JP2000098031A - インパルスソーナー - Google Patents
インパルスソーナーInfo
- Publication number
- JP2000098031A JP2000098031A JP10267697A JP26769798A JP2000098031A JP 2000098031 A JP2000098031 A JP 2000098031A JP 10267697 A JP10267697 A JP 10267697A JP 26769798 A JP26769798 A JP 26769798A JP 2000098031 A JP2000098031 A JP 2000098031A
- Authority
- JP
- Japan
- Prior art keywords
- target
- impulse
- signal
- wave
- waveform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
(57)【要約】
【課題】従来のソーナーでは物体を精度良く認識するた
めには、高い熟練度を要した。 【解決手段】送波にインパルス波を用いてターゲットか
らの反射波のパルス形状,パルス数,パルス間隔パター
ン、及びフーリエ変換処理,ウェーブレット変換処理後
の信号をニューラルネットにより、あらかじめ学習して
おいた教師信号と比較してターゲットの形状を同定す
る。
めには、高い熟練度を要した。 【解決手段】送波にインパルス波を用いてターゲットか
らの反射波のパルス形状,パルス数,パルス間隔パター
ン、及びフーリエ変換処理,ウェーブレット変換処理後
の信号をニューラルネットにより、あらかじめ学習して
おいた教師信号と比較してターゲットの形状を同定す
る。
Description
【0001】
【発明の属する技術分野】本発明は、インパルス状の超
音波を用いたソーナーに関するものである。
音波を用いたソーナーに関するものである。
【0002】
【従来の技術】従来水中の目標物を探知するアクティブ
ソーナーでは、特開平8−129065 号公報に述べられてい
るように、連続したパルスを目標物に複数個送波して、
その反射エコーの強度を、縦軸に距離、横軸に方位を示
す面に表示して、専門知識を有する判定官が目標物体の
判定を下していた。
ソーナーでは、特開平8−129065 号公報に述べられてい
るように、連続したパルスを目標物に複数個送波して、
その反射エコーの強度を、縦軸に距離、横軸に方位を示
す面に表示して、専門知識を有する判定官が目標物体の
判定を下していた。
【0003】
【発明が解決しようとする課題】従来技術に示した方法
では、立体的に目標物体をイメージすることが難しく、
また判定官の熟練度や判断力によっても判定に大きな差
違が生じたり、判断ミスが発生する可能性がある。
では、立体的に目標物体をイメージすることが難しく、
また判定官の熟練度や判断力によっても判定に大きな差
違が生じたり、判断ミスが発生する可能性がある。
【0004】本発明の目的は、上記課題を解決するため
になされたものであって、その目的とするところは、判
定官の熟練度や判断力によらずに判定を自動的に行える
ようにすることにより、判定官による判断ミスを防止す
るインパルスソーナーを提供することにある。
になされたものであって、その目的とするところは、判
定官の熟練度や判断力によらずに判定を自動的に行える
ようにすることにより、判定官による判断ミスを防止す
るインパルスソーナーを提供することにある。
【0005】
【課題を解決するための手段】前記目的を達成するため
に、本発明は、送波にインパルス波(単一のパルス波)を
用いてターゲットからの反射波のパルス形状,パルス
数,パルス間隔パターン、及びフーリエ変換処理,ウェ
ーブレット変換処理後の信号をニューラルネットによ
り、あらかじめ学習しておいた教師信号と比較してター
ゲットの形状を同定する。このように、本発明のソーナ
ーでは、インパルス波を用いているためターゲットにお
ける反射波もパルス状となり連続的にパルス波あるいは
正弦波を用いた場合よりも入射波と分離しやすいこと
や、ターゲットの角部における反射波の変化を明瞭にす
ることができ、また周波数帯域が広いため、入射波に対
する反射波の周波数領域における変化をターゲットの形
状の差違によって顕著となるのでターゲットの認識判別
が可能である。
に、本発明は、送波にインパルス波(単一のパルス波)を
用いてターゲットからの反射波のパルス形状,パルス
数,パルス間隔パターン、及びフーリエ変換処理,ウェ
ーブレット変換処理後の信号をニューラルネットによ
り、あらかじめ学習しておいた教師信号と比較してター
ゲットの形状を同定する。このように、本発明のソーナ
ーでは、インパルス波を用いているためターゲットにお
ける反射波もパルス状となり連続的にパルス波あるいは
正弦波を用いた場合よりも入射波と分離しやすいこと
や、ターゲットの角部における反射波の変化を明瞭にす
ることができ、また周波数帯域が広いため、入射波に対
する反射波の周波数領域における変化をターゲットの形
状の差違によって顕著となるのでターゲットの認識判別
が可能である。
【0006】
【発明の実施の形態】(実施例1)本発明の一実施例を
図面に基づいて説明する。図1に本発明を適用したソー
