TRITA-EECS-EX 2019:613 National CategoryĬomputer and Information Sciences Identifiers URN: urn:nbn:se:kth:diva-264835 OAI: oai:DiVA.When fishermen first saw the image clarity of Humminbird's side imaging in operation, the first question was, "Why isn't this level of definition available in down-looking sonar?" The question was answered in late September with the announcement of "Down Imaging Sonar," which renders a picture-like view of the water beneath the boat. Place, publisher, year, edition, pages2019. Ytterligare förbättringar skulle kunna göras för att förbättra prestanda och stabilitet som potentiellt kan verifieras på AUV-plattformar i realtid. Som ett experimentförsök har detta projekt redan visat förmågan och den stora potentialen för maskininlärningsbaserade metoder som extraherar latenta representationer från sidescansonar och kan estimera djupet med en rimlig noggrannhet. Även olika CNN-baserade arkitekturer som U-Net och ResNet testas och jämförs. De modeller som testas och jämförs inkluderar regression och generativa adversativt nätverk. Syftet är att undersöka om olika maskininlärningsbaserade modeller kan dra slutsatser om havsdjupet baserat endast på sidescandata. Tillvägagångssättet i examensarbetet är baserat på olika maskininlärningsmetoder, däribland generativa modeller och diskriminerande modeller. Detta examensarbete syftar till att undersöka om maskininlärningsmetoder skulle kunna användas för att översätta sidescandata till multibeamdata med hög noggrannhet så att undervattensnavigering skulle kunna göras av AUV:er utrustade endast med sidescansonar. Sidescansonar har större omfång än multibeam-sonar och är samtidigt mycket billigare, men kan inte ge exakta mätningar av djupet. Vanligtvis är AUV:er utrustade med både sidescansonar och multibeamsonar eftersom båda har sina fördelar och begränsningar. Undervattensnavigering med autonoma undervattensfordon (AUV från engelskans Autonomous Underwater Vehicle), är betydelsefull för marinvetenskaplig forskning, och beror starkt på vilken typ av sonar som används. Further improvement could be madeto improve the performance and stability to be potentially verified on the AUV platforms inreal-time. As an experiment trial, this project has already shown the ability and great potential of machine learning based methods extracting latent representations from side-scansonars and inferring the depth with reasonable accuracy. Different CNN based architectures such as U-Net and ResNet are tested andcompared as well. Different models, including regression and Generative Adversarial Networks, are tested and compared. The objective of this thesis is to investigate the feasibility of machine learning based models to infer the depth based on side-scan sonar images. The approaches considered in this thesis are based on Machine Learning methods, including generative models and discriminative models. This thesis is aiming at investigating if a machine-interpreted method could beused to translate side-scan sonar data to multibeam data with high accuracy so that underwater navigation could be done by AUVs equipped only with side-scan sonars. Side-scan sonars have a much wider range than multibeamsonars and at the same time are much cheaper, yet they could not provide accurate depth measurements. Typically, AUVsare equipped with side-scan sonars and multibeam sonars at the same time since they both have their advantages and limitations. Underwater navigation using Autonomous Underwater Vehicles (AUVs), which is significant for marine science research, highly depends on the acoustic method, sonar. 2019 (English) Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE credits Student thesis Abstract