AUVのためのニューラル支援による統合アライメント・キャリブレーション手法

本論文は、AUV（自律型水中ビークル）の航法に必要なINS（慣性航法システム）とDVL（ドップラー速度ログ）の融合のための、DVL初期化パイプラインを提案している。従来はモデルベースのアルゴリズムで行われていたアライメント（INSとDVLのフレーム間の回転推定）とキャリブレーション（DVLの誤差項推定）の2段階を、それぞれResAlignNetとDCNetという2つのニューラルネットワークに置き換える。このパイプラインは、ほぼ等速度の単一軌道でその場（in situ）で動作し、モデルベースのベースラインと同じ入力を使う。

従来のモデルベース手法は、複雑な機動、水面での衛星参照計測、簡略化された誤差モデルを必要とし、初期化に時間がかかり、軌道に依存し、センサ品質に敏感である。提案手法は、ニューラルネットワークを用いることで、これらの要件を排除し、単一のほぼ等速度軌道で25秒のデータのみで初期化を完了する。実データで平均68.7%の速度RMSE削減を達成しており、従来法より大幅に優れている。

手法の肝は、アライメントとキャリブレーションをそれぞれ専用のニューラルネットワーク（ResAlignNetとDCNet）で置き換える点である。これらはモデルベースのベースラインと同じ入力を使い、統一されたパイプラインとして機能する。ResAlignNetは回転推定を、DCNetはDVLの誤差項推定を学習する。ネットワークは実データで訓練され、従来の複雑な機動や衛星参照を必要としない。

5つの異なるセンサ誤差項の組み合わせで記録された実世界データを用いて検証した。提案パイプラインは、モデルベースのベースラインと比較して、速度の二乗平均平方根誤差（RMSE）を平均68.7%削減した。初期化にはわずか25秒のデータを使用している。

要旨からは、提案手法の限界や議論についての詳細は不明である。ただし、ニューラルネットワークを用いることで、訓練データの分布に依存する可能性や、異なるセンサ構成への一般化が課題となる可能性が考えられるが、要旨には明記されていない。

要旨で参照されているモデルベースのベースライン手法や、関連するINS/DVL融合の初期化手法に関する論文が挙げられる。具体的には、従来のアライメントとキャリブレーションのモデルベースアルゴリズムに関する研究や、ニューラルネットワークを用いたセンサ融合の応用研究が関連する。