水下SLAM与深度学习相遇:挑战,多传感器集成和未来方向
Mohamed Heshmat1, Lyes Saad Saoud1, Muayad Abujabal1
1Khalifa University Center for Autonomous and Robotic Systems, Khalifa University, Abu Dhabi P.O. Box 127788, United Arab Emirates.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
深度学习通过在具有挑战性的水下条件下改进同时定位和映射 (SLAM) 来增强自主水下车辆导航. 这项调查分析了深度学习技术,并提出了一个新的框架,将水下无线传感器网络集成为更强大的AUV操作.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 海洋技术 海洋技术
- 人工智能的人工智能
背景情况:
- 自主水下车辆 (AUV) 需要强大的同时定位和映射 (SLAM) 来在复杂的水下环境中进行导航.
- 传统的SLAM方法与可见度差,动态照明,传感器噪音和水失真等问题作斗争,限制了AUV的准确性和可靠性.
- 深度学习 (DL) 提供先进的解决方案来克服这些水下SLAM挑战.
研究的目的:
- 为水下应用提供深度学习增强的SLAM技术的全面调查.
- 批判性地评估当前基于DL的水下SLAM方法的好处和局限性.
- 为水下SLAM引入一个新的分类框架,集成水下无线传感器网络 (UWSNs).
主要方法:
- 基于方法,传感器依赖和DL集成的DL增强的水下SLAM方法的分类.
- 对现有技术进行批判性评估,识别创新和挑战.
- 为水下SLAM开发一个新的分类学,将UWSN纳入协作传感和通信.
主要成果:
- DL显著改善了水下SLAM的特征提取,无声化,扭曲校正和传感器融合.
- 拟议的UWSN集成框架增强了AUV本地化,映射和实时数据共享.
- 新兴趋势包括变压器架构,多模式融合,轻量级网络和自我监督学习.
结论:
- 用DL增强的SLAM对于强大的水下航行至关重要,解决固有的环境挑战.
- 将UWSN与SLAM集成为提高AUV运营效率和准确性提供了一个有希望的方向.
- 需要进一步研究先进的DL架构和多模式融合,以推进自主水下勘探.
更多相关视频
13:35Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
1.3K
06:36A Field Primer for Monitoring Benthic Ecosystems Using Structure-From-Motion Photogrammetry
Published on: April 15, 2021
4.2K
