Underwater acoustic-based navigation towards multi-vehicle operation and adaptive oceanographic sampling
Notice bibliographique
Résumé
It is important to register oceanographic data into a geo-referenced coordinate system. Knowing the location of the sampling is critical. For a marine robotic network, the location of Unmanned Surface Vessels (USVs) can be measured using a Global Positioning System (GPS), however the navigation of Autonomous Underwater Vehicles (AUVs) is more challenging. In this paper, we present a method for determining the position of underwater vehicles from a moving USV using the relative range information provided by an Ultra-Short Baseline (USBL)/acoustic modem. The navigation method uses an Extended Kalman Filter (EKF) to update the states predicted from a model-based dead-reckoning technique. Since the vehicle model is relative to the surrounding fluid, we have introduced two environmental states in the state matrix. Such a modification allows us to quantify the effects induced by the ocean current on the vehicle's speed. Beyond that, the method uses a limited number of sensors, only attitude sensors and an USBL/acoustic modem, offering an alternative for AUVs without expensive instruments such as a Doppler Velocity Log (DVL) and an Inertial Measurement Unit (IMU). Experiments are conducted to evaluate the range-based navigation method on a hybrid Slocum underwater glider with an USV. As a result from the reference trial, the estimated glider position stays within the error of 15 meters comparing to the measured position of a surface buoy where the glider is attached. In the open-water trial, trajectories estimated from the range-based navigation are compared with dead-reckoning paths and current-compensated dead-reckoning paths (reference). As a result, the distance errors are bounded with the proposed navigation method while the dead-reckoning errors grow without bound.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».