XiaoMi-AI文件搜索系统
World File Search System水下
海军大型无人水面和水下航行器
海军的开发和采购计划包括两种大型 USV（大型无人水面航行器 (LUSV) 和中型无人水面航行器 (MUSV)）的开发计划，以及一种大型 UUV（超大型无人水下航行器 (XLUUV)）的开发计划。海军希望开发和采购 LUSV、MUSV 和 XLUUV，作为海军转向更分散的舰队架构的努力的一部分，这意味着将海军的能力分散到更多平台上，避免将舰队整体能力的很大一部分集中在相对较少的高价值舰船上（即避免“把太多鸡蛋放在一个篮子里”的舰船组合）。海军提出的 2024 财年预算要求为 LUSV 项目提供 1.174 亿美元的研发 (R&D) 资金，为 MUSV 项目提供 8580 万美元的研发资金，为 LUSV/MUSV 支持能力提供 1.763 亿美元的研发资金，为 XLUUV 项目提供 1.043 亿美元的研发资金，并为 UUV 核心技术（包括但不限于 XLUUV）提供 7120 万美元的额外研发资金。
设计水下自由空间光通信系统的新方法
涉及多个水下航行器与海底节点的海洋观测系统对更好地了解海洋起着重要作用，而水下无线通信对于海量数据交互至关重要。与声学等方法相比，具有带宽和综合作用距离的光通信是首选方法。然而方向性的存在使得光学方法难以使用，特别是当收发器配备在动力航行器上时。本研究提出了一种水下自由空间光通信信息传输方法。研究并建模了水下光传输特性、光电信号处理和调制解调算法。提出并仿真了实现水下自由空间光通信的新方法。开发了包括自由空间光发射器和接收器的原型机，并进行了不同场景下的测试，观察到的结果包括：（1）使用最少数量的LED，达到了空间均匀照明的效果，发射机覆盖范围达到160°。 （2）当发射机功率为10W，通信速率为1Mbps时，最大通信距离可达13m。
稳定扩散启用水下深度估计
单眼深度估计在近年来，由于深度学习的进步，近年来在陆地图像上取得了重大进展。，但主要是由于数据稀缺性而导致的水下场景不足。鉴于水中的光衰减和背面的固有挑战，获得清晰的水下图像或精确的深度非常困难且昂贵。为了减轻此问题，基于学习的方法通常依赖于综合数据或转向自欺欺人或无监督的举止。尽管如此，它们的性能通常受到域间隙和宽松的约束而阻碍。在本文中，我们提出了一种新的管道，用于使用准确陆地深度生成感性的水下图像。这种方法有助于对水下深度估计的模型进行超级培训，从而有效地降低了限制和水下环境之间的性能差异。与以前的合成数据集相反，这些数据集仅将样式转移应用于没有场景内容的情况下的Terres试验图像，我们的方法通过通过创新的STA-
基于水下计算机视觉的视频溺水检测设备
抽象溺水是一个重要的公共健康问题。视频溺水检测算法是找到溺水受害者的有用工具。但是，溺水研究研究的三个挑战通常会遇到：缺乏实际的溺水视频数据，微妙的早期溺水特征以及缺乏实时时间。在本文中，作者提出了一个水下计算机视觉的溺水检测装置，该检测设备由嵌入式AI设备，相机和防水外壳组成，以解决上述问题。检测设备利用Jetson Nano的高性能计算通过在获得的水下视频流中提出的溺水检测算法实现溺水事件的实时检测。所提出的溺水检测算法主要由两个阶段组成：在第一步中，成功地解决了周围环境的干扰，并为视频溺水检测提供了值得信赖的基础，Yolov5N网络用于根据溺水者的特征来检测近事实的人体。在第二阶段，作者提出了一个基于深层高斯模型，用于快速特征向量检测。轻巧的DDN与高斯模型相结合，以检测高级语义特征的异常，该功能具有更高的鲁棒性，并解决了缺乏溺水视频的缺乏。实验结果表明，所提出的溺水检测算法具有良好的全面性能和实际应用值。
自动水下车辆的数字双辅助
自动驾驶汽车（AUV）是海洋学和军事目的的主要研究工具。这些车辆的建造资本更大，一旦部署在海洋中，它就失去了与陆地世界的所有连通性，并且很难预测AUV的工作状态和健康状况，这不仅会阻碍AUV的透明度，而且还会蚀至现实时代的数据提取能力。本文通过部署与AUV同步移动并在水下与AUV连接的自动型表面车辆（ASV）专门解决了此问题。因此，通过集成IOT Twin Maker Service（Amazon Web Services（AWS）提供的数字双技术服务）来可视化提取的健康和监视数据。此外，可以通过插入AWS提供的Edge Computing软件来实现本地处理数据并进行现场决策的能力。结果描述了AUV的数字双胞胎模型以及其实时健康状况。
水下网络安全加密的量子密钥分发
摘要 — 安全性是水下声学网络的一个重要方面，水下声学网络通常用于关键任务场景，例如沿海监视、快速环境评估和水雷对抗应用。声学信道的广播性质使其容易受到各种攻击，例如欺骗、中间人和干扰。此外，缺乏标准化的密钥分发系统使数据保密性具有挑战性。在本文中，我们研究了量子密钥分发 (QKD) 在水下网络中的使用，以确保通信的保密性和完整性。虽然在陆地领域，一次性密码本协议（要求密钥长度等于消息长度）的使用受到 QKD 速率低于无线电传输比特率的限制，但在水下领域，声学信道的有限带宽使 QKD 也成为一次性密码本协议的有效方法。该系统通过模拟器和现场测试进行了测试：结果表明，QKD 可以成为保护水下声学网络的有效系统。
用于机器人操作的虚拟水下浮动操作系统
本文提出了一种基于并联和串联机器人平台的虚拟水下浮动操作系统 (VSFOS)。其开发的主要目的在于以更简单、更安全的方式进行模拟水下操作实验。该 VSFOS 由一个六自由度 (6-DOF) 并联平台、一个 ABB 串联机械手、一个惯性传感器和一个实时工业计算机组成。6-DOF 平台用于模拟水下航行器的运动，其姿态由惯性传感器测量。由实时工业计算机控制的 ABB 机械手作为操作工具执行水下操作任务。在控制系统架构中，开发了软件来接收惯性传感器收集的数据、进行通信和发送指令。此外，该软件还显示机械手的实时状态。为了验证所提出的系统，进行了两项实验来测试其性能。第一个实验主要测试VSFOS的通信功能，第二个实验主要测试机械臂跟随并联平台运动，在空间中执行模拟操作任务，两个实验的结果证明了VSFOS的有效性和性能。
