自主水下机器人在勘探、环境监测和水下检测等任务中得到广泛应用。为了保证安全导航，机器人需要理解周围环境中哪些区域可通行、哪些区域被占用。俯视图（BEV）占用表示可以为此类任务提供直观的场景描述，但从单一水下RGB图像预测这种表示并不容易：水下环境光照、散射和有限的感知距离弱化了外观中的几何线索，使得纯视觉方法难以获得可靠的深度和空间结构。来自3D成像声纳的几何测量则能为该任务提供互补的监督信号。
近日发表于arXiv的论文“AquaBEV: Monocular Underwater BEV Occupancy with 3D Sonar Supervision”提出了一只单目水下占用预测模型。与依赖多视图或深度传感器的方案不同，AquaBEV仅需一张RGB图像即可预测局部的BEV占用结果，而在训练过程中使用成对的3D成像声纳数据作为几何监督。论文作者包括Trung Tien Dong等4位研究者，论文于2026年9月3日提交至arXiv（编号2609.04411）。
AquaBEV先将视觉特征映射到无需标定的极坐标表示中，再沿距离维度执行因果解码，最终重建为笛卡尔坐标系下的BEV输出。这种设计避免了对显式相机标定的依赖，并能为距离与空间结构的推理提供更具结构性的过程。
研究团队还建立了受控的水下占用基准，在统一协议下将多种代表性占用预测方法适配到相同的“RGB到声纳”任务中。实验结果显示，AquaBEV在Visible IoU上达到31.4，在Observed IoU上达到38.6，相比最强的迁移基线分别取得4.0%和4.3%的相对提升，表明利用声纳监督可以有效提升单目水下BEV占用的准确度。该论文的分类为机器人学（cs.RO）与计算机视觉（cs.CV），并已获得arXiv分配的DOI（https://doi.org/10.48550/arXiv.2609.04411）。