A Data-Driven Method for INS/DVL Alignment

要約

自律的な水中車両（AUV）は、幅広いアプリケーションにとって洗練されたロボットプラットフォームです。
AUVナビゲーションシステムの精度は、その成功にとって重要です。
慣性センサーとドップラー速度ログ（DVL）融合は、長距離水中ナビゲーションの有望なソリューションです。
ただし、この融合の有効性は、慣性センサーとDVLの間の正確なアラインメントに大きく依存します。
現在のアラインメント方法は有望ですが、精度、収束時間、およびアライメントの軌跡効率の点で改善の余地があります。
この研究では、アラインメントプロセスのエンドツーエンドの深い学習フレームワークを提案します。
ノイズの低減やデータの非線形性のキャプチャなどのディープラーニング機能を活用することにより、シミュレーションデータを使用して、提案されたアプローチがアライメント精度の両方を強化し、現在のモデルベースの方法を超えて収束時間を短縮することを示します。

要約(オリジナル)

Autonomous underwater vehicles (AUVs) are sophisticated robotic platforms crucial for a wide range of applications. The accuracy of AUV navigation systems is critical to their success. Inertial sensors and Doppler velocity logs (DVL) fusion is a promising solution for long-range underwater navigation. However, the effectiveness of this fusion depends heavily on an accurate alignment between the inertial sensors and the DVL. While current alignment methods show promise, there remains significant room for improvement in terms of accuracy, convergence time, and alignment trajectory efficiency. In this research we propose an end-to-end deep learning framework for the alignment process. By leveraging deep-learning capabilities, such as noise reduction and capture of nonlinearities in the data, we show using simulative data, that our proposed approach enhances both alignment accuracy and reduces convergence time beyond current model-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google