亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

低雷達截面和低速飛行能力使無人機成為雷達探測的挑戰目標。在有地面移動目標的情況下，頻譜也會變得擁擠，從而增加了探測無人機的難度。微多普勒效應是用于區分無人機與其他目標和雜波的主要特征。通常情況下，在檢測到所有目標后才進行分辨。特別是在城市等目標密集的環境中，典型的方法需要很高的處理能力才能檢測到所有目標并對其進行分類。覆蓋范圍也是城市中基于單靜態雷達的典型無人機探測方法的另一個問題。單靜態雷達的覆蓋范圍很容易被建筑物遮擋。為了解決這些問題，本論文提出了分布式多輸入多輸出（MIMO）連續波（CW）雷達，使用 MIMO 循環譜密度（CSD）分析（MCSD）方法。MCSD 方法在循環頻域中將無人機和其他目標以及雜波分離開來。為了使系統簡單、低成本，使用了連續波雷達網絡，并基于多普勒定位方法進行定位。模擬和實驗結果證明了這一概念。論文還分析了 MCSD 方法的性能和成本分析。

隨著無人駕駛系統在各個領域日益普及，確保智能體有能力獲得可靠的導航估計變得更加重要。對抗性環境會產生更多的問題，限制了無人智能體可用的導航方法。可以假定，除全球導航衛星系統（GNSS）接收器外，無人智能體還攜帶一種或多種傳感能力。在有爭議的環境中，無法保證使用全球導航衛星系統進行位置估計，因此必須考慮其他方法。隨著替代導航技術的日益普及，必須將最新技術納入自主規劃，以便在規劃問題期間考慮到導航狀態的需要。

雖然許多規劃算法都展示了對單一非全球導航衛星系統測量過程的使用，但還沒有一種算法展示了對多個傳感域和替代導航（alt-nav）技術的使用，以提供通過有爭議環境的穩健導航計劃。本文包括開發一種基于采樣的信念空間規劃（BSP）算法，該算法考慮到了多種替代導航測量技術，命名為快速探索隨機信念替代導航圖（RRBANG）算法。這項研究填補了規劃研究與 Alt-nav 研究之間的空白，充分利用了兩者的優勢，根據智能體的各種感知能力，為到達目的地制定了穩健的計劃。

附帶的工作側重于通過可觀測環境進行規劃，利用多個感知域找到通往目標區域的最佳路徑。RRBANG 算法利用離線規劃中可用的信息，通過各種導航技術和可用的傳感器，在避開障礙物的同時，制定出一條通過空間的初始最佳軌跡。該算法采用用戶自定義的成本函數，允許用戶確定可接受的風險以及目標區域內路徑長度和不確定性之間的權衡。

RRBANG 能夠利用域內更多可用的多個傳感域，從而克服某些輔助導航技術的局限性。有些領域因環境而存在很大的局限性，例如在缺乏一致視覺地標的水體或大森林中嘗試使用基于視覺的導航（VisNav）技術。RRBANG 同時實現了視覺導航、通信測距和標量地圖匹配（SMM）等導航方法，為無人智能體提供了強大的初始計劃。

圖6。規劃框架

圖 33. 頂部） 僅利用視覺豐富的區域，在障礙物密集的環境中找到的解決方案路徑。這樣做是為了確保至少有一個域存在穩健可行的路徑。中圖）使用測距測量域返回的可行解決方案。下圖）利用所有傳感域找到的多域解決方案，風險系數為 δ = 0.05。單獨使用 SMMNav 時未發現可行方案。

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏"（DRIP）的無效局面。可操作信息的理想解決方案是協調高價值單元（HVUs），以支持識別和瞄準等行動。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效利用現有數據所需的經驗和數據訪問能力。有經驗的分析人員也不夠接近邊緣，無法為戰術和作戰層面的作戰提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目標是分析潛在目標的威脅，以便就與目標交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

項目概述

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏 "的無效局面。可操作信息的理想解決方案是協調高價值單元，為識別和瞄準等行動提供支持。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效使用現有數據所需的經驗和數據訪問能力。而那些有經驗的分析人員也不夠接近戰爭邊緣，無法為戰術和作戰層面提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和分析建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目的是分析潛在目標的威脅，以便就與之交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

