Long-term visual localization in deep-sea underwater environment
Résumé
With the advent of autonomous underwater vehicles comes the need to localize them precisely in their environment. The robot’s location is usually retrieved using acoustic positioning systems. However, in the context of autonomous vehicles, these systems may not be available or sufficiently accurate. A finer localization could be obtained using the robot’s visual observations. In this study, we benchmark state-of-the-art visual localization methods that were developed for terrestrial applications on the Eiffel Tower deepsea dataset. The latter embeds four visits of the same hydrothermal vent over five years. We show that these methods struggle to localize images collected in different years. We conduct an analysis to assess which factors may be responsible for this performance hit.
Les récentes avancées liées aux véhicules sous-marins autonomes impliquent la nécessité de pouvoir localiser précisément ces derniers dans leur environnement. Cependant, la précision des systèmes de positionnement acoustique n'est pas suffisante. Une localisation plus fine pourrait alors être obtenue en utilisant les observations visuelles du robot. Dans cette étude, nous évaluons des méthodes de l'état de l'art de localisation visuelle développées en milieu terrestre sur le jeu de données sous-marin Eiffel Tower. Celui-ci contient des images issues de quatre visites de la même cheminée hydrothermale étendues sur cinq ans. Nous montrons que ces méthodes ont du mal à localiser des images issues d'années différentes. Nous menons ensuite une analyse pour évaluer les facteurs qui peuvent être responsables de cette baisse de performance.
Fichier principal
Underwater_Benchmark___ORASIS_2023___Boittiaux.pdf (4.2 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|