基于侧扫声纳的多视图感知主动学习：面向自主 underwater 车辆
机器人学
2024-04-16 v2
摘要
自动 underwater 车辆执行调查任务时，通常会捕获多个目标视图，以提供更多信息供人类操作员或自动目标识别算法使用。本文解决选择最具信息性的视图以最小化调查时间同时最大化分类准确率的问题。我们引入一种 novel 主动感知框架，用于多视图自适应调查和使用侧扫声纳图像进行重新获取。我们的框架通过 graph 表述来解决该挑战，然后使用图神经网络（GNN）对获取的声纳视图进行分类，并选择根据收集数据选择的下一个最佳视图。我们在高保真侧扫声纳模拟器中对方法进行了仿真评估。我们的结果表明，该方法能够在分类准确率和调查效率方面超越现有方法。该框架是更高效地进行自主任务（如 underwater 勘探、海洋考古和环境监测）的有前景的方案。
引用
@article{arxiv.2402.01106,
title = {Learning Which Side to Scan: Multi-View Informed Active Perception with Side Scan Sonar for Autonomous Underwater Vehicles},
author = {Advaith V. Sethuraman and Philip Baldoni and Katherine A. Skinner and James McMahon},
journal= {arXiv preprint arXiv:2402.01106},
year = {2024}
}