ナーの構成図を示す。図1において、本発明のソーナー
は、超音波を送波する圧電素子1,圧電素子の送波を駆
動制御するコントローラ3,超音波を受波する圧電素子
アレイ2,受波信号を解析処理する波形処理部4,ニュ
ーラルネット形状同定部5,処理結果を表示する表示部
6で構成されている。さらに、波形処理部4はフーリエ
解析処理部7,相関処理部8,ウェーブレット解析処理
部9から成っている。
図面に基づいて説明する。図1に本発明を適用したソー
ナーの構成図を示す。図1において、本発明のソーナー
は、超音波を送波する圧電素子1,圧電素子の送波を駆
動制御するコントローラ3,超音波を受波する圧電素子
アレイ2,受波信号を解析処理する波形処理部4,ニュ
ーラルネット形状同定部5,処理結果を表示する表示部
6で構成されている。さらに、波形処理部4はフーリエ
解析処理部7,相関処理部8,ウェーブレット解析処理
部9から成っている。
【0007】本発明のソーナーでは、まず、圧電素子1
によりターゲットに向かってインパルス状の超音波を照
射するために、コントローラ2においてパルス電圧を発
生し、圧電素子1に印加する。この時パルス幅10は図
2に示す様に、圧電素子1の固有振動周期と同じにする
ことにより、効率良くインパルス波11を発生すること
ができ、インパルス波の後方に判別の妨げになる余計な
振動波形が生じるのを防止できる。
によりターゲットに向かってインパルス状の超音波を照
射するために、コントローラ2においてパルス電圧を発
生し、圧電素子1に印加する。この時パルス幅10は図
2に示す様に、圧電素子1の固有振動周期と同じにする
ことにより、効率良くインパルス波11を発生すること
ができ、インパルス波の後方に判別の妨げになる余計な
振動波形が生じるのを防止できる。
【0008】このインパルス波は、ターゲットの物体に
到達すると物体の表面で反射波と物体に沿う波に分岐す
る。この波は物体の角部で、さらに反射波と物体に沿う
波に分岐する。最終的に物体の裏側で回折し発信点に戻
ってくる。これを圧電素子アレイ2で受波する。各圧電
素子では、圧電効果により音圧が電圧に変換され電気信
号となる。この信号は、波形処理部4で解析処理され
る。
到達すると物体の表面で反射波と物体に沿う波に分岐す
る。この波は物体の角部で、さらに反射波と物体に沿う
波に分岐する。最終的に物体の裏側で回折し発信点に戻
ってくる。これを圧電素子アレイ2で受波する。各圧電
素子では、圧電効果により音圧が電圧に変換され電気信
号となる。この信号は、波形処理部4で解析処理され
る。
【0009】まず、A/D変換器により電気信号を電圧
値に対応した数値データに変換する。各圧電素子の信号
をフーリエ解析処理部7と相関処理部8により各相隣る
圧電素子間の到来信号の時間差を計算する。この時間差
を用いて圧電素子アレイ2に入射する角度すなわち方位
角を求めることができる。図3に示す様に素子のパルス
電圧出力データの相隣る素子間の時間差をTとし、素子
間の距離をL、音速をAとすると、方位角θは次式で表
すことができる。
値に対応した数値データに変換する。各圧電素子の信号
をフーリエ解析処理部7と相関処理部8により各相隣る
圧電素子間の到来信号の時間差を計算する。この時間差
を用いて圧電素子アレイ2に入射する角度すなわち方位
角を求めることができる。図3に示す様に素子のパルス
電圧出力データの相隣る素子間の時間差をTとし、素子
間の距離をL、音速をAとすると、方位角θは次式で表
すことができる。
【0010】
【数1】θ=sin-1(AT/L) 圧電素子アレイ3を平面状及び非球面状に配列すれば、
方位角に加えて仰角も得ることができる。
方位角に加えて仰角も得ることができる。
【0011】また、A/D変換後の音圧信号データはウ
ェーブレット解析処理部9でウェーブレット処理され
る。この処理により、音圧信号データは、図4のように
縦軸に周波数、横軸に時間をパラメータとし、音圧の周
波数成分の時間変化を表すことができる。この表示で、
物体の角部による反射パルスは高周波成分を含み、物体
の形状によって特徴を有するので、パターン化すること
ができる。
ェーブレット解析処理部9でウェーブレット処理され
る。この処理により、音圧信号データは、図4のように
縦軸に周波数、横軸に時間をパラメータとし、音圧の周
波数成分の時間変化を表すことができる。この表示で、
物体の角部による反射パルスは高周波成分を含み、物体
の形状によって特徴を有するので、パターン化すること
ができる。
【0012】ウェーブレットの特徴として高周波に成る
程分解能が上がるので物体の特徴を鮮明に表すことがで
きる。ただし、一般に物体形状が複雑になるほどパター
ンは複雑になり人が目視で判別するのが難しくなり、ま
た誤認識をする確率が高くなる。そこで、ニューラルネ
ットワークによる判定部で判定を行う。ニューラルネッ
トワークで判定を行うためにはパターンを数値化する必
要がある。
程分解能が上がるので物体の特徴を鮮明に表すことがで
きる。ただし、一般に物体形状が複雑になるほどパター
ンは複雑になり人が目視で判別するのが難しくなり、ま
た誤認識をする確率が高くなる。そこで、ニューラルネ
ットワークによる判定部で判定を行う。ニューラルネッ
トワークで判定を行うためにはパターンを数値化する必
要がある。
【0013】そこで図5の様に、パターンを周波数軸と
