基于机器学习与逼真仿真的水下对接高效检测与控制系统：一种综合方法
机器人学
2024-10-28 v2 机器学习
摘要
水下对接对实现自主水下航行器 (AUV) 的持续作业至关重要。为此，AUV 必须能检测并定位对接站，由于高度动态的海底环境，这十分复杂。基于图像的方案提供了高采集率与适应性强的替代方案以应对该环境；然而，水下环境存在低能见度、高浊度与畸变等挑战。此外，验证水下对接能力的现场实验可能因所需专用设备与安全考量而昂贵且危险。本工作比较不同深度学习架构以执行水下对接检测与分类。性能最佳的架构随后在教师-学生范式下使用知识蒸馏进行压缩，以减小网络内存占用，实现实时部署。为缩小仿真到现实的差距，使用生成对抗网络 (GAN) 进行图像到图像翻译，将 Gazebo 仿真图像转换为逼真的水下外观图像。所得图像随后经水下图像形成模型处理，以在不同水体类型下模拟随距离的图像衰减。所提方法最终根据 AUV 对接成功率评估，并与经典视觉方法比较。仿真结果显示在高浊度场景中无论水流如何均有 20% 的提升。此外，我们通过现成 AUV Iver3 的实验结果展示了所提方法的性能。
引用
@article{arxiv.2311.01522,
title = {An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach},
author = {Jalil Chavez-Galaviz and Jianwen Li and Matthew Bergman and Miras Mengdibayev and Nina Mahmoudian},
journal= {arXiv preprint arXiv:2311.01522},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication