提高水下SLAM导航和感知:对深度学习集成的全面审查
Fomekong Fomekong Rachel Merveille1, Baozhu Jia1, Zhizun Xu2
1School of Naval Architecture and Maritime, Guangdong Ocean University, Zhanjiang 524000, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
深度学习通过改进特征提取和感知来增强水下同时定位和绘制 (SLAM),克服探索和工业在具有挑战性的水环境中的传统系统限制.
科学领域:
- 机器人技术和自主系统
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 水下同步定位和绘图 (SLAM) 对于水下环境的导航和绘图至关重要.
- 传统的SLAM系统面临着由于可见度差以及水下动态条件的限制.
研究的目的:
- 研究深度学习 (DL) 技术的整合,以提高水下SLAM性能.
- 分析基于DL的水下SLAM算法的进展,并将其与传统方法进行比较.
主要方法:
- 探索SLAM原理和深度学习技术,包括卷积神经网络 (CNN),生成对抗网络 (GAN) 和长短期记忆 (LSTM) 网络.
- 评估DL在水下图像处理和感知中的应用.
- 在水下场景中对标准与基于DL的SLAM系统进行比较研究.
主要成果:
- 深度学习方法显著改善了水下SLAM的特征提取,数据融合和场景理解.
- 与传统的SLAM相比,基于DL的方法在克服水下环境的挑战方面表现优越.
结论:
- 深度学习为增强水下SLAM系统的能力提供了一个有前途的解决方案.
- 这项研究通过改进自主导航和绘制地图,为水下勘探和工业应用开辟了新的途径.
