Underwater DVL Optimization Network (UDON): A Learning-Based DVL Velocity Optimizing Method for Underwater Navigation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As the exploration of marine resources continues to deepen, the utilization of Autonomous Underwater Vehicles (AUVs) for conducting marine resource surveys and underwater environmental mapping has become a common practice. In order to successfully accomplish exploration missions, AUVs require high-precision underwater navigation information as support. A Strapdown Inertial Navigation System (SINS) can provide AUVs with accurate attitude and heading information, while a Doppler Velocity Log (DVL) is capable of measuring the velocity vector of the AUVs. Therefore, the integrated SINS/DVL navigation system can furnish the necessary navigational information required by an AUV. In response to the issue of DVL being susceptible to external environmental interference, leading to reduced measurement accuracy, this paper proposes an end-to-end deep-learning approach to enhance the accuracy of DVL velocity vector measurements. The utilization of the raw measurement data from an Inertial Measurement Unit (IMU), which includes gyroscopes and accelerometers, to assist the DVL in velocity vector estimation and to refine it towards the Global Positioning System (GPS) velocity vector, compensates for the external environmental interference affecting the DVL, therefore enhancing the navigation accuracy. To evaluate the proposed method, we conducted lake experiments using SINS and DVL equipment, from which the collected data were organized into a dataset for training and assessing the model. The research results show that the DVL vector predicted by our model can achieve a maximum improvement of 69.26% in terms of root mean square error and a maximum improvement of 78.62% in terms of relative trajectory error.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle