基于物理编码傅里叶神经算子 Hankel-FNO 的快速 underwater 声学制图
机器学习
2025-12-09 v1 声音
摘要
快速且准确的 underwater 声学制图对于环境感知传感器布局优化和自主车辆路径规划等下游任务至关重要。传统方法依赖计算昂贵但精确的数值求解器，难以应用于大规模或实时应用。虽然基于深度学习的代理模型可加速这些计算，但常受限于固定分辨率约束或依赖显式偏微分方程公式，这些问题阻碍了其在不同环境下的可应用性和泛化能力。我们提出 Hankel-FNO，一种基于傅里叶神经算子 (FNO) 的模型，用于高效准确的声学制图。通过融合声传播知识和海底地形信息，该方法在保持高计算速度的同时具有高精度。结果表明，Hankel-FNO 在速度上优于传统求解器，在精度上超越数据驱动方法，尤其在远程预测中表现更佳。实验显示，该模型在不同环境和声源设置下均可实现最小微调的适应性。
引用
@article{arxiv.2512.06417,
title = {Hankel-FNO: Fast Underwater Acoustic Charting Via Physics-Encoded Fourier Neural Operator},
author = {Yifan Sun and Lei Cheng and Jianlong Li and Peter Gerstoft},
journal= {arXiv preprint arXiv:2512.06417},
year = {2025}
}