基于神经网络的侧扫声纳法向估计与测深重建
机器人学
2022-08-25 v2 人工智能
摘要
侧扫声纳强度编码了海床表面法向变化的信息。然而，海床几何形状及其材料组成等其他因素也会影响回波强度。人们可以从测深图与物理属性中的表面法向出发，以正向方式建模这些强度变化至实测强度；或者可采用逆模型，从强度出发建模表面法向。此处我们使用一种逆模型，借助深度学习从数据中学习的能力；采用卷积神经网络由侧扫数据估计表面法向。因此海床的内部属性仅被隐式学习。一旦估计出该信息，便可通过一个优化框架重建测深图，该框架还纳入测深仪读数以提供稀疏深度剖面作为约束。隐式神经表示学习近来被提出用于在此类优化框架中表示测深图。本文中，我们使用神经网络表示地图，并在测深仪点与来自侧扫的估计表面法向约束下对其优化。通过融合来自多条侧扫测线不同角度的多次观测，估计结果在优化中得以改善。我们利用大规模侧扫勘测的侧扫数据重建高质量测深，展示了该方法的高效性与可扩展性。我们将所提数据驱动侧扫建模逆模型方法与正向 Lambertian 模型进行比较，并通过与多波束传感器构建的数据对比评估各重建的质量。
引用
@article{arxiv.2206.07819,
title = {Neural Network Normal Estimation and Bathymetry Reconstruction from Sidescan Sonar},
author = {Yiping Xie and Nils Bore and John Folkesson},
journal= {arXiv preprint arXiv:2206.07819},
year = {2022}
}