Bathymetric Surveying Through Neural Inverse Sonar Modeling

QC 20240516

Abstract

Autonomous underwater vehicles (AUVs) utrustade med sidescan sonars (SSS) och remotely operated behicles (ROVs) utrustade med forward looking sonars (FLS) har blivit avgörande verktyg för många undervattensapplikationer. Ett av dessa applikationer är batymetrisk kartläggning som är en av de viktigaste men samtidigt mest utmanande undervattensapplikationen. Genom att tillhandahålla högupplöst bildmateriel är SSS och FLS särskilt lämpliga verkty för kompakta, kostnadseffektiva och skalbara fordon. En begräsning i FLS samt SSS fasstyrda grupp ekolod design är att deras mätningar blir tvetydiga i höjdled.Denna begränsning gör invers sonarmodellering nödvändig för noggrann och detaljerad batymetrisk kartläggning i uppdrag på öppet hav.Att lösa ett sådant invers problem är vanligtvis en svår uppgift, även med upprepade observationer från olika avstånd och synvinklar. Därför har denna avhandling fokuserat på inlärnings baserade tillvägagångssätt för sonarmodellering i syfte att dra nytta av framsteg inom nyligen utvecklad djupinlärningsteknik.

Vi presenterar våra bidrag inom tre områden som hanterar invers sonarmodellering.Först visar vårt arbete med en inlärningsbaserad SSS-modell och datadrivna metoder hur convolutional neural networks (CNNs) framgångsrikt kan användas för att lära sig den inversa modellen på ett Väglett sätt.Vidare visar vi hur olika CNN-estimat kan kombineras beroende på vilken representation av havsbotten som används. Vi demonstrerar att med en explicit gitterrepresentation kan osäkerhetsestimat från CNN-förutsägelser vara till hjälp vid sammanslagningen. Med en implicit neural representation, specifikt en neural höjdkarta parametriserad av flerlagers perceptroner (MLPs), kan sammanslagningen hanteras implicit genom att formulera problemet som en global optimeringsfråga.För det andra utnyttjar vi metoden att representera havsbotten med implicita neurala representationer och föreslår användningen av en lambertiell modell baserad på ytritning för sonarmodellering. Detta tillvägagångssätt kräver inte insamling av verklig batymetri och kan användas på olika dataset med olika sensorsystem. Experimenten visar också att metoden kan konvergera till en självkonsistent karta utan några externa batymetriska data.Slutligen anpassar vi två olika typer av differentierbara volymrenderingstekniker inom datorgrafik till sonarmodellering och visar deras fördelar över ytritning för att noggrant modellera fysiken bakom sonarens insonifieringsprocess. Specifikt använder vi en mjuk rasteriseringsbaserad renderare med explicita nätrepresentationer och en strålspårningsbaserad volymrendering med implicita neurala representationer och parametriska kodningar. Den senare lösningen kan särskilt dra nytta av framsteg inom djupinlärning utan lambertiell approximation.Våra resultat visar att det föreslagna tillvägagångssättet inte bara överträffar lösningar baserade på ytritning, utan dess parametriska kodning gör det även möjligt att överträffa volymrenderingsmetoder med icke-parametriska kodningar. Vi demonstrerar också den potentiella tillämpningen av att öka upplösningen på en karta med låg upplösning med FLS-data från undersökningar på låg höjd.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-346474