利用機器學習算法、人工智能、知識圖譜和圖形識別技術，主要結果令人鼓舞：如果我們將預先訓練好的數據集應用于先前加權的神經網絡算法，那么機器學習算法的第一次迭代或歷時的準確率為 20.2%。隨后的迭代會顯示出更顯著的準確率增長，在五個或更多迭代之后，準確率會達到 94.9%。雖然結果顯示準確率很高，但運行深度卷積神經網絡算法的大型數據集需要大量時間，有時需要多個小時才能完成。如果所需信息的時間至關重要，則需要專用的高功率計算。要評估本報告所述方法的實際功效，可能需要進行實際測試。在未來的研究中還可以應用其他方法，例如用目標的基帶調制同相和正交分量代替視覺表示，將其應用到知識圖譜中，可能會提高作戰目標識別的效率和準確性。

研究背景

神經網絡的協同和自組織如何影響復雜網絡傳感器的效率和作戰識別？我們能否通過信息的動態形成形成弱聯系和強聯系以支持新知識？圖機器學習和建模技術（概率圖模型、神經網絡和聚類算法）可應用于射頻（RF）信號數據的知識圖譜。因此，本研究的主要目的是了解自組織和復雜自適應系統是否會產生新的特性，從而更好地探測、識別和分析潛在目標，以便進行戰斗識別。研究假設必須考慮新知識的可信度、不確定性和準確性等關鍵因素。將對收集數據的方法（如時間和位置屬性、關系強度、知識圖譜的精確度和召回率）進行仔細研究。這些指標將與地面真實目標校準信號進行比較，以證明本研究在戰斗識別方面取得的進步。

這與當前有關美國防部行動的研究有重大關聯。將通過適當的艦隊實驗來考慮適當和可行的以數據為中心的方法，從而實現 JADC2 的作戰概念，如 "感知、理解和行動"。戰術態勢感知（TACSIT）、遠征高級基地作戰（EABO）、分布式海上作戰（DMO）和有爭議的環境都是提供交戰決策所需知識的因素。必須在正確的時間、正確的地點提供所需的適當數據，以實現決策優勢。本研究將重點關注利用戰區現有傳感器、參考發射器和多信息協調解決方案（MIOS）架構進行聯合作戰識別。JADC2 概念、數據結構和信息共享格式將是調整的主要參考方案。在美軍方面，基于圖形的技術能夠以一種新的方式來解決高置信度超視距估算問題，以確定任務風險和部隊風險。

在方法論方面，當前的研究利用已知的飛機圖片作為訓練數據集，同時應用機器學習算法。我們的測試使用了 14,806 張經過驗證的圖片，這些圖片被分成一個個小塊，稱為 "類"。研究說明了我們對深度神經網絡的測試結果，因為它們與戰斗識別應用有關。測試使用的 Python 代碼加載了各種分析庫，如 NumPy、Pandas、Seaborn、Efficient Net 和 Tensor Flow Keras。加載了一個包含 14 806 張圖片的大型數據集，該數據集可以隨機分割或拆分為訓練集和測試集。這兩組數據會被進一步分割成更小的數據塊進行處理，例如以 40 張圖片為一批。在訓練和驗證過程中，對準確率和信息損失進行測量。訓練過程在 20 個神經元層上多次重復和迭代。每次迭代或歷時的結果都會反饋到下一輪迭代中。具體來說，權重被保存并用于下一輪迭代。然后使用測試數據集上的最佳迭代結果進行預測。

