USV Docking Dataset

本研究构建了一个用于无人船自主视觉靠泊的监督学习框架，通过自动标注技术收集数据。数据集包含了无人船在不同水域环境下的靠泊图像及其相对位姿信息，用于训练NDPE模型。该数据集由河北科技大学信息科学与工程学院创建，旨在推动无人船在动态水域环境中实现精确自主靠泊的研究。

This study constructs a supervised learning framework for autonomous visual berthing of unmanned surface vehicles (USVs), with data collected via automatic annotation techniques. The dataset contains berthing images and their corresponding relative pose information of USVs under various water environments, which is utilized for training the NDPE model. This dataset was created by the School of Information Science and Engineering, Hebei University of Science and Technology, with the aim of promoting research on accurate autonomous berthing of USVs in dynamic water environments.

搜集汇总

数据集介绍

构建方式

该数据集的构建方式采用了自动标注技术，消除了对人工标注的需求。数据收集流程首先将相对位姿和图像对添加到数据集中，无需传统的人工标注。然后，使用卷积神经网络（CNN）对数据进行训练，以预测相对位姿。此外，还进行了数据增强，以反映水环境的复杂性和动态性，包括添加高斯噪声、运动模糊、调整饱和度和亮度、以及覆盖天气效果等。

特点

USV Docking Dataset的特点在于其高效的数据收集流程和自动标注技术，无需人工标注，减少了人工干预。此外，该数据集包含了大量的图像数据，以及相对位姿信息，可用于训练神经网络模型，实现USV的自主视觉对接。同时，该数据集还包含了数据增强技术，以增强模型对实际环境中的各种情况的适应能力。

使用方法

使用USV Docking Dataset的方法主要包括以下几个步骤：首先，收集数据集，包括图像数据和相对位姿信息。然后，使用CNN对数据进行训练，以预测相对位姿。接下来，将训练好的模型部署到USV上，使用图像数据预测相对位姿。最后，使用预测的相对位姿和PBVS控制器控制USV的运动，实现自主对接。

背景与挑战

背景概述

在水面作业中，无人水面舰艇（USV）的应用日益广泛，例如环境监测和河流建模。然而，USV在港口或站点的精确自主系泊仍然面临挑战，目前主要依赖远程人工控制或外部定位系统来确保准确性和安全性，这限制了USV在无人操作模式下的应用潜力。本文介绍了一种基于监督学习和自动标记技术的USV自主视觉系泊方法。首先，设计了一个自动标记数据收集流程，该流程将相对位姿和图像对添加到数据集中，无需传统的手动标记即可进行监督学习。其次，提出了一种神经系泊位姿估计器（NDPE），无需手动特征工程、相机校准和外围标记即可实现相对系泊位姿预测。此外，NDPE能够在现实世界的水环境中准确预测相对系泊位姿，从而有助于实现基于位置视觉伺服（PBVS）和低级运动控制器，以便高效和自主地系泊。实验表明，NDPE对距离和USV速度的干扰具有鲁棒性。在现实世界的水环境中测试和验证了我们提出的解决方案的有效性，反映了其在处理现实世界自主系泊任务方面的能力。数据集和实验视频可在我们的项目主页上找到：https://sites.google.com/view/usv-docking/home。

当前挑战

USV在水面作业中面临的主要挑战是在动态和不可预测的水环境中实现精确的自主系泊。这些挑战包括不断变化的天气条件、水动力和障碍物。为了应对这些挑战，本研究提出了一个基于监督学习的自动标记技术，用于USV的自主视觉系泊。该技术通过自动标记数据收集流程、最小人工干预的自主标记以及简单而有效的神经系泊位姿估计器（NDPE），提高了操作效率，同时确保了准确性。未来，研究将着重于通过自适应学习和在线训练技术提高环境适应性，同时通过探索先进的控制策略，如模型预测控制（MPC）和强化学习（RL），来提高控制精度。这些改进旨在确保在具有挑战性的水环境中实现鲁棒和可靠的自主系泊。

常用场景

经典使用场景

USV Docking Dataset是针对无人水面船（USV）自主视觉停靠而设计的数据集，主要用于训练和评估视觉伺服系统，帮助USV在无需人工干预的情况下，精确地停靠在港口或站点。该数据集通过自动标注技术收集了大量的相对姿态和图像对，从而为监督学习提供了丰富的数据基础。数据集的使用场景主要集中在USV的自主导航和停靠，例如环境监测、河流建模等。

衍生相关工作

USV Docking Dataset的提出，为USV自主视觉停靠领域的研究提供了重要的数据基础。基于该数据集，研究者们开发了多种视觉伺服控制系统，如基于位置的运动控制（PBVS）和基于图像的运动控制（IBVS），以及低级控制器，如PID控制器和运动控制混合器。这些研究为USV的自主停靠提供了重要的技术支持，推动了USV在环境监测、河流建模等领域的应用。

数据集最近研究

最新研究方向

随着无人水面舰艇（USV）在环境监测和河流建模等水域作业中的应用日益增多，实现精确的自主泊靠成为一个重大挑战。传统的USV操作通常需要人工控制，特别是在自主任务后的重新泊靠过程中，这限制了USV无人操作的潜力。该研究提出了一个新的监督学习流程，使用自动标记技术实现了USV的自主视觉泊靠。首先，设计了一个自动标记的数据收集流程，无需传统的人工标记即可进行监督学习。其次，提出了一个神经泊靠姿态估计器（NDPE），无需手工程度特征工程、相机校准和外围标记即可实现相对泊靠姿态预测。此外，NDPE可以在现实世界的水域中准确预测相对泊靠姿态，从而实现基于位置视觉伺服（PBVS）和低级运动控制器，以便高效和自主泊靠。实验表明，NDPE对距离和USV速度的干扰具有很强的鲁棒性。在现实世界水域进行的实验验证了所提出的视觉泊靠框架的有效性，表明了其在处理现实世界自主泊靠任务方面的能力。该数据集和实验视频可在我们的项目主页上查看。

相关研究论文

• Supervised Visual Docking Network for Unmanned Surface Vehicles Using Auto-labeling in Real-world Water Environments

  河北科技大学信息科学与工程学院 · 2025年