で、位置特定とマッピングのアプローチを検証します。
私たちはその位置特定結果をグラウンドトゥルースと照らし合わせて評価し、深浅測量推定をマルチビーム測深機 (MBES) で収集されたデータと比較します。
要約(オリジナル)
Implicit neural representations and neural render- ing have gained increasing attention for bathymetry estimation from sidescan sonar (SSS). These methods incorporate multiple observations of the same place from SSS data to constrain the elevation estimate, converging to a globally-consistent bathymetric model. However, the quality and precision of the bathymetric estimate are limited by the positioning accuracy of the autonomous underwater vehicle (AUV) equipped with the sonar. The global positioning estimate of the AUV relying on dead reckoning (DR) has an unbounded error due to the absence of a geo-reference system like GPS underwater. To address this challenge, we propose in this letter a modern and scalable framework, NeuRSS, for SSS SLAM based on DR and loop closures (LCs) over large timescales, with an elevation prior provided by the bathymetric estimate using neural rendering from SSS. This framework is an iterative procedure that improves localization and bathymetric mapping. Initially, the bathymetry estimated from SSS using the DR estimate, though crude, can provide an important elevation prior in the nonlinear least-squares (NLS) optimization that estimates the relative pose between two loop-closure vertices in a pose graph. Subsequently, the global pose estimate from the SLAM component improves the positioning estimate of the vehicle, thus improving the bathymetry estimation. We validate our localization and mapping approach on two large surveys collected with a surface vessel and an AUV, respectively. We evaluate their localization results against the ground truth and compare the bathymetry estimation against data collected with multibeam echo sounders (MBES).
arxiv情報
| 著者 | Yiping Xie,Jun Zhang,Nils Bore,John Folkesson |
| 発行日 | 2024-05-09 14:43:09+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google