結果和結論

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，會產生大量數據，如果能對這些數據進行快速有效的分析，就能提供戰斗空間感知和戰斗識別。由于目前的方法不足以在戰術層面保持流暢高效的態勢感知，因此提供可操作信息和及時發現未知信號的高效解決方案意義重大。這項研究考察了使用機器學習和知識圖譜的各種算法，以評估能否提高效率和準確性。研究結果表明，使用圖形文件識別目標是可行的，但要獲得更高的準確度，必須進行多次迭代。例如，如果采用標準的非加權快速算法，運行視覺數據集的準確率為 5.6%。但是，如果使用先前加權的神經網絡來啟動這一過程，第一個迭代的準確率就會達到 20.2%。使用這些初始權重，在隨后的五個epoch后，準確率大幅提高至94.9%。運行大型數據集的主要問題是深度卷積神經網絡的運行時間。一個只有 14,806 張圖片的中等數據集，5 個epochs 可能需要 3 個半小時以上。因此，如果時間要求很高，就需要專用的高功率計算。此外，除了運行時間外，深度神經網絡的局限性還在于需要多次迭代，在迭代過程中，任何低級別的準確度和精確度類類型都需要用更好的圖片來替換。建議下一步可以進行實際測試，以確定本報告所述方法的實際功效。

進一步研究的建議

根據研究結果，建議采取的下一步措施包括使用實際生活中的連續數據流，既包括圖形文件格式，也包括其他類型的識別數據，如使用同相和正交（I&Q）數據，其中數據已預先分配了預檢測和預解調信息。在通信系統中，大多數信號都被基帶調制成同相（I）和正交（Q）子分量。然后通過射頻（RF）頻譜進行傳輸。在另一端，接收器對信號的 I&Q 子分量進行解調，并利用預先訓練的數據對先前確定的戰斗進行識別，從而進一步提高探測的速度、準確性和效率。可以利用知識圖譜和圖形距離誤差測量方法，以一定的概率快速確定目標是敵是友。

多無人機協同升降系統使用多個無人機共同升降和運輸有效載荷。從可擴展性和便攜性的角度來看，這些系統有可能大大降低空中運輸任務的物流成本。與傳統的單機物流模式不同，通過在多架廉價飛機之間分配起升能力，可以有針對性地運送大量有效載荷。為了以高度自主的方式完成大跨度的任務，合作飛機必須能夠在多個點可靠地與單一有效載荷對接，并在系統參數未知的情況下，以可變幾何配置的方式在飛行途中穩健地穩定下來。本論文提出了一種新穎的自適應飛行控制框架，該框架使用擴展卡爾曼濾波器在控制分配方案中更新相關系統參數。此外，這項研究還對之前開發的模塊化對接系統進行了擴展，該系統支持在不同的復合系統幾何結構中進行自組裝，考慮了多智能體操作，并通過模擬交易研究優化了設計參數。論文介紹了高保真模型和模擬，利用多體反饋線性化約束穩定和基于約束的脈沖接觸模型等技術，以驗證控制策略，并在復雜動力學條件下優化設計。本論文還介紹了無人飛行器合作飛行控制和參數估計的實驗結果。

本論文為有限時間范圍內的魯棒性分析和綜合提供了理論和計算工具。這項工作的動機之一是對導彈攔截系統性能進行可靠評估，這也將有助于此類系統的穩健設計。典型的性能指標具有無限時間范圍的性質，以穩定性為中心，并依賴于頻域概念，如增益/相位裕度。對于在有限時間范圍內運行的系統（如許多發射場景），這些指標可能不夠充分。相反，本論文側重于時域指標，例如，在考慮干擾、模型不確定性/可變性和初始條件的影響的同時，對系統在視界最后時間的狀態進行約束。建議的方法是沿軌跡對動力學進行數值線性化，以獲得線性時變（LTV）系統。然后在線性化系統上進行分析或綜合，該系統可捕捉到標稱軌跡周圍的一階擾動。與原始非線性模型相比，這種方法犧牲了一些精度，但卻能使用線性系統工具。建議的最壞情況 LTV 分析還提供了具體的不良干擾和不確定參數，可在高保真非線性仿真中進一步研究。

導彈防御： 威脅環境正在以許多前所未有的方式迅速演變，這主要是由于現有導彈能力的增強和無人駕駛飛行器的更加靈活。任何導彈防御系統的首要目標都是保護國土、文明和戰略資產（如航空母艦）。這些復雜的工程系統必須探測、跟蹤和攔截來襲的威脅導彈，在它們到達各自目標之前將其摧毀。目前，最常見的方法之一是使用攔截導彈，通過與威脅導彈碰撞（即命中摧毀）或在其附近爆炸（即定向破片）使其失效。

