XiaoMi-AI文件搜索系统
World File Search SystemSONAR
ROV的高级水下测量系统：整合声纳和立体声愿景，以增强海底基础设施维护
摘要：在海洋工程领域和海底结构的维护领域中，准确的下距离定量起着至关重要的作用。然而，由于向后散射和特征降解，这种测量的精度通常在水下环境中受到损害，从而对视觉技术的准确性产生不利影响。在应对这一挑战时，我们的研究引入了一种开创性的水下对象测量方法，将图像声纳与立体声视觉结合起来。这种方法旨在用声纳数据来补充水下视觉特征检测的差距，同时利用Sonar的距离信息进行增强的视觉匹配。我们的方法论将声纳数据无缝地集成到立体声视觉中使用的半全球块匹配（SGBM）算法中。这种集成涉及引入一个新型的基于声纳的成本术语并完善成本汇总过程，从而提高了深度估计的精度，并丰富了深度图内的纹理细节。这代表了对现有方法的实质性增强，尤其是在针对亚偏度环境下量身定制的深度图的质地增强中。通过广泛的比较分析，我们的方法表明，测量误差大大减少了1.6％，在挑战水下场景方面表现出了巨大的希望。我们算法在生成详细的深度图中的适应性和准确性使其与水下基础设施维护，勘探和检查特别相关。
NRDC：探测深度 II：声纳、航运和工业海洋噪声对海洋生物的影响日益加重
表格和图表 表 1.1 一些主要海底噪声源的比较 3 表 1.2 声音对海洋环境的潜在影响 7 表 1.3 与海军或地震活动同时发生的大规模搁浅 8 表 2.1 海洋噪声缓解措施 19 表 2.2 北约成员国使用或开发的主动声纳系统 22 表 2.3 2002 年 1 月至 2005 年 2 月世界各地的地震勘探 31 表 4.1 与海洋噪声相关的国际公约、协定和条约 56 图 2.1 美国海岸外的海军综合设施 27 图 2.2 全球海上地震勘探热点（2002 年 1 月至 2005 年 2 月） 29 图 2.3 墨西哥湾未来地震勘测预测 32 图 2.4美国墨西哥湾地震勘测区域按船员数量划分（2002 年 1 月 - 2005 年 2 月） 33 图 2.5 欧洲地震勘测区域按船员数量划分（2002 年 1 月 - 2005 年 2 月） 34 图 2.6 北美水域国际航道 37
NRDC：探测深度 II：声纳、航运和工业海洋噪音对海洋生物造成的日益严重的危害
表格和图片 表 1.1 一些主要海底噪声源的比较 3 表 1.2 声音对海洋环境的潜在影响 7 表 1.3 与海军或地震活动同时发生的大规模搁浅 8 表 2.1 海洋噪声缓解措施 19 表 2.2 北约成员国正在使用或开发的主动声纳系统 22 表 2.3 2002 年 1 月至 2005 年 2 月世界各地的地震勘探 31 表 4.1 与海洋噪声相关的国际公约、协定和条约 56 图 2.1 美国海岸外的海军综合设施 27 图 2.2 全球海上地震勘探热点（2002 年 1 月至 2005 年 2 月） 29 图 2.3 墨西哥湾未来地震勘测预测32 图 2.4 美国墨西哥湾地震勘测区域按船员数量划分（2002 年 1 月 - 2005 年 2 月） 33 图 2.5 欧洲地震勘测区域按船员数量划分（2002 年 1 月 - 2005 年 2 月） 34 图 2.6 北美水域国际航道 37
像蝙蝠一样窃听：融合主动和被动的声纳，以同时定位和映射案例研究
在使用自我产生的信号的如此称为活跃的传感器中，声纳传感器的实现比LIDAR和雷达更具挑战性，部分原因是它们有限的角度传感场。对此挑战的一种常见解决方案是扫描传感器，该传感器通过连续测量扫描角度范围。然而，扫描传感器对声纳特别概率，因为声速相对较慢和声纳头的惯性。对蝙蝠行为的研究表明，蝙蝠可以在小组飞行过程中窃听其特异性。换句话说，他们将自己的活跃声纳收集的信息与他们通过被动倾听同龄人收到的信息融合在一起。由于蝙蝠非常擅长使用声纳，因此这种行为激发了对融合积极和被动声纳是否可以解决实现声纳传感器的挑战的调查。定义了融合传感的模型，并使用数值模拟来回答同时定位和映射的测试床问题（SLAM）。模拟结果表明，当活动声纳和相关噪声的角度范围相对较小时，机器人在解决大满贯方面的性能就会得到改善。
