基于摄像机图像的水下检查姿态估计

高精度定位是水下检检任务中的关键因素。传统的定位方法，如惯性导航系统、多普勒速度日志和声学定位，面临着诸多挑战且并不具备成本效益。视觉定位是一种具有成本效益的替代方案，利用检修车辆上已配备的摄像机，从周围场景的图像中估计姿态。其中，基于机器学习的图像姿态估计在水下环境中显示出前景，能够基于先前映射的场景训练模型，实现高效的重新定位。我们探讨了基于学习的姿态估计器在清水和浑浊水检修任务中的有效性，评估了图像格式、模型架构和训练数据多样性的影响。我们创新性地采用新型视觉合成模型生成增强训练数据，显著提升了在未探索区域的姿态估计效果。此外，我们通过将姿态估计器输出与传感器数据集成于扩展卡尔曼滤波器，增强了定位精度，显示出更平滑和更准确的轨迹。