時間軸をそれぞれ数分割し、その分割領域における音圧
値に対して、一定のしきい値を設け、音圧値がしきい値
以上の部分があれば1、それ以下であれば0とする。時
間軸で最初に1が表れる分割層をニューラルネットの入
力層とし、最後に1が表れる分割層を出力層とする。中
間の分割層は中間層とする。また、周波数軸の分割数を
ニューロン数とする。
時間軸をそれぞれ数分割し、その分割領域における音圧
値に対して、一定のしきい値を設け、音圧値がしきい値
以上の部分があれば1、それ以下であれば0とする。時
間軸で最初に1が表れる分割層をニューラルネットの入
力層とし、最後に1が表れる分割層を出力層とする。中
間の分割層は中間層とする。また、周波数軸の分割数を
ニューロン数とする。
【0014】このニューラルネットを図6に示す。これ
を用いた推論では、まず、認識対象物体を用いて教師デ
ータを作成する。超音波の入射方向によって異なるパタ
ーンとなるので、入射方向を変えながら複数の教師デー
タを作成する。そのデータ数を多くすると分解能を上げ
ることができる。この教師データを用いてニューラルネ
ットワークの学習を、あらかじめ行っておく。
を用いた推論では、まず、認識対象物体を用いて教師デ
ータを作成する。超音波の入射方向によって異なるパタ
ーンとなるので、入射方向を変えながら複数の教師デー
タを作成する。そのデータ数を多くすると分解能を上げ
ることができる。この教師データを用いてニューラルネ
ットワークの学習を、あらかじめ行っておく。
【0015】この学習にはBP法(バックプロパゲーシ
ョン法)を用いる。BP法での学習則では、教師データ
と実際のデータとの差の二乗の総和が最小となるように
シナプス重みを決める。この操作を各層に対して出力層
から入力層に向かって逆伝播的に行い学習を完了する。
種々の判定対象物体に対して学習を行い、出力層からの
数値と物体名をデータベース化しておけば、判別対象物
体の精度の良い判定が可能となる。この判定結果の物体
を、物体の位置を示す距離と方位角の値と共に表示器6
に表示する。
ョン法)を用いる。BP法での学習則では、教師データ
と実際のデータとの差の二乗の総和が最小となるように
シナプス重みを決める。この操作を各層に対して出力層
から入力層に向かって逆伝播的に行い学習を完了する。
種々の判定対象物体に対して学習を行い、出力層からの
数値と物体名をデータベース化しておけば、判別対象物
体の精度の良い判定が可能となる。この判定結果の物体
を、物体の位置を示す距離と方位角の値と共に表示器6
に表示する。
【0016】(実施例2)ニューラルネットワークによ
る判定部の別の方法として、超音波を受波する圧電素子
アレイ3からの時刻歴音圧波形を、波形処理部4を通さ
ずに、直接形状同定部5に入れる。この音圧値に対し
て、図7のように、一定のしきい値を設け、音圧値がし
きい値以上の部分があれば1、それ以下であれば0とす
る。また、この1となるところをニューロンの一つに関
係づける。これは、インパルス波が反射あるいは回折す
る場所に関係づけられるので、物体の角部及び物体の前
面と後面の位置に対応している。
る判定部の別の方法として、超音波を受波する圧電素子
アレイ3からの時刻歴音圧波形を、波形処理部4を通さ
ずに、直接形状同定部5に入れる。この音圧値に対し
て、図7のように、一定のしきい値を設け、音圧値がし
きい値以上の部分があれば1、それ以下であれば0とす
る。また、この1となるところをニューロンの一つに関
係づける。これは、インパルス波が反射あるいは回折す
る場所に関係づけられるので、物体の角部及び物体の前
面と後面の位置に対応している。
【0017】この場合のニューラルネットはニューロが
相互に結びついたものとし、その様子を図8に示す。各
ニューロは、一般に図9の様に、入力値x、シナプス重
みをw、出力関数をf、しきい値をgとし、入力数をn
とすれば出力値yは次式の様に表すことができる。
相互に結びついたものとし、その様子を図8に示す。各
ニューロは、一般に図9の様に、入力値x、シナプス重
みをw、出力関数をf、しきい値をgとし、入力数をn
とすれば出力値yは次式の様に表すことができる。
【0018】
【数2】
【0019】ここで、出力関数fとして次式で表される
シグモイド関数を用いる。
シグモイド関数を用いる。
【0020】
【数3】
【0021】xt は、ニューロ間の距離で、反射及び回
折パルス波の間の時間に音速を乗ずることにより求める
ことができる。
折パルス波の間の時間に音速を乗ずることにより求める
ことができる。
【0022】このニューラルネットを用いた推論では、
実施例1と同様に、まず、認識対象物体を用いて教師デ
ータを作成しBP法を用いて学習する。この場合には、
中間層は一層であるので、逆伝播的な学習は一層につい
て行えばよい。また、パルス波の生ずる時刻の大小によ
り伝播方向が決まるので計算回数を減らすことができ
る。結果の表示は、一定時間おきにインパルス波を物体
に照射し、物体の判定結果と、その時間に物体が移動し
た距離をベクトルで図10の様に表示し、移動速度も表
示できる。
実施例1と同様に、まず、認識対象物体を用いて教師デ
ータを作成しBP法を用いて学習する。この場合には、
中間層は一層であるので、逆伝播的な学習は一層につい
て行えばよい。また、パルス波の生ずる時刻の大小によ
り伝播方向が決まるので計算回数を減らすことができ