反潜巡逻机利用圆形声呐浮标阵执行呼叫搜索任务的建模与仿真研究
利用提出的潜艇位置分布模型对圆形声呐浮标阵进行搜索，评估模型计算结果与计算机仿真方法对搜索概率计算结果相一致，证明了模型的正确性，同时也表明潜艇的评估结果与潜艇位置分布密切相关，应根据情况合理选取。实际使用中，可在模型中加入修正项，使模型计算结果与仿真结果更加接近。
新兴风险洞察 - 瑞士再保险
SONAR 报告中概述的新兴风险主题基于一年来收集的早期信号。它们并不反映整个行业对新兴风险的看法，也不一定涵盖瑞士再保险目前关注的所有相关主题。这些主题已根据其估计影响和我们对它们可能实现时间的预测以及我们认为风险最大的业务线进行分类（见第 4 页）。对于所有风险主题，我们标记了以前的 SONAR 报告中与主题相关的提及。今年 SONAR 报告中提出的一些新兴风险可能永远不会实现，而其他一些风险可能成为未来风险池的基础。同样，所描述的一些趋势可能会失去重要性，而其他趋势可能会在塑造未来商业环境中发挥越来越大的作用。
加拿大水面战斗舰 - Canada.ca
综合水下作战系统 • 拖曳式低频主动和被动声纳 – Ultra Electronics • 船体安装式声纳 – Ultra Electronics Sonar S2150 • 拖曳式鱼雷对抗措施 – Ultra Electronics SEA SENTOR S21700 • 声纳浮标处理系统 – General Dynamics • 消耗性声学对抗措施
使用机器学习的岩石和地雷预测...
声纳岩与矿山预测是一个机器学习问题，它使用声纳数据来区分岩石和矿山。目标是开发一个模型，该模型可以根据声纳返回数据准确对对象进行分类。一些可用于声纳岩石与地雷预测的机器学习算法包括：逻辑回归，随机森林，K-Neart邻居，支持向量机和深层神经网络。在海洋操作中，声纳设备是必不可少的，尤其是对于寻找岩石和矿山等淹没的物体。确保海上安全和保障需要准确地区分这些事情的能力。我们在这项研究研究中对机器学习算法进行了详尽的比较，以帮助确定声纳回报是否指示岩石或矿山。使用声纳声音特征的数据集，我们评估了几种监督的学习算法：随机森林，K-最近的邻居，支持向量机和深神经网络。我们根据F1得分，召回，准确性和分类中的精度来研究模型的性能。我们还研究了特征选择策略和超参数调整如何影响模型的性能。通过全面的测试和分析，我们提供了有关基于声纳的对象的不同机器学习方法
用于配置...的元启发式方法
更准确地说，声纳系统主要有两种类型：被动和主动。被动声纳由一个接收器组成，接收器用于监听目标发出的声音，而主动声纳系统有一个发射声脉冲（ping）的源和一个接收器，接收器用于监听波在目标上的反射，即回声 [1]。在本研究范围内，我们只关注主动声纳系统的情况，该系统进一步分为两种不同的配置 [2]。第一种称为单基地，由同位源和接收器组成，而第二种称为双基地，基于非同位源和接收器。因此，多静态声纳网络 (MSN) 由一组部署在给定感兴趣区域 (AoI) 上的源和接收器组成，它们成对出现，形成单静态和/或双静态配置的系统单元。在此，主动声纳将完全是声纳浮标，这是声纳和浮标的混合体。这些是从机载载体上投掷到 AoI 上的一次性声学单元，其形式为圆柱形容器，在与水面碰撞时展开，将系统核心浸入预定深度。此处描述的简化操作环境如图 1 所示。
无人驾驶飞机航线规划器的设计与开发...
和拖曳阵列声纳 (TAS) 或尾随阵列声纳。主要区别在于搜索威胁的方式；使用 DpS 时必须执行机动以前进、在某点停止、浸没声纳、进行搜索并在前进之前再次升起声纳，而使用 TAS 时可以从在定义的深度发射声纳的第一刻开始搜索，这意味着连续搜索，见图 3。在该图的左侧可以看到不同的未填充圆盘，USV 必须将 DpS 浸没在这些圆盘中。每个圆圈代表声纳可以实现的探测范围；填充区域代表执行的扫描。另一方面，该图的右侧显示连续的细线，代表 USV 未扩展的轨迹，而填充区域显示已经使用 TAS 声纳进行连续扫描的区域。仅在轨迹的最后一个探索点才能检测到威胁。