目前的局限性： 單一攔截器與威脅交戰的性能可能會因多種因素而下降，包括外部干擾（如陣風）、未建模的靈活動態、傳感器噪聲、跟蹤不準確、致動器飽和、威脅的規避機動等。這對單個攔截器系統的精度造成了極大的影響。因此，需要發射多個攔截器來提高成功的可能性。然而，這并不總是可行的；例如，一艘小型海軍艦艇可能只有有限的艦載導彈資源。替代方法包括反火箭、火炮和迫擊炮（C-RAM）系統或 CIWS 雷達控制速射炮，發射多發炮彈，直到成功識別并摧毀威脅。當同時受到多個威脅的攻擊時，這種防御能力很容易被壓垮。有些威脅導彈具有很強的機動性，可使用多種誘餌和反制手段，因此很難被攔截。此外，如果不能在短時間內做出反應，可能會造成災難性后果。總之，目前的多層導彈防御系統嚴重缺乏性能保證。

目標：這項研究的主要目標是開發理論和計算工具，用于對在有限時間范圍內運行的系統進行魯棒性分析。重點是快速可靠地計算適當的魯棒性指標，以確定最壞情況下的性能。這種分析可用于補充現有的蒙特卡洛方法，以便在設計迭代的早期發現邊緣情況，或確定二元結果（如任務成功或在最壞情況下失敗）。

挑戰： 總體而言，由于存在許多不確定性、干擾和參數變化，最壞情況分析問題是非線性和非凸的。目前還沒有任何數值上可靠的工具可用于此類分析。即使存在這樣的工具，其適用范圍也很可能有限，因為它們要么計算速度很慢，無法保證收斂，要么只適用于學術范例。例如，考慮在 F-16 飛機上應用非線性動力算法進行最壞情況軌跡分析[8]。這種算法不僅缺乏收斂性保證，而且計算速度很慢。得出最壞情況下的參數和陣風組合所需的時間（4 到 4.5 小時）與蒙特卡洛模擬所需的時間大致相同。

方法： 方法主要是沿標稱軌跡對系統的動態進行數值線性化，并評估由此產生的線性時變（LTV）系統的穩健性。這種線性化系統只捕捉標稱軌跡周圍的一階擾動。我們利用系統的線性特性，通過解決凸優化問題，為 LTV 性能提供正式保證。然而，這需要犧牲原始不確定非線性系統的精度（即以精度換取計算效益）。這種近似分析只需要一次非線性模擬，速度明顯更快。擬議的有限視界線性化分析還提供了最壞情況下的性能證明（如特定的 "壞 "干擾、參數等），可在非線性模擬中進一步分析。

隨著技術的不斷進步和日常對海洋資源的依賴，無人水面航行器（USVs）的作用成倍增加。目前，具有海軍、民用和科學用途的 USV 正在各種復雜的海洋環境中進行廣泛的作業，并對其自主性和適應性提出了更高的要求。USV 自主運行的一個關鍵要求是擁有一個多車輛框架，在此框架下，USV 可以在實際海洋環境中作為一個群體運行，并具有多種優勢，例如可以在更短的時間內勘測更廣闊的區域。從文獻中可以看出，在單體 USV 路徑規劃、制導和控制領域已經開展了大量研究，而在了解多載體方法對 USV 的影響方面卻鮮有研究。本論文整合了高效的最優路徑規劃、穩健的路徑跟蹤制導和合作性集群聚合方法等模塊，旨在開發一種新的混合框架，用于 USV 蟲群的合作導航，以實現海洋環境中的最優自主操作。

首先，設計了一種基于 A* 算法的有效而新穎的最佳路徑規劃方法，其中考慮到了與障礙物的安全距離約束，以避免在移動障礙物和海面洋流的情況下發生碰撞。然后，將這種方法與為 USV 開發的新型虛擬目標路徑跟蹤制導模塊相結合，將路徑規劃器的參考軌跡輸入制導系統。當前工作的新穎之處在于將上述集成路徑跟蹤制導系統與分布式集群聚集行為相結合，通過基于簡單電位的吸引和排斥功能來維持 USV 蟲群的中心點，從而引導 USV 集群進入參考路徑。最后，介紹了一個用于 USV 船隊合作導航和制導的最佳混合框架，該框架可在實際海洋環境中實施，并可在海上有效地實際應用。

