Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges

要約

水中探査と監視への関心が高まるにつれ、自律型水中車両 (AUV) が不可欠になっています。
最近のオンボードディープラーニング (DL) への関心により、効率的で正確なビジョンベースの DL モデルに依存したリアルタイム環境インタラクション機能が進化しました。
しかし、限られたトレーニング データと固有のノイズを特徴とする水中環境でのソナーの主な使用は、モデルの堅牢性に課題をもたらします。
この自律性の向上により、水中での活動中にこのようなモデルを展開する際の安全上の懸念が生じ、潜在的に危険な状況につながる可能性があります。
このペーパーは、堅牢性の範囲内でソナーベースの DL の最初の包括的な概要を提供することを目的としています。
分類、物体検出、セグメンテーション、SLAM など、ソナーベースの DL 認識タスク モデルを研究します。
さらに、この論文では、ソナーベースの最先端のデータセット、シミュレーター、およびニューラル ネットワーク検証、分散外攻撃、敵対的攻撃などの堅牢性手法を体系化しています。
この論文は、ソナーベースの DL 研究における堅牢性の欠如を強調し、将来の研究経路、特にベースラインのソナーベースのデータセットの確立とシミュレーションと現実のギャップの橋渡しを提案します。

要約(オリジナル)

With the growing interest in underwater exploration and monitoring, Autonomous Underwater Vehicles (AUVs) have become essential. The recent interest in onboard Deep Learning (DL) has advanced real-time environmental interaction capabilities relying on efficient and accurate vision-based DL models. However, the predominant use of sonar in underwater environments, characterized by limited training data and inherent noise, poses challenges to model robustness. This autonomy improvement raises safety concerns for deploying such models during underwater operations, potentially leading to hazardous situations. This paper aims to provide the first comprehensive overview of sonar-based DL under the scope of robustness. It studies sonar-based DL perception task models, such as classification, object detection, segmentation, and SLAM. Furthermore, the paper systematizes sonar-based state-of-the-art datasets, simulators, and robustness methods such as neural network verification, out-of-distribution, and adversarial attacks. This paper highlights the lack of robustness in sonar-based DL research and suggests future research pathways, notably establishing a baseline sonar-based dataset and bridging the simulation-to-reality gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google