迈向自适应底栖生境制图

自主水下航行器（AUV）正日益用于支持科学研究与监测工作。其中一个应用是底栖生境制图，这些航行器收集海底影像，以补充使用声呐收集的广域测深数据。利用这两种数据源，可以学习遥感声学数据与采样影像之间的关系，从而建立生境模型。由于待制图区域通常非常广阔，而收集海底影像的 AUV 系统只能从调查区域的一小部分采样，因此每次布放都应最大化所收集的信息。本文阐明了生境模型本身如何用于规划更高效的 AUV 调查，即通过确定在何处收集进一步样本以最大程度改进生境模型。采用贝叶斯神经网络，在给定广域测深数据时预测视觉导出的生境类别。该网络还能估计与预测相关的不确定性，并可将其分解为偶然（数据）与认知（模型）分量。我们展示了如何利用这些结构化不确定性估计以更少的样本改进模型。此类底栖调查的自适应方法有望通过优先安排进一步采样工作来降低成本。我们利用 AUV 在澳大利亚塔斯马尼亚近海礁区收集的数据说明了所提方法的有效性。