XiaoMi-AI文件搜索系统
World File Search SystemUnderwater
自动水下车辆的控制系统的设计Edysys1
摘要。本文描述了自动水下车辆的控制系统的设计Edysys1。与远程操作的车辆（ROV）相比，一辆无人驾驶的水下车辆是一种无人驾驶的且自行的水下船只，可以独立运行，并执行几项分配给它的任务，该任务通常被束缚在船上或其他系泊的水车上。自主水下车辆的控制系统的智能设计是一个积极的研究领域，赋予对自治的需求和智能系统满足此类需求的能力。一个控制系统是用Raspberry Pi 4计算机设计为主控制单元的。通过车辆采集数据采集的各种子系统和传感器由Raspberry Pi 4控制，该覆盆子PI 4具有配置的机器人操作系统（ROS）。使用Python编程语言配置控制每个传感器的必要智能。此后，相关的python脚本在ROS框架中作为节点实现。通过调用ROS中的相关节点，通过ROS环境中的设计系统获得了各种感觉数据值。还实现了通过洛拉的成功沟通。
自动驾驶水下车辆-Matsya -IIT孟买
问题陈述：需要自动驾驶水下车辆（AUV）才能在无法访问人类操作员安全妥协的无法访问，有时甚至有害的位置实现各种任务。在国防和机器人技术的关键领域中有几种应用。bombay研究人员通过设计和开发内部，低成本的AUV，恰当地称为Matsya（梵语中的鱼）来解决这一要求。他们的AUV可以在充满障碍的竞技场，检测和避免障碍物，并操纵将各种物体放在水下。AUV可以以预定义的目标（模拟防御应用）检测和射击鱼雷，并使用声学归巢技术（类似于找到飞机的黑匣子）来定位水下平台。AUV还可以遵循竞技场地板上的特定图案（模拟油管/水下光纤电缆）。
Xianbo Xiang、Lionel Lapierre、Bruno Jouvencel、Guohua Xu、Xinhan Huang。异构自主水下航行器的合作声学导航方案。水下航行器，第 27 章，InTech，第 525-538 页，2009 年，978-953-7619-49-7。�10.5772/6719�。�hal-00733797�
本书专门介绍无人水下航行器 (UUV)。众所周知，UUV 家族有两个独立的分支：遥控航行器 (ROV) 和自主水下航行器 (AUV)。每个分支都有其优点和局限性，以及特定的任务。AUV 和 ROV 之间的区别在于，AUV 采用“智能”，例如传感和自动决策。它们在“头脑”中预先定义了操作计划，使它们能够自主执行任务。ROV 由人类借助基于系绳（电缆、光纤等）的通信链路进行远程控制。然而，将 AUV 技术应用于 ROV（将其转变为“智能”ROV）正在减少这两个分支之间的差异。这本书的标题最初有“智能”一词，在我看来，它正确地揭示了 UUV 发展的趋势。因此，AUV 是本书中大多数文章的主题。
异质自主水下航行器的合作声学导航方案
（UUV）。UUV 家族有两个独立的分支：遥控机器人 (ROV) 和自主水下机器人 (AUV)。每个分支都有其优点和局限性，以及特定的任务。AUV 和 ROV 之间的区别在于 AUV 采用“智能”，例如传感和自动决策。它们的“头脑”中预定义了操作计划，使它们能够自主执行任务。ROV 由人类在系绳（电缆、光纤等）基础上的通信链路的帮助下进行远程控制。然而，将 AUV 技术应用于 ROV（将其转变为“智能”ROV）正在减少这两个分支之间的差异。书名中原本就有“智能”二字，我觉得这个名字很贴切地揭示了UUV的发展趋势。所以，AUV是本书大部分文章的主题。
焦点技术：水下电磁传播
水下电磁信号在导航、传感和通信方面有一系列实际应用。短程导航系统可以基于电磁传播中看到的信号幅度梯度。对于信标应用，声纳系统必须使用相位信息来感测波前方向，并受到多径效应和压力梯度的影响。基于电磁信号的 UUV 导航系统将测量信号强度的增加，作为对朝向信标的移动的直接响应，这将实现非常简单、强大的控制回路。分布式电缆可以设计为沿其长度辐射电磁信号。这种类型的分布式换能器在声学领域没有等效物。电缆可以提供短程导航并减少移动通信所需的范围。这种布置允许实施“有轨电车线”，该线可由 UUV 跟踪，同时允许定期偏移。连续的电车线在 UUV 返回时很容易被拦截。
