An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach

要約

水中ドッキングは、自律型水中車両 (AUV) の継続的な運用を可能にするために重要です。
このためには、AUV がドッキング ステーションを検出して位置を特定できる必要がありますが、非常に動的な海中環境のために複雑になります。
画像ベースのソリューションは、この環境に適応するための高い取得率と多用途の代替手段を提供します。
しかし、水中環境には視界の悪さ、濁度の高さ、歪みなどの課題があります。
これに加えて、水中ドッキング機能を検証するためのフィールド実験は、実験の実施に必要な特殊な機器と安全性への配慮により、費用がかかり、危険が伴う可能性があります。
この研究では、水中ドッキングの検出と分類を実行するために、さまざまな深層学習アーキテクチャを比較します。
次に、教師と生徒のパラダイムに基づいて知識の蒸留を使用して最高のパフォーマンスのアーキテクチャを圧縮し、ネットワークのメモリ フットプリントを削減し、リアルタイム実装を可能にします。
シミュレーションと現実のギャップを減らすために、敵対的生成ネットワーク (GAN) を使用して画像から画像への変換を行い、Gazebo シミュレーション画像を現実的な水中のような画像に変換します。
次に、取得された画像は水中画像形成モデルを使用して処理され、さまざまな種類の水での距離に伴う画像の減衰がシミュレートされます。
提案された方法は最終的にAUVドッキング成功率に従って評価され、古典的なビジョン方法と比較されました。
シミュレーション結果は、水中流に関係なく、高濁度シナリオで 20% の改善を示しています。
さらに、既製の AUV Iver3 での実験結果を示すことにより、提案されたアプローチのパフォーマンスを示します。

要約(オリジナル)

Underwater docking is critical to enable the persistent operation of Autonomous Underwater Vehicles (AUVs). For this, the AUV must be capable of detecting and localizing the docking station, which is complex due to the highly dynamic undersea environment. Image-based solutions offer a high acquisition rate and versatile alternative to adapt to this environment; however, the underwater environment presents challenges such as low visibility, high turbidity, and distortion. In addition to this, field experiments to validate underwater docking capabilities can be costly and dangerous due to the specialized equipment and safety considerations required to conduct the experiments. This work compares different deep-learning architectures to perform underwater docking detection and classification. The architecture with the best performance is then compressed using knowledge distillation under the teacher-student paradigm to reduce the network’s memory footprint, allowing real-time implementation. To reduce the simulation-to-reality gap, a Generative Adversarial Network (GAN) is used to do image-to-image translation, converting the Gazebo simulation image into a realistic underwater-looking image. The obtained image is then processed using an underwater image formation model to simulate image attenuation over distance under different water types. The proposed method is finally evaluated according to the AUV docking success rate and compared with classical vision methods. The simulation results show an improvement of 20% in the high turbidity scenarios regardless of the underwater currents. Furthermore, we show the performance of the proposed approach by showing experimental results on the off-the-shelf AUV Iver3.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google