Machine Learning for bottom-detection in Doppler Velocity Logs
Description
Full text not available
Abstract
Den voksende utviklingen og utvidede bruken av autonome undervannsfarkoster (Autonomous Underwater Vehicle, AUV) har bidratt til en økende etterspørsel av nøyaktig, robust og langsiktig undervanns navigasjon. Moderne undervanns navinkorporerer ofte sensor fusjon for å utnytte styrkene ved ulike måleverktøy, og oppveie for eventuelle svakheter. For dette formålet er Doppler Velocity Logs (DVLs) mye brukt som hastighetssensor, da den motvirker den økende feilen introdusert av treghetsnavigasjonssystemer. Dette fremhever hvorfor det er nødvendig med nøyaktige DVL hastighetsmålinger, og dermed også nøyaktig bunndeteksjonsteknologi. Den innebygde bunndeteksjons-algoritmen bidrar direkte til hastighetsestimering ved å detektere hvilken sekvens av et akustisk signal som tilsvarer bunn. Den nåværende Nortek bunndeteksjons-algoritmen er avhengig av tidligere deteksjoner og vurderer bunn ved hjelp av kjente terskelverdier – i tillegg kreves det tilpasning av parametre for nye DVL-instrumenter. For å unngå disse ulempene ble det utviklet en nevralt nettverk-assistert bunndeteksjonsmetode ved å trene et 1D-Convolutional Neural Network (1D-CNN) og et Fully Connected Deep Neural Network (FCDNN) til å utføre bunndeteksjon ved binær klassifisering og regresjon. Nettverkene ble trent på bearbeidete og detekterte akustiske signaler fra flere ulike instrumenter, for å sikre nøyaktig og generisk bunndeteksjon.
De trente 1D-CNN og FCDNN binær klassifiseringsmodellene viser konkurransedyktige resultater da de lykkes i detektere korrekt i henholdsvis 98.03% og 99.35% av test-dataen, som er nesten like nøyaktig som den omtrentlige deteksjonsraten 1 99.39% beregnet for Norteks bunndeteksjonsalgoritme. Modellene lykkes dermed også i å unngå den tidkrevende oppgaven med å stille inn parametere, og klarte å oppdage riktig bunnintervall i tilfeldige signaler fra 7 ulike Nortek DVLs. I tillegg klarte 1D-CNN binær klassifiseringsmodellen å oppdage bunn i alle bunn-signalene som Nortekalgoritmen bommet på2. Den noe overivrige oppførselen til modellen ble begrenset ved å implementere en sannsynlighets-poengsum, hvilket resulterte i 28,67%. høyere deteksjonsrate på signalene som ikke inneholdt bunn i testsettet fra Datasett A, og en økt generell deteksjonsrate på henholdsvis 99,51% og 99,3% for testsettet og signalene som Nortek algoritmen bommet på. Nøyaktigheten ble dermed bevart, mens robustheten økte.
Videre ble det utforsket en alternativ metode for hastighetsestimering ved hjelp av en DVL, nemlig å trene de nevrale nettverkene til å utføre deteksjon av stabil fase i Norteks autokorrelasjon fasesignaler. Her var tilgangen til data begrenset, og dataen var mindre varierende og mindre generisk – dermed ble metoden sammenlignet med modellene trent på de korresponderende amplitudesignalene, for å sammenligne prestasjonene og dermed ha et grunnlag til å forutsi potensialet ved å benytte denne alternative metoden. 1D-CNN binær klassifiseringsmodellen trent på de korresponderende amplitude-og autokorrelasjon fasesignalene hver for seg, lykkes i å utføre begge oppgavene med tilsvarende prestasjon. Modellen oppnådde en deteksjonsrate på henholdsvis 97,23 % og 94,4 % på testsettet til Datasett B. Dersom stabil fasedeteksjon fortsetter å vise samme potensiale som bunndeteksjon på større og mer varierende og generisk data, kan denne metoden være fordelaktig å benytte videre ved nevralt nettverk-assistert hastighets-estimering i DVLs, grunnet hastighetsinformasjonen som autokorrelasjon fasesignalene inneholder. The surge of autonomous underwater vehicles (AUV) development and application has contributed to a growing demand for positional tracking underwater, increasing the importance of providing robust, accurate, and long-term subsea navigation. Current state-of-the-art subsea navigation technology commonly provides sensor-fusion to achieve accurate positional estimates by having various measured properties outweighing each others’ weaknesses and strengths. For this purpose, the Doppler Velocity Log (DVL) velocity-sensor counteracts the growing error introduced by Inertial Navigation Systems, accentuating the importance of accurate DVL-measurements, hence accurate bottom-tracking technology. The incorporated DVL bottom-tracking algorithm enables velocity estimation by detecting the sub-sequence of an acoustic echo that corresponds to the bottom and analyzes it for Doppler shift. The current Nortek heuristic algorithm depends on history and previously known features and requires time-consuming tuning for each instrument. A neural network-assisted bottom-detection method was performed to avoid these disadvantages by training a 1D-Convolutional Neural Network (1D-CNN) and a Fully Connected Deep Neural Network (FCDNN) binary classification and regression-models on processed and labeled acoustic signals to achieve accurate bottom-detection generalized for various instruments.
The trained 1D-CNN and FCDNN binary classification models displays exceptional and competitive results as they correctly detect bottom or non-bottom in 98.03% and 99.35% of the test data, respectively. For reference, the approximate detection rate is 99.39% for the current Nortek bottom-tracking algorithm on the same data. These Deep Learning (DL) models successfully avoids the time-consuming task of tuning for each instrument and detects bottom in random, individual samples stemming from seven different Nortek DVLs. Additionally, the 1D-CNN binary classification model detected bottom in 100% of the signals that contained bottom in the missed ping dataset. Furthermore, an implementation of a certainty score constraint contributed to avoiding overeagerness in the 1D-CNN binary classification model, resulting in a detection rate increase on non-bottom signals in the test set Dataset A by 28.67%. Additionally, the total detection rate increased to 99.51% on the test set and 99.3% on the missed pings, successfully avoiding the significant overeagerness in the predictions while retaining most of the detections performed on the missed pings containing the bottom.
An alternative approach of enabling velocity estimation was performed by training the DL models to perform stable phase detection of Nortek DVL autocorrelation phase signals. However, less variable and less generalized data was available due to a limited autocorrelation phase signal supply. Thus the potential of the method was evaluated by comparing it to the performance of bottom-detection in corresponding amplitude signals. The 1D-CNN binary classification model trained on this smaller dataset containing amplitude-and corresponding autocorrelation phase signals could solve the tasks with similar good results, obtaining detection rates of 97.23% and 94.4% on the test set, respectively. Consequently, the potential displayed in stable phase-detection in autocorrelation phase signals, and the ability to provide direct velocity information, indicate that this method is advantageous when further exploring neural network-assisted DVL velocity-estimation.