Prediction of Acoustic Communication Performance for AUVs using Gaussian Process Classification

要約

協調する自律型水中ビークル (AUV) は、多くの場合、音響通信に依存して動作を効果的に調整します。
しかし、水中音響通信は車両間の通信距離が長くなるほど信頼性が低下します。
その結果、協力する AUV のチームは通常、確実に通信できる最大範囲について保守的な仮定を立てます。
この制限に対処するために、送信車両と受信車両の位置に基づいて通信が成功する確率を表すマップを学習する新しいアプローチを提案します。
この確率的通信マップでは、車両間の距離、環境ノイズ、特定の場所でのマルチパス効果などの要因が考慮されます。
この目標を追求するために、目的のコミュニケーション マップを生成するためのガウス プロセス バイナリ分類の適用を調査します。
私たちは既存の結果をこの特定の二項分類問題に特化し、車両位置の不確実性をマッピング プロセスに組み込む方法を探索します。
さらに、バイナリ分類を使用して生成された確率コミュニケーション マップの予測パフォーマンスと、ガウス過程回帰を使用して生成された信号対雑音比 (SNR) コミュニケーション マップの予測パフォーマンスを比較します。
私たちのアプローチは、バージニア工科大学 690 AUV のペアでの試験中に収集された通信およびナビゲーション データを使用して実験的に検証されています。

要約(オリジナル)

Cooperating autonomous underwater vehicles (AUVs) often rely on acoustic communication to coordinate their actions effectively. However, the reliability of underwater acoustic communication decreases as the communication range between vehicles increases. Consequently, teams of cooperating AUVs typically make conservative assumptions about the maximum range at which they can communicate reliably. To address this limitation, we propose a novel approach that involves learning a map representing the probability of successful communication based on the locations of the transmitting and receiving vehicles. This probabilistic communication map accounts for factors such as the range between vehicles, environmental noise, and multi-path effects at a given location. In pursuit of this goal, we investigate the application of Gaussian process binary classification to generate the desired communication map. We specialize existing results to this specific binary classification problem and explore methods to incorporate uncertainty in vehicle location into the mapping process. Furthermore, we compare the prediction performance of the probability communication map generated using binary classification with that of a signal-to-noise ratio (SNR) communication map generated using Gaussian process regression. Our approach is experimentally validated using communication and navigation data collected during trials with a pair of Virginia Tech 690 AUVs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google