Deep Learning Powered Estimate of The Extrinsic Parameters on Unmanned Surface Vehicles

要約

無人水上車両 (USV) は海洋探査において極めて重要ですが、そのセンサーの精度は動的な海洋環境によって損なわれます。
従来の校正方法では、このような状況では不十分です。
この論文では、オイラー角を入力として時系列一般回帰ニューラル ネットワーク (GRNN) を使用して、USV の動的メタセンターの変化を予測し、センサーの外部パラメーターをリアルタイムで調整するディープ ラーニング アーキテクチャを紹介します。
Unity3D からのシミュレーション データにより、堅牢なトレーニングとテストが保証されます。
実験結果は、時系列 GRNN が最小の平均二乗誤差 (MSE) 損失を達成し、従来のニューラル ネットワークを上回るパフォーマンスを示していることを示しています。
この方法により、USV のセンサー校正が大幅に強化され、困難な海洋条件におけるデータ精度の向上が期待できます。
今後の作業では、ネットワークを改良し、実世界のデータを使用して結果を検証する予定です。

要約(オリジナル)

Unmanned Surface Vehicles (USVs) are pivotal in marine exploration, but their sensors’ accuracy is compromised by the dynamic marine environment. Traditional calibration methods fall short in these conditions. This paper introduces a deep learning architecture that predicts changes in the USV’s dynamic metacenter and refines sensors’ extrinsic parameters in real time using a Time-Sequence General Regression Neural Network (GRNN) with Euler angles as input. Simulation data from Unity3D ensures robust training and testing. Experimental results show that the Time-Sequence GRNN achieves the lowest mean squared error (MSE) loss, outperforming traditional neural networks. This method significantly enhances sensor calibration for USVs, promising improved data accuracy in challenging maritime conditions. Future work will refine the network and validate results with real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google