西雅图港水下噪音缓解和管理计划 (UNMMP)
图 4. 黎明时分，起重机准备在杜瓦米什河修复工地打桩。 图片来源：Sasha Ertl/Grette Associates .............................................. 8 图 5. 根据船舶自动识别系统的数据，普吉特海湾船舶交通快照。 ........................................................................................... 10 图 6. 在港口码头，起重机放置在集装箱上方，准备装船。 图片来源：Sasha Ertl/Grette Associates ............................................................. 11 图 7. 根据打桩分析的海洋哺乳动物监测区。 图片来源：西雅图港 ......................................................................................................... 14 图 8. 一名海洋哺乳动物观察员在埃利奥特湾的打桩作业期间观察受保护的海洋哺乳动物。 图片来源：Sasha Ertl/Grette Associates ............................. 15 图 9. 冲击锤在杜瓦米什河修复工地使用气泡幕打桩。图片来源：Sasha Ertl/Grette Associates .............................................................. 17 图 10. 创新型双壁桩设计图。图片来源：Marine Construction Technologies ...................................................................... 18 图 11. 双壁桩悬挂在水面上准备安装。图片来源：Reinhall 2015 .................................................................... 19 图 12. 在杜瓦米什河修复工地打入双壁桩期间的水声监测。图片来源：Sasha Ertl/Grette Associates ............................................. 20 图 13. 使用中的铲斗挖泥船。图片来源：Sasha Ertl/Grette Associates ............................................. 22 图 14. 用于开放水域监测/记录的水听器装置。图片来源：AZO Sensors ............................................................................................................. 23 图 15. 用于记录埃利奥特湾环境水下噪音的设备。图片来源：Sasha Ertl/Grette Associates ...................................................................................... 24 图 16. 艾略特湾水下环境噪音记录设备。 图片来源：Sasha Ertl/Grette Associates ...................................................................................... 25 图 17. 渔人码头的码头标识。 图片来源：西雅图港 ...................................................................... 26 图 18. WRAS 的工作原理。 图片来源：Ocean Wise ...................................................................... 27 图 19. Be Whale Wise 指导手册。 图片来源：西雅图港 ...................................................................... 28
水下图像增强的多尺度级联注意网络
水下环境的复杂性以及水中的轻衰减和散射通常会导致水下图像中的质量降解，包括颜色失真和细节模糊。为了消除水下成像中的障碍，我们提出了一种基于级联注意网络MSCA-NET的水下图像增强方法。特别是该方法设计了一个注意引导的模块，该模块以串行和并行方式连接通道和像素的注意，以同时实现通道特征的重新填充和特征表示增强。之后，我们提出了一个多尺度特征集成模块，以捕获图像中不同尺度的信息和详细信息。同时，引入了残留连接，以通过从浅水功能中获取更详细的信息来帮助深度功能学习。我们在各种水下数据集上进行了广泛的实验，结果表明，与最新的水下图像增强方法相比，我们的方法仍然具有优势。
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。