る。結果の表示は、一定時間おきにインパルス波を物体
に照射し、物体の判定結果と、その時間に物体が移動し
た距離をベクトルで図10の様に表示し、移動速度も表
示できる。
【0023】
【発明の効果】本発明によれば、ソーナーの物体認識率
を大幅に向上することができる。
を大幅に向上することができる。
【図面の簡単な説明】
【図1】本発明の実施例であるインパルスソーナーの構
成図。
成図。
【図2】図1で得られた印加パルスの特性図。
【図3】パルス電圧出力データの方位角を示す図。
【図4】ウェーブレット変換による音圧分解能の図。
【図5】音圧パターンの周波数特性図。
【図6】ニューラルネットを説明する図。
【図7】音圧の時刻歴波形を示す特性図。
【図8】ニューラルネットを説明する図。
【図9】ニューロを説明する図。
【図10】表示を説明する図。
1…圧電素子、2…圧電素子アレイ、3…コントロー
ラ、4…波形処理部、5…ニューラルネット形状同定
部、6…表示部、7…フーリエ解析処理部、8…相関処
理部、9…ウェーブレット解析処理部。
ラ、4…波形処理部、5…ニューラルネット形状同定
部、6…表示部、7…フーリエ解析処理部、8…相関処
理部、9…ウェーブレット解析処理部。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 岩田 和彦 神奈川県横浜市戸塚区戸塚町216番地 株 式会社日立製作所情報通信事業部内 (72)発明者 ▲高▼野 靖 茨城県土浦市神立町502番地 株式会社日 立製作所機械研究所内 (72)発明者 関口 治 茨城県土浦市神立町502番地 株式会社日 立製作所機械研究所内 Fターム(参考) 5J083 AA02 AB12 AC29 AD04 AD13 AD16 AD17 AE03 BA01 BA20 BE10 BE41 BE60 CA03 CA12
Claims (1)
- 【請求項1】インパルス状の超音波を生ぜしめるインパ
ルス超音波発生器と、発生したインパルス超音波の音圧
波形を検知する超音波検知器と、認識対象物体によって
反射された応答パルス波を受波する超音波受波器と、受
波された応答パルス波形と発生時のインパルス波形の間
の伝達関数を得る相関器と、応答パルス波形を距離と方
位と音圧を軸とした3次元表示と、その応答パルス波形
を周波数と時間と音圧で表される3次元空間にパターン
表示できる表示装置と、そのパターンと伝達関数を、既
知の認識対象物体を用いて学習し、未知の認識対象物体
を推定することができる推論器を具備し、特に一回の送
波において単一のパルスを送波することを特徴とするイ
ンパルスソーナー。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10267697A JP2000098031A (ja) | 1998-09-22 | 1998-09-22 | インパルスソーナー |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10267697A JP2000098031A (ja) | 1998-09-22 | 1998-09-22 | インパルスソーナー |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000098031A true JP2000098031A (ja) | 2000-04-07 |
Family
ID=17448292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP10267697A Pending JP2000098031A (ja) | 1998-09-22 | 1998-09-22 | インパルスソーナー |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000098031A (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008023714A1 (fr) * | 2006-08-21 | 2008-02-28 | National University Corporation Tottori University | Procédé et programme de mesure |
KR101130574B1 (ko) | 2010-01-29 | 2012-03-30 | 국방과학연구소 | 표적 식별 방법 및 그 장치 |
KR101738989B1 (ko) * | 2016-04-27 | 2017-05-23 | 한국해양과학기술원 | 미확인 물체 음파 탐지 시스템 |
CN107092016A (zh) * | 2017-06-28 | 2017-08-25 | 舟山遨拓海洋工程技术有限公司 | 一种组合型标靶 |
CN109284662A (zh) * | 2018-07-12 | 2019-01-29 | 哈尔滨工程大学 | 一种面向水下声音信号分类的迁移学习方法 |
JP2019015598A (ja) * | 2017-07-06 | 2019-01-31 | 株式会社東芝 | 計測装置および方法 |
KR20190044429A (ko) * | 2017-10-20 | 2019-04-30 | 국방과학연구소 | 수중물 판별 장치와 이를 이용한 수중물을 판별하는 방법 |
