@PhdThesis{duepublico_mods_00041340,
  author = 	{Hoth, Julian},
  title = 	{Development and Analysis of Physics-based Models for Autonomous Underwater Vehicle Navigation and the Reconstruction of Underwater Images},
  year = 	{2016},
  month = 	{May},
  day = 	{31},
  keywords = 	{AUV; Underwater navigation; Image processing; Underwater images},
  abstract = 	{Autonome Unterwasserfahrzeuge (AUVs) haben die Art wie die Meeresumwelt untersucht, {\"u}berwacht und kartographiert wird ver{\"a}ndert. Sie bieten eine breite Palette von Anwendungen in der Forschung, beim Milit{\"a}r und in kommerziellen Zusammenh{\"a}ngen. AUVs sollen nicht nur eine bestimmte Aufgabe erf{\"u}llen, sondern sich auch an Ver{\"a}nderungen in der Umgebung anpassen. Typische Einfl{\"u}sse sind pl{\"o}tzliche Seitenstr{\"o}mungen, Fallstr{\"o}me und andere Effekte, welche extrem unberechenbar sind.
Simultane Lokalisierung und Kartenerstellung (SLAM) ist ein bekanntes und gut verstandenes Problem in der Robotik. F{\"u}r landgest{\"u}tzte Roboter in 2D-Umgebungen wird dieses Problem im Allgemeinen als gel{\"o}st angesehen. SLAM-Algorithmen f{\"u}r diese neigen dazu sich auf die optische Erkennung in Kombination mit Koppelnavigation und Tr{\"a}gheitsmesseinheiten zu verlassen. Die optischen Eigenschaften des Wassers und insbesondere Meerwassers verhindern die Nutzung etablierter optischer Erkennungsalgorithmen. Bilder in hoher Qualit{\"a}t mit der richtigen Farbgebung erleichtern die Erkennung von Objekten unter Wasser und k{\"o}nnen die Verwendung der f{\"u}r landgest{\"u}tzte Roboter entwickelten visuelle SLAM-Algorithmen unter Wasser erm{\"o}glichen. Daher ist geeignete Bildverarbeitung vor allem im tiefen Wasser erforderlich.
In dieser Arbeit werden physikbasierte Modelle f{\"u}r die Navigation autonomer Unterwasserfahrzeuge entwickelt mit einem Schwerpunkt auf schnellen Forschungs-AUVs mit Reisegeschwindigkeiten im Bereich von 5 kn bis 20 kn. Das System sollte f{\"a}hig sein St{\"o}rungen im Wasserfluss zu erkennen und in der Lage sein eine Kamera zur Objekterkennung, Bodenuntersuchung und vor allem f{\"u}r Navigationszwecke zu verwenden.
Des Weiteren sollte es m{\"o}glich sein, das System in bestehende autonome Unterwasserfahrzeuge zu integrieren. Daher muss das System klein und leicht sein, so dass die Nutzlast des AUV nicht wesentlich reduziert wird. Die erforderliche Rechenleistung und der Leistungsverbrauch m{\"u}ssen ebenfalls klein sein, so dass die Einsatzdauer des Fahrzeugs nicht stark verringert wird. Die Algorithmen sollten au{\ss}erdem schnell sein, um SLAM-Anwendung zu erm{\"o}glichen.
Im ersten Teil der Arbeit wird die Anwendbarkeit verschiedener Lernverfahren zur Bestimmung der Str{\"o}mungsparameter eines umgebenden Fluids mit Hilfe des Drucks auf einen AUV-K{\"o}rper anhand zahlreicher numerischer Str{\"o}mungssimulationen (CFD) und unter Verwendung von Druckdaten von festgelegten Punkten auf der Oberfl{\"a}che des AUV getestet. Es wird gezeigt, dass eine Kombination von Support Vector Machines (SVM) eine ausgezeichnete Wahl ist, um diese Aufgabe auszuf{\"u}hren.
Mit den Ergebnissen aus den Simulationen wird dann die Lage der Druckmessstellen optimiert, so dass die h{\"o}chsten Druck{\"a}nderungen aufgrund der Flie{\ss}geschwindigkeiten erfasst werden. Dies reduziert auch die Anzahl von Messpunkten. Es wird dann gezeigt, dass auch f{\"u}r die optimierte Konfiguration Support Vector Machines die beste Wahl f{\"u}r die gestellte Aufgabe sind. Jedoch sind in diesem Fall weniger Maschinen erforderlich.
Im zweiten Teil der Arbeit werden verschiedene Lernmethoden f{\"u}r die Rekonstruktion von Unterwasserbildern angewandt. Zuerst werden Labortests unter Verwendung einer speziellen Lichtquelle, welche die Lichtverh{\"a}ltnisse unter Wasser imitieren, durchgef{\"u}hrt. Es wird gezeigt, dass eine Kombination aus der k-n{\"a}chste-Nachbarn-Methode und Support Vector Machines hervorragende Ergebnisse liefert.
Basierend auf diesen Ergebnissen wird eine experimentelle Verifikation unter erschwerten Bedingungen im tr{\"u}ben Wasser eines Tauchbeckens durchgef{\"u}hrt. Es wird gezeigt, dass die k-n{\"a}chste-Nachbarn-Methode sehr gute Ergebnisse f{\"u}r kleine Abst{\"a}nde zwischen dem Objekt und der Kamera und f{\"u}r kleine Wassertiefen im roten Kanal liefert. F{\"u}r h{\"o}here Distanzen, Wassertiefen und f{\"u}r die anderen Farbkan{\"a}le ist eine Kombination von Support Vector Machines die beste Wahl f{\"u}r die Rekonstruktion der Farbe, wie sie unter wei{\ss}em Licht zu sehen sind, aus den Unterwasserbildern.
Somit wird in dieser Arbeit ein neuer Ansatz zur Navigation autonomer Unterwasserfahrzeug und der Rekonstruktion von Unterwasserbildern vorgeschlagen und entwickelt.},
  url = 	{https://duepublico2.uni-due.de/receive/duepublico_mods_00041340},
  file = 	{:https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00041489/Hoth_Diss.pdf:PDF},
  language = 	{en}
}