Transformer-Based Robust Underwater Inertial Navigation in Prolonged Doppler Velocity Log Outages

要約

自律的な水中車両（AUV）には、探査、調査、マッピングなど、海洋ドメインにさまざまな用途があります。
それらのナビゲーションシステムは、通常、非線形フィルタリングを介して、慣性センサーとドップラー速度ログ（DVL）からのデータの融合に大きく依存しています。
DVLは、音響ビームを海底に送信し、反射信号からのドップラーシフトを分析することにより、AUVの速度ベクトルを推定します。
ただし、環境の課題により、DVLビームは実際の設定で偏向または故障し、信号の停止を引き起こす可能性があります。
そのような場合、AUVは慣性データのみに依存しており、蓄積されたナビゲーションエラーとミッション終了につながります。
これらの停止に対処するために、慣性測定値と以前のDVLデータを使用して、孤立した停止中にAUV速度を推定する深い学習アプローチであるSt-BeamSnetを採用しました。
この作業では、st-beamsnetを拡張して、長期にわたるDVL停止に対処し、拡張されたカルマンフィルターフレームワーク内でその影響を評価します。
実験は、提案されたフレームワークが速度RMSEを最大63％改善し、純粋な慣性ナビゲーションと比較して最終位置誤差を最大95％減らすことを示しています。
これは、最大50秒の完全なDVL停止を含むシナリオです。

要約(オリジナル)

Autonomous underwater vehicles (AUV) have a wide variety of applications in the marine domain, including exploration, surveying, and mapping. Their navigation systems rely heavily on fusing data from inertial sensors and a Doppler velocity log (DVL), typically via nonlinear filtering. The DVL estimates the AUV’s velocity vector by transmitting acoustic beams to the seabed and analyzing the Doppler shift from the reflected signals. However, due to environmental challenges, DVL beams can deflect or fail in real-world settings, causing signal outages. In such cases, the AUV relies solely on inertial data, leading to accumulated navigation errors and mission terminations. To cope with these outages, we adopted ST-BeamsNet, a deep learning approach that uses inertial readings and prior DVL data to estimate AUV velocity during isolated outages. In this work, we extend ST-BeamsNet to address prolonged DVL outages and evaluate its impact within an extended Kalman filter framework. Experiments demonstrate that the proposed framework improves velocity RMSE by up to 63% and reduces final position error by up to 95% compared to pure inertial navigation. This is in scenarios involving up to 50 seconds of complete DVL outage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google