WO2020230645A1 (ja) * | 2019-05-13 | 2020-11-19 | 日本電気株式会社 | 位置推定システム、位置推定方法、プログラム、及び記録媒体 |
WO2020235022A1 (ja) * | 2019-05-21 | 2020-11-26 | 日本電信電話株式会社 | 深度推定装置、深度推定方法、及び深度推定プログラム |
JP2021527833A (ja) * | 2019-01-15 | 2021-10-14 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 超音波アレイによる障害物検出結果の処理方法、コンピュータデバイス、記憶媒体、プログラム及びシステム |
WO2022156562A1 (zh) * | 2021-01-19 | 2022-07-28 | 腾讯科技(深圳)有限公司 | 基于超声回波的对象识别方法、装置及存储介质 |
WO2024014428A1 (ja) * | 2022-07-15 | 2024-01-18 | 株式会社Soken | 物体検知装置 |
-
1998
- 1998-09-22 JP JP10267697A patent/JP2000098031A/ja active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5137139B2 (ja) * | 2006-08-21 | 2013-02-06 | 国立大学法人鳥取大学 | 測定方法および測定プログラム |
WO2008023714A1 (fr) * | 2006-08-21 | 2008-02-28 | National University Corporation Tottori University | Procédé et programme de mesure |
KR101130574B1 (ko) | 2010-01-29 | 2012-03-30 | 국방과학연구소 | 표적 식별 방법 및 그 장치 |
KR101738989B1 (ko) * | 2016-04-27 | 2017-05-23 | 한국해양과학기술원 | 미확인 물체 음파 탐지 시스템 |
CN107092016A (zh) * | 2017-06-28 | 2017-08-25 | 舟山遨拓海洋工程技术有限公司 | 一种组合型标靶 |
US10996331B2 (en) | 2017-07-06 | 2021-05-04 | Kabushiki Kaisha Toshiba | Measuring apparatus and method |
JP2019015598A (ja) * | 2017-07-06 | 2019-01-31 | 株式会社東芝 | 計測装置および方法 |
JP7080594B2 (ja) | 2017-07-06 | 2022-06-06 | 株式会社東芝 | 計測装置および方法 |
KR20190044429A (ko) * | 2017-10-20 | 2019-04-30 | 국방과학연구소 | 수중물 판별 장치와 이를 이용한 수중물을 판별하는 방법 |
KR101984293B1 (ko) * | 2017-10-20 | 2019-05-30 | 국방과학연구소 | 수중물 판별 장치와 이를 이용한 수중물을 판별하는 방법 |
CN109284662A (zh) * | 2018-07-12 | 2019-01-29 | 哈尔滨工程大学 | 一种面向水下声音信号分类的迁移学习方法 |
JP2021527833A (ja) * | 2019-01-15 | 2021-10-14 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 超音波アレイによる障害物検出結果の処理方法、コンピュータデバイス、記憶媒体、プログラム及びシステム |
JP7185811B2 (ja) | 2019-01-15 | 2022-12-08 | アポロ インテリジェント ドライビング テクノロジー(ペキン)カンパニー リミテッド | 超音波アレイによる障害物検出結果の処理方法、コンピュータデバイス、記憶媒体、プログラム及びシステム |
US11933921B2 (en) | 2019-01-15 | 2024-03-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for processing obstacle detection result of ultrasonic sensor array |
JPWO2020230645A1 (ja) * | 2019-05-13 | 2020-11-19 | ||
WO2020230645A1 (ja) * | 2019-05-13 | 2020-11-19 | 日本電気株式会社 | 位置推定システム、位置推定方法、プログラム、及び記録媒体 |
JP7384199B2 (ja) | 2019-05-13 | 2023-11-21 | 日本電気株式会社 | 位置推定システム、位置推定方法、プログラム、及び記録媒体 |
WO2020235022A1 (ja) * | 2019-05-21 | 2020-11-26 | 日本電信電話株式会社 | 深度推定装置、深度推定方法、及び深度推定プログラム |
