水下机器人中的基于声纳的深度学习: 概述、鲁棒性与挑战
机器人学
2024-12-17 v1 计算机视觉与模式识别
信号处理
摘要
随着对水下探索和监测的兴趣日益增长，自主水下航行器（AUV）变得至关重要。最近对机载深度学习（DL）的兴趣推动了依赖高效准确的基于视觉的DL模型的实时环境交互能力。然而，在水下环境中主要使用声纳，其特点是训练数据有限且存在固有噪声，这对模型的鲁棒性提出了挑战。这种自主性的提高引发了在海底作业中部署此类模型的安全问题，可能导致危险情况。本文旨在首次全面概述鲁棒性视角下的基于声纳的深度学习。它研究了基于声纳的DL感知任务模型，如分类、目标检测、分割和SLAM。此外，本文系统化了基于声纳的最先进数据集、模拟器和鲁棒性方法，如神经网络验证、分布外和对抗攻击。本文强调了基于声纳的DL研究中鲁棒性的缺乏，并提出了未来的研究方向，特别是建立基线声纳数据集和弥合模拟到现实的差距。
引用
@article{arxiv.2412.11840,
title = {Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges},
author = {Martin Aubard and Ana Madureira and Luís Teixeira and José Pinto},
journal= {arXiv preprint arXiv:2412.11840},
year = {2024}
}