DREAM：面向高效自主 underwater 监测的领域感知推理
机器人学
2026-02-11 v2 人工智能
摘要
海洋正在变暖并酸化，增加温度敏感壳类（如牡蛎）风险致大规模死亡事件的概率。为此亟需开发长期监测系统。然而人工劳动成本高昂且持续的水下作业极具危险，因而机器人解决方案更为安全且高效。为使水下机器人能够在无需人工干预的情况下进行实时、环境感知决策，必须为其配备智能"大脑"。这凸显了持久、广域、低成本 benthic 监测的需求。为此，我们提出 DREAM，一个由视觉语言模型 (VLM) 指导的自主水下探索与栖息地监测框架。结果表明，该框架在寻找与探索目标对象（如牡蛎、船�骨）方面高度高效，且无需 prior 位置信息。在牡蛎监测任务中，本框架所需时间比前基线降低 31.5%，而相同牡蛎数量下，比纯粹 VLM 使用 23% 更少步骤，同时覆盖率提升 8.88%。在船残场景中，本框架成功探索并绘制残骸图谱，未发生碰撞，所需步骤比纯 VLM 减少 27.5%，实现 100% 覆盖率；而纯 VLM 仅实现 60.23% 的平均覆盖率。
引用
@article{arxiv.2509.13666,
title = {DREAM: Domain-aware Reasoning for Efficient Autonomous Underwater Monitoring},
author = {Zhenqi Wu and Abhinav Modi and Angelos Mavrogiannis and Kaustubh Joshi and Nikhil Chopra and Yiannis Aloimonos and Nare Karapetyan and Ioannis Rekleitis and Xiaomin Lin},
journal= {arXiv preprint arXiv:2509.13666},
year = {2026}
}
备注
In Proceeding of ICRA 2026