Data-Driven Strategies for Coping with Incomplete DVL Measurements

要約

自律型水中ビークルは、深海での活動のために設計された特殊なプラットフォームです。
その機能にとって重要なのは自律航法であり、通常は慣性航法システムとドップラー速度ログに依存します。
現実のシナリオでは、不完全なドップラー速度ログ測定が発生し、測位エラーやミッションの中止が発生します。
このような状況に対処するために、モデルと学習アプローチが導出されました。
この論文では、LiBeamsNet と MissBeamNet という 2 つの最先端の深層学習手法の比較分析と、モデルベースの平均推定量を紹介します。
これらのアプローチは、2 つのビームが使用できない場合に欠落したドップラー速度対数ビームを回帰する有効性について評価されます。
私たちの研究では、地中海で運用されている自律型水中探査機に搭載された DVL によって記録されたデータを使用しました。
どちらの深層学習アーキテクチャも、速度予測精度においてモデルベースのアプローチよりも 16% 以上優れていることがわかりました。

要約(オリジナル)

Autonomous underwater vehicles are specialized platforms engineered for deep underwater operations. Critical to their functionality is autonomous navigation, typically relying on an inertial navigation system and a Doppler velocity log. In real-world scenarios, incomplete Doppler velocity log measurements occur, resulting in positioning errors and mission aborts. To cope with such situations, a model and learning approaches were derived. This paper presents a comparative analysis of two cutting-edge deep learning methodologies, namely LiBeamsNet and MissBeamNet, alongside a model-based average estimator. These approaches are evaluated for their efficacy in regressing missing Doppler velocity log beams when two beams are unavailable. In our study, we used data recorded by a DVL mounted on an autonomous underwater vehicle operated in the Mediterranean Sea. We found that both deep learning architectures outperformed model-based approaches by over 16% in velocity prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google