fa طراحی سامانه عبور از موانع تلفیقی اکوستیکی-اپتیکی در رونده های زیرآبی خودران به کمک روش پیروی دیواره و پیروی غرفه طراحي، هیدروديناميك و ساخت زيرسطحي Submarine Hydrodynamic & Design مقاله پژوهشي Research Paper تشخیص موانع و اجتناب از برخورد با آنها یکی از چالش های بزرگ برای وسایل نقلیه زیرآبی خودران (AUV) محسوب می‌شود. برای اجتناب از بکارگیری سونارهای بُرد بلند که قیمت بالایی دارند، این مسئله دشوارتر می‌شود. در این مقاله، یک چارچوب آکوستیکی-اپتیکی یکپارچه برای تشخیص مانع و برنامه‌ریزی مسیر ایمن ارائه می‌گردد. این روش بر اساس استفاده توام  تصویر دوربین مرئی، هنگامیکه وسیله نزدیک سطح آب بالا می‌آید، و دو اسکن متوالی سونار، هنگامیکه وسیله زیر آب حرکت می‌کند، طراحی شده است. در روش پیشنهادی از یک شبکه U-NET با یک رمزگذار MobileNetV2 برای تشخیص موانع و از یک شبکه LSTM برای پیش‌بینی موقعیت‌ها و حرکت موانع متحرک استفاده می‌شود. همچنین از ترکیب شبکه U-NET و الگوریتم میدان پتانسیل مصنوعی (APF) برای بدست آوردن مسیر بهینه وسیله نقلیه، استفاده شدهاست. علاوه بر این، دو روش، روش پیروی دیواره (WFM) و روش پیروی غرفه  (SFM)، برای تبدیل مسیر بهینه به‌دست‌آمده از APF به تصاویر هدف مناسب برای آموزش شبکه معرفی شده‌اند. نتایج تجربی بر اساس داده‌های واقعی و شبیه‌سازی شده نشان می‌دهد که دقت تشخیص مسیر ایمن با استفاده از WFM بر اساس معیار IOU به 0.965 می‌رسد. علاوه بر این، بُرد تشخیص موانع زیر آب در مقایسه با استفاده از اطلاعات سونار به تنهایی با بُرد مشابه تقریباً 15 متر افزایش می‌یابد. این مسئله زاویه تصحیح سمت حرکت وسیله را به طور قابل توجهی کاهش می‌دهد.  Obstacle detection and avoidance in marine environments remains a major challenge for autonomous underwater vehicles (AUVs) due to adverse lighting conditions, high noise of acoustic data, and high cost of long-range sonars. In this paper, we present an integrated acousto-optic framework for obstacle detection and safe path planning, which is developed based on the fusion of camera data and two consecutive sonar scans, using deep learning networks and the artificial potential field (APF) algorithm. In the surface motion phase, real camera images are combined with sonar data, while in the subsurface motion phase, estimated virtual images of obstacles are combined with sonar data to maintain detection stability. For obstacle detection, a U-NET network with a MobileNetV2 encoder and an LSTM network are used to predict the positions and motion of moving obstacles. In addition, two methods, the wall-following method (WFM) and the stagnation-following method (SFM), are introduced to convert the optimal path obtained from the APF into target images suitable for network training. Experimental results based on real and simulated data show that the proposed method provides high detection accuracy in both surface and subsurface phases, such that the safe path detection accuracy with two consecutive sonar scans using WFM based on the IOU criterion reaches 0.965. In addition, the integration of camera and sonar data increases the detection range of underwater obstacles by approximately 15 m compared to using sonar alone and significantly reduces the steering correction angle. وسایل نقلیه زیرآبی خودران,اجتناب از موانع,سونار,یادگیریعمیق,تلفیق آکوستیکی اپتیکی auv,Obstacle avoidance,Sonar,Integrated acoustic-optic detection,Deep learning 8 23 http://marine-eng.ir/browse.php?a_code=A-10-1999-1&slc_lang=fa&sid=1 Qolamreza Nadaliniachary غلامرضا نادعلی نیاچاری Reza.nadalinia@shahroodut.ac.ir 10031947532846006376 10031947532846006376 Yes Shahrood university of technology دانشگاه صنعتی شهرود Alireza Ahmadyfard علیرضا احمدی فرد Ahmadyfard@shahrood.ac.ir 10031947532846006377 10031947532846006377 No Shahrood university of technology دانشگاه صنعتی شاهرود