XiaoMi-AI文件搜索系统
World File Search System水下
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。
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。
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。
中俄“一带一路”多边水下考古任务启动
某些地方深度达 1000 米（例如潘泰莱里亚岛附近）。 最窄处宽 145 公里，位于西西里马尔萨拉镇附近的菲托角和突尼斯纳布勒省的邦角之间。 它为地中海的远洋船只创造了一个天然的瓶颈。 这是一条航运路线，也是一个具有重要战略意义的地区，古代每个征服者都渴望控制它，或者至少保持开放以确保人员和货物的自由流动。 该地区遍布水下火山，其中六座是最近才被发现的。它们位于海峡西北部，距离西西里岛海岸不到二十五公里。 从环境角度来看，该地区具有重要的战略意义，因为它是地中海东部和西部盆地的理想边界。它也是多种鱼类的主要繁殖地。
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。
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。
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。