基于深度学习的流程，用于通过连续捕获的立体视频估计不受约束的水下环境中水生生物的数量和大小
摘要：使用固定式水下摄像机是一种现代且适应性强的方法，可提供持续且经济高效的长期解决方案来监测特别感兴趣的水下栖息地。此类监测系统的共同目标是更好地了解各种海洋生物种群的动态和状况，例如迁徙或商业相关鱼类种群。本文介绍了一种完整的处理流程，用于从固定式水下鱼类观测站 (UFO) 的立体摄像机捕获的立体视频数据中自动确定生物种群的丰度、类型和估计大小。记录系统进行了现场校准，然后使用同步记录的声纳数据进行了验证。视频数据在德国北部波罗的海入口基尔峡湾连续记录了近一年。它展示了水下生物的自然行为，因为使用被动低光摄像机代替主动照明来减弱吸引力并实现尽可能少的侵入性记录。记录的原始数据通过自适应背景估计进行预过滤，以提取具有活动的序列，然后由深度检测网络（即 Yolov5）进行处理。这提供了在两个摄像机的每个视频帧中检测到的生物的位置和类型，用于按照基本匹配方案计算立体对应关系。在后续步骤中，使用匹配的边界框的角坐标来近似所描绘生物的大小和距离。本研究中使用的 Yolov5 模型是在一个新颖的数据集上训练的，该数据集包含 10 类海洋动物的 73,144 张图像和 92,899 个边界框注释。该模型实现了 92.4% 的平均检测准确率、94.8% 的平均精度 (mAP) 和 93% 的 F1 得分。
基于注意机制Res-Dense卷积神经网络的水下目标识别深度学习新方法
摘要：无论在国防还是民用领域，都需要对远距离水下目标进行准确、快速的识别。然而，数据缺乏、舰船工况等因素会显著影响水下声目标识别（UATR）系统的性能。由于海洋环境非常复杂，UATR严重依赖于特征工程，人工提取的特征在统计模型中偶尔会失效。本文提出了一种基于卷积神经网络和注意力机制的端到端UATR模型。该网络模型以原始时域数据为输入，结合残差神经网络和密连接卷积神经网络，充分利用两者的优势。在此基础上，加入通道注意机制和时间注意机制，提取通道维度和时间维度上的信息。经过对实测的四种舰船辐射噪声数据集进行实验，结果表明，所提方法在不同工况下均获得了97.69%的最高正确识别率，优于其他深度学习方法。
圣克罗伊水下跟踪靶场维修/升级
位于美国弗吉尼亚州圣克罗伊岛的海军水下跟踪靶场只是这些设施之一。该水下跟踪设施由海军承包商于 20 世纪 60 年代建造，在安装时遭受了一些损坏，并且由于靶场设施遭受雷击而进一步损坏，雷击成功进入海底电缆并严重损坏了安装在 3,000 英尺深处的水听器跟踪阵列。第一次雷击损坏发生在 1968 年。对一些跟踪阵列和岸上的防雷系统进行了维修。防雷系统于 1972-3 年进行了维修。第二次雷击损坏发生在 1973 年 9 月，损坏了 11 个跟踪阵列中的 5 个。此外，1973 年 5 月在靶场上作业的一艘潜艇对几个已安装的系统造成了损坏。1973 年 11 月，FPO-1 的任务是评估损害情况并规划所有水下阵列的修复行动，以及保护靶场建筑免受进一步雷击。
使用低精度异构声纳浮标传感器的纯角度测量定位水下目标
摘要：本文考虑了水下目标的定位，其中放置了许多声纳浮标来测量目标声音的方位。声纳浮标的方位精度非常低，例如 10 度。在实践中，我们可以使用多个异构声纳浮标，这样传感器噪声的方差可能与另一个传感器的方差不同。此外，一个传感器的最大感应范围可能与另一个传感器的最大感应范围不同。如果传感器检测到目标的方位，则真实目标必须存在于传感器的感应范围内。为了基于低精度的方位测量来估计目标位置，本文介绍了一种基于多个虚拟测量集 (VMS) 的新型目标定位方法。这里，每个 VMS 都是考虑到每个声纳传感器的方位测量噪声而得出的。据我们所知，本文在基于低精度的异构声纳浮标传感器定位目标的 2D 位置方面是新颖的，考虑到传感器的最大感应范围。通过使用计算机模拟将所提出的定位方法与其他最先进的定位方法进行比较，验证了所提出的定位方法的优越性（同时考虑时间效率和定位精度）。