毫米波（mmWave）雷達與光學傳感器不同，體積小巧、精度高、穿透力強且符合隱私保護標準，因此在多傳感器應用中無處不在。然而，光學傳感器的高分辨率和圖像數據集的廣泛可用性導致了使用光學傳感器的機器學習解決方案的快速發展，從而將毫米波雷達推向了輔助傳感器的角色。本論文針對醫療保健、軍事和自主感知領域，介紹了一系列嘗試利用傳感器融合和機器學習方法增強毫米波雷達能力的新方法。首先，論文介紹了骨骼姿態估計技術，該技術可檢測到 15-25 個關鍵點，三維定位誤差小于 3 厘米，可潛在應用于病人/老年人監測、步態分析和識別以及行人監測。其次，介紹了一種自動雷達標注方案，以鼓勵快速開發雷達圖像數據集，幫助自主感知。這項研究還包括使用傳感器融合特征向量和 12 維雷達特征向量進行目標分類，在車輛與行人檢測研究中，準確率分別達到 98% 和 92%。最后，利用雷達-攝像頭傳感器融合技術探索了基于 DNN-LSTM 的目標跟蹤方法和基于三卡爾曼濾波器的目標跟蹤方法，在這兩種方法中，系統不僅提高了定位精度，而且對單個傳感器故障具有魯棒性。基于 DNN-LSTM 的跟蹤器的優勢在于它不需要事先在雷達和攝像頭之間進行校準，而且對于確定單個傳感器提供的定位差異至關重要。基于三卡爾曼濾波器的方法將這些發現用于多目標跟蹤，精度達到 26 厘米，與最先進的方法不相上下，漏檢率小于 4%，與文獻中大于 16% 的 FNR 相比有了顯著提高。本研究提出的方法大大提高了感知能力，使自主系統更加安全。

圖 5-30： YOLOv3 在重新分配的半標簽視譜圖上探測到的船只。(為便于說明，圖像對比度有所增強）。

在復雜的計算機視覺應用中，卷積神經網絡（CNN）的性能已經超過了人類水平，并有可能大大提高紅外反艦導彈尋的器算法的性能。但是，基于卷積神經網絡的算法的性能非常依賴于用于優化這些算法的數據，通常需要大量完全標注的真實世界訓練示例集。

本論文分為四個技術章節，探討了將 CNN 應用于長波紅外船舶探測、識別和鑒定所面臨的挑戰。為了解決缺乏合適的長波紅外訓練數據的問題，我們合成生成了一個由 972,000 張帶有不同海景和背景雜波的軍用艦船全標記圖像組成的大型熱仿真數據集。該數據集--IRShips--是全球最大的公開可用的此類圖像庫。

圖 3-14： 數據后處理算法概覽。

可配置的自動工作流程管道極大地促進了基于 CNN 算法的開發。這項工作開始時還沒有這樣的工具，因此我們創建了一個集成的模塊化深度學習開發環境--Deeplodocus。該環境已公開發布，目前已躋身 Python 軟件包索引庫前 50%軟件包的行列。利用 Deeplodocus，對全卷積單級 YOLOv3 物體檢測算法進行了訓練，以檢測真實世界長波紅外圖像序列中高度雜亂的船只。進一步增強 YOLOv3 后，F 分數達到 0.945，這是首次使用合成數據來訓練 CNN 算法，以成功檢測長波紅外圖像中的軍用艦船。

圖 2-5： 說明必須將多個不同的流程和軟件組件編譯成單一的互聯系統，才能訓練、驗證和測試深度學習算法。

利用新加坡海事數據集的視覺光譜和近紅外數據，將 YOLOv3 的檢測準確率與兩個替代 CNN（Faster R-CNN 和 Mask R-CNN）進行了基準比較，結果顯示 YOLOv3 比 Mask R-CNN 快三倍，但準確率低 3%。通過使用依賴光譜域的編碼對 YOLOv3 進行修改后，近紅外測試數據的準確性達到了一流水平，同時保持了 YOLOv3 在速度上的顯著優勢。

