本文翻译自论文Sonar-Based Deep Learning in Underwater Robotics: Overview, Robustness, and Challenges Martin Aubard, Ana Madureira , Senior Member, IEEE, Luís Teixeira , and José Pinto如有侵权，请联系本人删除目录摘要 (Abstract)一、 引言 (I. INTRODUCTION)A. 声纳 (Sonars)B. 深度学习（DL）与鲁棒性 (Deep Learning and Robustness)C. 动机 (Motivations)II. 基于声纳的深度学习相关综述 (SONAR-BASED DL-RELATED SURVEYS)III. 基于声纳的深度学习感知 (SONAR-BASED DL PERCEPTION)A. 分类与目标检测 (Classification and Object Detection)B. 分割 (Segmentation)C. 同步定位与建图 (Simultaneous Localization and Mapping, SLAM)D. 挑战 (Challenges)IV. 基于声纳的深度学习：迈向鲁棒性 (SONAR-BASED DL: TOWARD ROBUSTNESS)A. 数据集——最新进展 (Data Set—State of the Art)Gemini 说B. 合成数据 (Synthetic Data)C. 神经网络验证 (Neural Network Verification)D. 对抗性攻击 (Adversarial Attack)E. 分布外 (Out-of-Distribution, OOD)F. 不确定性量化 (Uncertainty Quantification)G. 局限性与工作流程 (Limitations and Workflow)V. 结论与未来研究趋势 (CONCLUSION AND FUTURE RESEARCH TRENDS)摘要 (Abstract)随着对水下探索和监测的兴趣日益浓厚，自主水下航行器（AUV）已变得不可或缺。最近，依靠高效、准确的基于视觉的深度学习（DL）模型，机载深度学习的关注度不断提升，进一步推进了实时环境交互能力。然而，水下环境中主要使用声纳，其特点是训练数据有限且存在固有噪声，这给模型的**鲁棒性（Robustness）**带来了挑战。这种自主性的提高引发了在水下作业期间部署此类模型的安全隐患，可能会导致危险情况发生。本文旨在以鲁棒性为视角，首次提供关于基于声纳的深度学习的全面综述。本文研究了基于声纳的深度学习感知任务模型，如分类、目标检测、分割以及同步定位与建图（SLAM）。此外，本文还系统梳理了基于声纳的最先进数据集、模拟器以及鲁棒性方法，如神经网络验证、分布外（OOD）检测和对抗性攻击。本文强调了目前基于声纳的深度学习研究中缺乏鲁棒性的问题，并提出了未来的研究路径，特别是建立基准声纳数据集以及弥合从模拟到现实的差距。索引词 (Index Terms)— 自主水下航行器（AUV）、数据集、深度学习（DL）、鲁棒性、基于声纳。注：本文档收稿于2024年4月10日，修订于2024年12月3日，接受于2024年12月9日。发布日期为2025年4月1日；当前版本日期为2025年7月16日。本研究受到欧盟“地平线2020”研究与创新计划（玛丽·居里行动，授