相关实验视频
Updated: Jan 12, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
13.0K
深度学习方法用于在具有挑战性的水下条件下对鱼类进行3D跟踪,以实现未来在自动水下车辆中的感知
Martin Føre1, Emilia May O'Brien1, Eleni Kelasidi2,3
1Department of Engineering Cybernetics, Norwegian University of Science and Technology, Trondheim, Norway.
Frontiers in robotics and AI
|November 3, 2025
概括
研究人员开发了人工智能驱动的摄像系统,以帮助无人驾驶水下车辆 (UUV) 避免吓坏养殖鱼. 这些系统准确地测量了鱼到车辆的距离,改善了鱼类福利和水产养殖中的机器人操作.
科学领域:
- 水产养殖技术 水产养殖技术
- 在海洋环境中的机器人技术.
- 计算机视觉用于动物行为分析.
背景情况:
- 无人驾驶水下车辆 (UUV) 越来越多地用于养鱼.
- 养殖鱼经常避免侵入性的UUV,可能导致压力和影响福利.
- 实时UUV控制系统需要适应鱼类的避开行为.
研究的目的:
- 开发和评估用于实时评估鱼到车辆距离的自动化系统.
- 将这些系统集成到机器人平台中,以改善渔场管理.
- 通过尽量减少UUV引起的压力来提高养殖鱼类的福利.
主要方法:
- 开发了三种新的深度学习管道 (SegmentDepth,BBoxDepth,SuperGlue) 用于鱼的距离估计.
- 使用单眼方法 (DepthAnything) 进行比较.
- 通过使用现场数据对声纳测量进行了四条管道的基准测试.
主要成果:
- 与声纳相比,SegmentDepth,DepthAnything和SuperGlue的性能表现出很好的表现.
- 对于表现最好的方法,平均绝对误差 (MAE) 分别为0.205m,0.412m和0.187m.
- 成功的方法被整合到机器人操作系统 (ROS2) 框架中.
结论:
- 基于摄像头的自动化距离评估系统可以有效地监测鱼类与UUV的相互作用.
- 这些系统对于开发水产养殖中UUV适应性控制策略至关重要.
- 将其集成到ROS2中,可以实现实时应用,用于鱼类行为识别和机器人控制.
