要約
自律的な水中車両の正確なナビゲーションは、ドップラー速度ログ(DVL)速度測定の精度に大きく依存します。
深い学習の最近の進歩は、複数のセンサーモダリティにわたって時空間的依存関係を活用することにより、DVL出力を改善する上で重要な可能性を示しています。
ただし、これらの推定値を拡張カルマンフィルターなどのモデルベースのフィルターに統合すると、統計的な矛盾、特にプロセスノイズと測定ノイズの相互相関が導入されます。
このペーパーでは、相互相関を認識しているディープイン/DVL融合フレームワークを提案することにより、この課題に対処します。
DVLと慣性データを使用してAUV速度を推定するように設計された畳み込みニューラルネットワークであるBeamSnetに基づいて、騒音源間で誘導される相互相関を明示的に説明するナビゲーションフィルターにその出力を統合します。
このアプローチはフィルターの一貫性を改善し、基礎となるセンサーエラー構造をよりよく反映します。
2つの実際の水中軌道で評価された提案された方法は、状態の不確実性の観点から、最小二乗と相互相関アプローチの両方よりも優れています。
特に、改善は速度およびずれの角度信頼メトリックで10%を超えています。
経験的パフォーマンスを実証するだけでなく、このフレームワークは、確率的フィルターに深い学習出力を埋め込むための理論的に原則的なメカニズムを提供します。
要約(オリジナル)
The accurate navigation of autonomous underwater vehicles critically depends on the precision of Doppler velocity log (DVL) velocity measurements. Recent advancements in deep learning have demonstrated significant potential in improving DVL outputs by leveraging spatiotemporal dependencies across multiple sensor modalities. However, integrating these estimates into model-based filters, such as the extended Kalman filter, introduces statistical inconsistencies, most notably, cross-correlations between process and measurement noise. This paper addresses this challenge by proposing a cross-correlation-aware deep INS/DVL fusion framework. Building upon BeamsNet, a convolutional neural network designed to estimate AUV velocity using DVL and inertial data, we integrate its output into a navigation filter that explicitly accounts for the cross-correlation induced between the noise sources. This approach improves filter consistency and better reflects the underlying sensor error structure. Evaluated on two real-world underwater trajectories, the proposed method outperforms both least squares and cross-correlation-neglecting approaches in terms of state uncertainty. Notably, improvements exceed 10% in velocity and misalignment angle confidence metrics. Beyond demonstrating empirical performance, this framework provides a theoretically principled mechanism for embedding deep learning outputs within stochastic filters.
arxiv情報
著者 | Nadav Cohen,Itzik Klein |
発行日 | 2025-03-27 17:38:43+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google