| dc.description.abstract | Økt bruk av autonome undervannsfarkoster (Autonomous Underwater Vehicle, AUV) skaper en økende etterspørsel etter systemer for undervannsnavigasjon. Derfor har viktigheten av å tilby robuste og nøyaktige langsiktige systemer for undervannsnavigasjon aldri vært større. En av de vanligste navigasjonsmetodene som brukes av undervannsfarkoster består av å estimere posisjon ved bruk av en Doppler Velocity Log (DVL) kombinert med treghetsnavigasjon (Inertial Navigation, IN). DVL-ekkoloddet måler den relative hastigheten mellom instrumentet og bunnen av en vannmasse ved å estimere Dopplerskiftet mellom flere akustiske stråler som peker i forskjellige retninger. For at DVL-er skal måle hastigheten nøyaktig, krever det avansert bunndeteksjon. Vanlige bunndeteksjonsalgoritmer er heuristiske algoritmer som avhenger av historikk, kjente terskelverdier og krever tidkrevende kalibrering for hvert instrument.
En tilnærming som bruker tilbakevendende nevrale nettverk (Recurrent Neural Networks, RNN) til bunndeteksjonsoppgaven ble foreslått. Syv forskjellige modeller ble designet, optimert og testet på tidsseriedata av akustiske amplitudesignal, tatt opp med diverse Nortek DVL-instrumenter. Modellene utførte binær klassifisering for å finne bunnekko i akustiske signaler. De trente RNN-modellene viser konkurransedyktige resultater, ettersom de oppdager bunnekko med en gjennomsnittlig nøyaktighet på 98.22%, på tvers av alle modeller. Modellen som presterte best oppnådde en nøyaktighet på 98.78%, testet på 247 352 usette eksempler. RNN modellene oppdaget bunnekko i tilfeldige sekvenser av signaler som stammer fra syv forskjellige Nortek DVL-er uten tuning for et spesifikt instrument.
I tillegg ble det foreslått et forbedret måltall for intervalldeteksjon. På grunn av at kun små deler av hvert signal tilsvarer bunnekkoet var det mye ubalanse i dataene. Overlapp er foreslått som en løsning. Overlapp vurderer kun hvor mye av det detekterte bunnekkoet som overlapper med det sanne ekkoet. Gjennomsnittlig overlapp på tvers av alle modeller var 82,66% med et maksimum på 87,74%.
Alle de syv RNN-modellene ble konvertert til tensorflow lite (tflite)-modeller, og kvantisert med float 16-konvertering, noe som resulterte i totalt 14 tflite-modeller. Det ble vist at disse modellene hadde tilsvarende deteksjonsresultater som de originale modellene, med noe fall i ytelsen til de to modellene som i utgangspunktet hadde best ytelse. Tflite-modellene ble overført til et DIGI-CC8MNDVK-kort og testet for deteksjonstid og minneavtrykk. De ble testet på 5000 eksempler fra testdatasettet, ved å bruke CPU-beregninger med XNNPACK-delegatet. Alle modellene utførte deteksjon raskere enn den maksimale ping-frekvensen for Norteks instrumenter, på 8 Hz. Den raskeste modellen brukte 5,968 ms per eksempel og den tregeste brukte 51,45 ms. Deteksjonstidene var invariante for float 16-kvantiseringen og kom i stor grad an på RNN-modellens kompleksitet. | |
| dc.description.abstract | Increased use of autonomous underwater vehicles (AUVs) creates a growing demand for underwater tracking solutions. Hence the importance of providing robust and accurate long-term subsea navigation systems has never been greater. One of the most common navigation methods employed by underwater vehicles consists of estimating position from Doppler Velocity Log (DVL) and inertial navigation (IN) system data. The DVL sonar measures the relative velocity between an instrument and the bottom of a body of water by estimating the Doppler shift of multiple acoustic beams that point in different directions. In order for DVLs to measure the velocity accurately it requires advances bottom tracking technology. Current bottom tracking algorithms are heuristic algorithm that depend on history, previously known features and requires time-consuming tuning for each instrument.
A recurrent neural network (RNN) approach to the bottom tracking task was proposed. Seven different models were designed, tuned, optimised and tested on amplitude time series data recorded by Nortek on various Nortek DVL instruments. The models performed binary classification to find time samples corresponding to bottom echoes. The trained RNN models display competitive results as they correctly detect bottom samples with an average accuracy of 98.22%, across all models. The best performing model achieved an accuracy of 98.78%, tested on 247 352 unseen examples. These models successfully detect bottom echoes in random sequences of samples stemming from seven different Nortek DVLs without tuning for any specific instrument.
Additionally an improved metric for interval detection was proposed. Due to only small parts of each signal corresponding to the bottom echo a lot of imbalance was present in the data. The overlap metric is proposed as a solution, as it only considers how much of the detected bottom echo overlaps with the true labels. The average overlap across all models was 82.66% with a maximum of 87.74%.
All seven RNN models were converted into tensorflow lite (tflite) models, and quantised with float 16 conversion, resulting in a total of 14 tflite models. These models were shown to have similar detection results to the original models, with some fall in performance of the two best performing models. The tflite models were transferred to a DIGI-CC8MNDVK board and tested for inference times and memory footprints. They were tested on 5000 examples from the test dataset, using CPU computations with the XNNPACK delegate. All models performed inference faster than the maximal ping frequency for Nortek instruments of 8 Hz. The fastest model used 5.968 ms per example and the slowest used 51.45 ms. Inference times were invariant to the float 16 quantisation and largely depended on RNN model complexity. | |
