MARC

 008260126s2025        us                              c    eng  d
■001000017359826
■00520260202105220
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566176
■035    ▼a(MiAaPQ)AAI32271802
■035    ▼a(MiAaPQ)umichrackham006207
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aSethuraman,  Advaith  V.
■24510▼aDeep  Learning  Methods  for  Autonomous  Underwater  Survey,  Reacquisition,  and  Close-Range  Inspection
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Skinner,  Katherine    A.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aUnderwater  robots  perform  crucial  search,  inspection,  and  manipulation  tasks  in  environments  that  are  dangerous  or  impossible  for  humans  to  operate  in.  In  order  to  safely  perform  useful  work,  it  is  crucial  for  these  robotic  systems  to  be  equipped  with  algorithms  that  enable  spatial  awareness,  decision  making,  and  localization.  Alternate  sensing  modalities  such  as  sonar  address  some  of  these  challenges  but  introduce  new  trade-offs:  acoustic  noise,  view-dependent  imaging,  and  lack  of  large  datasets  for  machine  learning  methods.      This  dissertation  addresses  challenges  associated  with  autonomous  survey,  reacquisition,  and  inspection  missions  for  underwater  robots.  Autonomous  survey  encompasses  the  deployment  of  robots  to  capture  imagery  of  a  large  search  area.  Reacquisition  refers  to  the  maneuvers  to  capture  varying  views  of  any  found  objects.  Finally,  close-up  inspection  of  objects  involves  capturing  optical  and  acoustic  imagery  of  objects  for  downstream  tasks.  These  tasks  are  crucial  to  search  and  rescue,  oceanography,  defense,  and  infrastructure  inspection  applications.  Traditionally,  search  for  submerged  objects  of  interest  has  been  carried  out  with  ship-mounted  sonar  and  human  divers.  However,  this  manual  process  is  time  consuming  and  does  not  scale  to  large  search  areas.  The  use  of  AUV  promises  to  speed  up  the  process  of  underwater  survey  and  inspection.  However,  the  data  these  vehicles  collect  often  requires  manual  analysis  by  humans,  which  can  take  weeks  and  does  not  enable  in-situ  autonomous  decision  making.  Although  machine  learning  methods  can  speed  up  decision  making  and  data  processing,  there  are  several  challenges  for  deploying  machine  learning  methods  in  the  field.  After  an  item  has  been  found,  marine  robotic  systems  can  be  deployed  for  a  close-up  inspection  to  enable  detailed  surveys  of  targets.    This  work  contributes  several  novel  methods  that  aim  to  enable  autonomous  search  and  survey  for  marine  robotic  systems.  The  first  contribution  of  this  work  is  a  method  that  addresses  the  lack  of  training  datasets  for  object  identification  in  sonar  imagery  collected  from  robotic  search  missions.  Specifically,  this  work  presents  a  method  for  shipwreck  segmentation  that  is  trained  entirely  in  simulation  and  performs  zero-shot  shipwreck  segmentation  with  no  additional  fine-tuning  on  real  data.  The  second  contribution  is  a  diverse,  open-source  dataset  and  benchmark  for  shipwreck  segmentation  in  sonar  imagery.  This  contribution  establishes  an  open-source  benchmark  and  enables  future  research  in  machine  learning  for  ocean  exploration.  After  an  object  is  found,  operators  may  perform  lower-altitude,  specialized  survey  patterns  for  imaging  the  object  of  interest.  The  third  contribution  is  an  adaptive  surveying  algorithm  that  plans  more  efficient  re-inspections  of  detected  targets  using  side  scan  sonar.  This  algorithm  is  a  novel  active  perception  method  for  side  scan  sonar  that  both  chooses  the  next  best  view  to  maximize  classifier  performance  and  aggregates  and  classifies  multiple  views  from  an  adaptive  survey.  Finally,  we  develop  a  novel  Gaussian  splatting  framework  for  close-range  inspections  using  imaging  sonar  that  demonstrates  realistic  novel  view  synthesis,  accurate  3D  reconstruction,  and  models  acoustic  streaking  phenomena.  This  method  can  enable  3D  mapping,  synthetic  data  generation  of  realistic  imaging  sonar  data  for  training  deep  learning  models,  and  additionally  enables  denoising  of  captured  sonar  data,  allowing  for  increased  interpretability.  The  methods  presented  throughout  this  thesis  are  evaluated  on  real-world  datasets  collected  from  field  work  experiments  using  marine  robotics  platforms.  This  dissertation  represents  progress  toward  fully  autonomous  underwater  systems  that  can  operate  with  minimal  human  oversight  in  order  to  greatly  accelerate  search  and  survey  missions  for  critical  underwater  applications.
■590    ▼aSchool  code:  0127.
■650  4▼aRobotics
■650  4▼aMechanical  engineering
■653    ▼aUnderwater  robotics
■653    ▼aMachine  learning  methods
■653    ▼aComputer  vision
■690    ▼a0771
■690    ▼a0800
■690    ▼a0548
■71020▼aUniversity  of  Michigan▼bRobotics.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359826▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서