Virtual acoustic underwater simulations

I forlængelse af det tidligere projekt “Virtuelle fotorealistiske undervandsmiljøer til dataforøgelse i træning af maskinlæringsmetoder til klassificering og navigering med UUV’er”, vil det være gavnligt at inkludere en sonarsensor i den valgte UUV-scenarie og simulering af denne, da visuelle data kan blive begrænset af sløring ved høj turbiditet, f.eks. i havnemiljøer, ved højere afstand til inspektionsemnet, eller under dårlig belysning. Valget af sonarsystem skal tage højde for specifikke behov og betingelser i det udvalgte undervandsmiljø. Dette vil give mulighed for at indsamle og sammenslutte akustiske data sideløbende med de optiske, hvilket kan bidrage til en mere omfattende og alsidig gengivelse af undervandsmiljøet. Forsvarsmæssigt er det særligt interessant for at opnå robust detektion af objekter i et udvidet arbejdsområde. Det kan fx være i forhold hvor objekter er skjult af marinebegroning, let nedgravede eller af andre maskeringer, som kan penetreres af akustiske signaler.
Ved siden af de tidligere optiske simuleringer skal derfor udviklet og anvendes en sonar-simuleringsmodel. Det involverer en kompleks forståelse af akustisk signalbehandling, samt de unikke egenskaber ved lydpropagation under vand, hvorfor det tiltænkes at anvende en eksisterende ultralydssimulator (Field-ii, udviklet af DTU) til selve simulering. Dette trin vil drastisk forbedre muligheden for en holistisk simulering af det undervandsmiljø, som UUV'erne skal operere i.
Inklusionen af sonardata giver mulighed for at træne mere robuste og alsidige maskinlæringsmodeller. Sonardata kan anvendes til at styrke modellernes evne til objektdetektion og klassificering, især (som nævnt) i scenarier, hvor optiske data er utilstrækkelige eller upålidelige, så som under høj turbiditet. Endvidere vil integrationen af forskellige sensor-data typer kunne munde ud i udviklingen af en multisensor-datafusion algoritme, som kan forbedre præcisionen og pålideligheden af de trænede modeller.
At inkludere sonardata vil utvivlsomt føre til tekniske udfordringer, såsom behovet for at synkronisere data fra forskellige sensorer og udfordringerne i at udvikle en realistisk sonar-simuleringsmodel. En yderligere teknisk udfordring vil være at sikre, at maskinlæringsalgoritmerne kan effektivt flette de optiske og sonar-baserede data til at producere pålidelige resultater.