贴张某dalao在RSS,icra上演讲的图。平台本身包括协同多种类型的机器人UAV+USV+AUV来完成环境检测等任务（Mcgill有做）；以及长航程auv, southampton有做航程6000km+的auv；利用Wave glider的usv能更节能跑长航程17000km跨太平洋。这部分可能还包括保障平台航行的其他系统，比如自动避障之类的。2. 导航和建图利用搭载的传感器一般包括多普勒速度仪(DVL), 声呐，压力计，摄像头，做定位以及地图构建。这部分早年做的比较多，这几年看见的蛮多是说利用低成本的传感器配置来完成这工作（早期mit, usyd, umich和usc有做）。这几年做isam的大哥好像也开始转战做基于声呐的SFM。3.路径规划因为水声通信带宽有限，不能实时把拍摄的视频/照片传回用户端，所以观测型AUV很多时候做调研是指定预定的轨迹来做的。但这个过程其实会覆盖很多不感兴趣的区域，所以也就有了自适应路径规划这思路。AUV直接处理拍摄的图片，分析图片内容，传回高度抽象的信息,或者根据这些信息改进自身路径，这部分见WHOI&MIT有在用topic model做。还有另外一些路径规划的方向，比如在长期环境检测任务种，规划能最优改进所建立环境模型的路径（usyd, mcgill都有做）。4.数据分析采集到的视觉图像体量很大，并且所需的很多信息是大于单张图片尺度的，所以难以直接人工分析。基本操作利用SLAM或者SFM来做拼接，三维模型构建。另外，因为这领域的数据标注成本较高，所以前些年很多工作是做无监督学习来聚类这些图像，再返给专家来赋涵义，最后投到构建的整个地图上，来看整个栖息地的情况。这几年深度学习起来以后，更多的深度学习方法来做包括分类，基于稀疏标注的分割等等。（usyd, u of georgia, ucsd, u of zaragoza都有做，还有原来在东大现在跑南安的一个老哥也在做）5.应用这部分嘛，号称能助力海洋生物学，地质学，考古啥啥啥的。
查看全部评论(3)