圖 1-3: 現代制導導彈所含關鍵子系統示意圖

表 1-1：部分現役反艦導彈的最大速度和射程，以及推進、導航和末端制導方式。

圖 3-5： 作為合成紅外數據集基礎的 10 個 CAD 模型。(不按比例）。

無人機（UAVs）在軍事和民用領域發揮著至關重要的作用。本論文的研究有助于智能控制系統（ICS）領域，特別是實現旋轉翼無人飛行器（RUAV）可靠、便捷的自主控制。特別是，本論文解決了如何適應未建模動態和干擾（如在空中改變有效載荷）的難題。

無人機可以攜帶額外的重量，如傳感器、貨物，甚至被稱為有效載荷的懸掛物。已經開發了許多策略來穩定不斷變化的有效載荷，但這些策略都假定有效載荷是剛性的，重心（CoG）是靜態和已知的。有效載荷質量及其類型在飛行過程中的變化會極大地影響無人機的動態性能，這就要求控制器進行調整，以保持令人滿意的閉環性能。此外，還沒有探索過在半空中從一架較大的飛機（如氣象氣球）上發射一組具有隨機姿態的送貨無人機的情況。最后，未建模的動力學和陣風等不確定因素給飛行操作帶來了挑戰，因此綜合控制系統對于處理這些不確定因素至關重要，但對非基于模型的綜合控制系統的設計和開發關注不夠。

受這些研究空白的啟發，本論文探討了如何處理有效載荷在空中的 CoG 變化和姿態獨立發射的控制問題。為解決這些問題并實現理想的軌跡跟蹤控制，本文提出了一種新型非基于模型的綜合控制系統，稱為雙向模糊腦情感學習（BFBEL）控制系統。所提出的控制系統融合了模糊推理、神經網絡和基于強化學習的新型雙向腦情感學習（BBEL）算法。所提出的 BFBEL 控制器能夠從零開始快速適應，可用于控制 RUAV 的所有六自由度 (6DOF)。為擴大擬議控制器的適用性，開發了單輸入-單輸出（SISO）和多輸入-多輸出（MIMO）架構。本研究考慮的兩種無人駕駛飛行器模型是四旋翼無人駕駛飛行器（QUAV）和直升機無人駕駛飛行器（HUAV）。SISO 版本的 BFBEL 控制系統被應用于 QUAV，以解決處理 CoG 和重量不同的外部有效載荷的問題。BFBEL 控制系統的 MIMO 版本應用于 HUAV，以解決在空中獨立發射姿勢的問題。對這兩種系統都進行了模擬評估，并通過實驗驗證了如何處理 CoG 不確定的外部有效載荷問題。最后，在相同的控制情況下，將飛行能力和控制性能與傳統的比例積分微分（PID）控制器方案進行了比較。

本論文開發了一個基于海底特征導航的模擬框架。使用自動潛航器（AUV）在海底定位感興趣的物品是一種對海軍大有裨益的能力。自動潛航器為消除勞動力需求提供了一個途徑，但其購置和維護成本仍然很高。解決這一問題的辦法是使用兩艘 AUV，其中一艘的能力更強，負責用信標尋找和標記海底物品。配備成本效益型傳感器的消耗性 AUV 將對威脅進行定位、識別和消除。利用海底成像技術將海底圖像與先驗圖像馬賽克關聯起來，再加上超短基線（USBL）信標，AUV 可以在沒有傳統導航系統的情況下完成具有挑戰性的任務目標。增量平滑與測繪 2（iSAM2）是一種同步定位與測繪（SLAM）技術，可用于 AUV 的位置定位，是一種適合實時導航操作的技術，具有圖像和 USBL 傳感功能。模擬框架能夠評估 AUV 的性能，同時將實際操作的風險降至最低。該框架由一個軟件架構組成，可使用與實際操作相同的軟件進行測試。本論文展示了這一框架，并對其在基于圖像的 SLAM 中的可用性進行了分析。