JPWO2020235022A1 (ja) * | 2019-05-21 | 2020-11-26 | ||
JP7197003B2 (ja) | 2019-05-21 | 2022-12-27 | 日本電信電話株式会社 | 深度推定装置、深度推定方法、及び深度推定プログラム |
WO2022156562A1 (zh) * | 2021-01-19 | 2022-07-28 | 腾讯科技(深圳)有限公司 | 基于超声回波的对象识别方法、装置及存储介质 |
WO2024014428A1 (ja) * | 2022-07-15 | 2024-01-18 | 株式会社Soken | 物体検知装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2878409B2 (ja) | 3次元物体撮像方式 | |
Kuc | Binaural sonar electronic travel aid provides vibrotactile cues for landmark, reflector motion and surface texture classification | |
JP2000098031A (ja) | インパルスソーナー | |
US20040165478A1 (en) | Biomimetic sonar system and method | |
Bozma et al. | A physical model-based analysis of heterogeneous environments using sonar-ENDURA method | |
CN106572838A (zh) | 弹性测量检测方法及*** | |
Van Komen et al. | A CNN for range and seabed estimation on normalized and extracted time-series impulses | |
Sabatini | A digital-signal-processing technique for ultrasonic signal modeling and classification | |
Niu et al. | Deep learning for ocean acoustic source localization using one sensor | |
Houégnigan et al. | A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning | |
Almanza-Medina et al. | Motion estimation of underwater platforms using impulse responses from the seafloor | |
CN111213069B (zh) | 基于相干光的避障装置及方法 | |
Harper et al. | Classification of plant species from CTFM ultrasonic range data using a neural network | |
Apolinario et al. | Estimation of 2D velocity model using acoustic signals and convolutional neural networks | |
Harper et al. | Recognition of plants with CTFM ultrasonic range data using a neural network | |
JP2882861B2 (ja) | 超音波3次元物体撮像方式 | |
JPH10282221A (ja) | 水中残響の高速模擬方式 | |
Pham et al. | Aeroacoustic wideband array processing for detection and tracking of ground vehicles | |
JP2806814B2 (ja) | 目標自動検出方式 | |
CN116719035B (zh) | 双耳超声空间定位方法、自主移动机器人及控制方法 | |
Sillitoe et al. | Learning decision trees for mapping the local environment in mobile robot navigation | |
Feng et al. | Source Depth Estimation Method Under Sound Speed Disturbance Based on Self-Coded Feature Selection | |
JP2879828B2 (ja) | 超音波3次元物体認識方式 | |
Shinoda et al. | Underwater target detection using a pair of omnidirectional transducers in extremely shallow water | |
Malkin et al. | Acoustic classification of abyssopelagic animals |