XiaoMi-AI文件搜索系统
World File Search System水下
自动水下车辆的建模和模拟
有几种针对AUV的推进技术。他们中的一些人使用刷子的无刷电动机，变速箱，唇部密封箱和可能被喷嘴包围的螺旋桨。所有这些嵌入在AUV结构中的部分都参与推进。其他车辆使用推进器单元来维持模块化。根据需求，推进器可能配备了用于螺旋桨碰撞保护的喷嘴或减少噪声提示的喷嘴，或者可能配备了直接驱动推进器，以使效率保持最高水平，噪音处于最低水平。高级AUV推进器具有冗余轴密封系统，以确保机器人的适当密封即使在任务期间其中一张密封件失败。
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。
使用IDEA算法的自动水下车辆的监视系统
摘要。自动驾驶水下车辆（AUV）是一种在世界和印度尼西亚广泛发展的水下车辆。这个AUV以商业用途甚至军事目的而闻名。AUV配备了各种传感器和其他设备，以支持在水下观察的活动。这些传感器的使用可以用作水下观察中实际条件的参数。在这个最终项目中，将创建一个基于智能手机的应用程序，以监视AUV上的遥测数据并向车辆添加安全系统。用户可以执行监视过程以确定水下条件，并在网络上配备数据安全系统，以确保在交付过程中确保数据安全性。本应用程序的工作原理是，用户使用国际数据加密算法（IDEA）算法访问数据库服务器上已确保的数据，以进行数据解密过程。使用该算法是因为它是最好的，最新的块状算法，很少使用。遥测数据将在智能手机上处理，以便用户可以在水下看到或监视活动，并可用于实际分析。从实验结果中可以是平均处理时间为0.00065秒，可以得出结论，使用具有IDEA算法的安全系统的遥测数据监视系统可以与AUV上的安全和监视遥测数据一起使用。关键字：AUV，IDEA，KRIPTOGRAFI，加密。
自动水下车辆导航和控制
自主水下车辆（AUV）代表了一项杰出的技术成就，在增强我们对海洋学科学和水下管理的理解方面发挥了重要作用。资源。他们采取了我们探索和与地球上最具挑战性的边界之一探索和互动的方法。AUV的变革性影响植根于其复杂的导航和控制技术，使他们能够具有出色的精确性和可靠性执行复杂操作的能力。AUV的显着自主权是其最定义的特征之一，使他们能够进行广泛的水下探索并收集重要的数据，同时却没有连续的人类监督的限制或被束缚到表面容器的物理局限性的限制。通过整合各种技术的最先进的导航系统使这种独立性成为可能。在表面附近时，AUV会使用GPS定位；一旦被淹没，他们就依靠惯性导航系统和声学定位方法的组合来浏览不断转移和复杂的水下景观，其精度很高[1]。这种先进的导航能力是AUV技术的基石，使这些车辆能够冒险进入未知的海洋领土，以前所未有的细节监测环境条件，并对科学研究，商业风险投资和安全相关任务进行广泛的调查。AUV的持续发展和完善继续推动
使用自动水下车辆（AUV）解决俄罗斯联邦矿产资源综合体（MRC）的问题
自动水下车辆（AUV）是水下机器人开发最先进的领域之一。矿产资源综合体（MRC）的急性行业问题之一是对俄罗斯领土及其大陆架领土的富裕地质研究。本文展示了对世界使用AUV解决此类任务的经验的回顾。此外，它考虑了使用AUV探索MRC的可能性，并使用系统分析方法和数学模型来陪同其在俄罗斯联合会的水域中提取。结果表明，在俄罗斯，AUV和AUV以及控制系统的发展和创建方面缺乏专家。但是，应考虑到将俄罗斯的研究带入海洋研究领域的高级发展，矿产资源的探索需要大幅增加资金。此外，俄罗斯为解决MRC问题的发展和建立是必须解决的紧迫问题。©seecmar |保留所有权利
在边缘的Caveline检测到自主水下洞穴探索和映射
摘要 - 本文探讨了在边缘平台上部署基于Ma-Chine学习（ML）基于基于的对象检测和分割模型的问题，以实现用于自动水下汽车（AUV）的实时Caveline检测，用于水洞探索和映射。我们专门研究了三个ML模型，即U-NET，Vision Transformer（VIT）和YOLOV8，该模型部署在三个边缘平台上：Raspberry PI-4，Intel Neural Compute Stick 2（NCS2）和Nvidia Jetson Nano。实验结果揭示了模型准确性，处理速度和能耗之间的明确权衡。最准确的模型已显示为U-NET，其与联合（IOU）值相比为85.53 f1分数和85.38的交集。同时，分别在高功率和低功率模式下运行的Jetson Nano上的Yolov8模型实现了最高的推理速度和最低的能耗。论文中提供的全面定量分析和比较结果突出了重要的细微差别，这些细微差别可以指导水下机器人上的caveline检测系统的部署，以确保在水下洞穴探索和映射任务期间安全可靠的AUV导航。
可持续发展目标14：水下的生活
14.6到2020年，禁止某些形式的渔业补贴有助于过度容量和过度捕获，从而消除有助于非法，不报告和不受管制的捕鱼的补贴，并避免引入新的补贴，并认识到适当的，有效的发达国家的范围<
使用Snell窗口中的极化模式的生物启发的水下导航
针对水下无人车辆（UUV）的自主导航能力的要求，提出了一种基于Snell窗口内极化模式的水下导航的新型仿生方法。受到生物的启发，极化导航是一种无卫星的导航计划，并且有很大的潜力在水中使用。但是，由于水下环境复杂，是否可以实现UUV两极化导航令人怀疑。为了说明水下极化导航的可行性，我们首先建立了水下极化模式的模型，以证明Snell窗口内的水下极化模式的稳定性和可预测性。然后，我们基于开发的极化信息检测设备进行水下标题确定的静态和动态实验。最后，我们获得了水下极化模式，并在不同的水深度进行跟踪实验。水下极化模式的实验结果与模拟一致，这证明了所提出的模型的正确性。在5 m的水深下，跟踪实验的平均角度和位置误差分别为14.3508°和4.0812 m。可以说明水下两极化导航是可以实现的，精度可以满足UUV的实时导航要求。这项研究促进了水下导航能力和海洋设备的发展。
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）。