基于视觉的水下机器人自主巡航技术.pdf

-99-CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024中国科技信息 2024 年第 2 期三星推荐水下机器人已有近 70 年的历史，目前广泛应用于水下作业、水下探测和水下科研等领域。目前，为在海水的特殊环境条件下实现自主水下机器人（AUV）的探测与作业工作，水下机器人自主巡航技术成为了海洋科学研究领域的一个热点问题。随着人类对海洋资源的需求不断增加，水下机器人在海洋工程和海洋资源开发等领域中的应用技术不断被人们关注和研究。国内外有很多学者研发了用于水下勘探的无人水下机器人，全球首台 AUV 诞生于美国华盛顿大学。近几十年来，由于高新技术的迅猛发展以及军事和海洋领域的迫切需求，一些发达国家开始高度重视无人水下自主机器人的开发。为此，这些国家成立了与之相应的科研机构，并研制出许多成熟的无人水下自主机器人产品，如美国的 ABE、英国的Autosub、加拿大的 Theseus 等。在国内，水下机器人的研究起步较晚，中国科学院沈阳自动化研究所从 1995 年开始研究水下机器人，成为我国最早从事此类研究的单位之一。21 世纪，海洋成为世界关注的焦点，联合国在 2001 年提出“21 世纪是海洋的世纪”，各国积极将发展海洋经济、保护海洋环境和维护自身海洋权益等方面作为本国发展战略的重要内容。为顺应世界潮流，党中央、国务院提出“逐步把我国建设成为海洋经济强国”的宏伟目标。近几年国家要求加快建设海洋强国，经过多年的发展和实践应用，我国的水下机器人制造技术和应用水平已经取得显著的提高。目前，根据传感设备的不同，水下环境感知技术分为水下声学环境感知技术和水下视觉环境感知技术。水下声学环境感知技术可以利用声波在传播过程中碰到物体会发生反射的特性，在水中通过声呐技术感知大范围的环境信息，经过不同的算法处理，进而绘制出位于水下机器人四周的地形样貌。但由于在水下复杂环境中，声波的回波会受到环境、混响噪声等因素的影响，造成获得的声呐图像分辨率低、噪点过多和边缘细节缺失严重等问题，水下声学环境感知技术无法通过声波清晰地绘制出水下机器人四周的环境，同时水下机器人作业主要依靠近距离环境信息，因此水下视觉环境感知技术能够提供更为准确的图像信息和对水生物较低的影响，可以检测到水下水质颜色、水下地面形状等细节特征。因此，基于视觉的自主巡航技术备受关注，其主要优势在于水下视觉环境感知技术具有低成本、低影响、高精度、高效率等特点，各国学者也纷纷开展基于视觉的水下机器人自主巡航技术研究，并在此领域取得了显著的成果。有理由认为，水下机器人自主巡航技术将在海洋科学领域占据重要地位。行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度基于视觉的水下机器人自主巡航技术吴学钏 洪德转 周宇波 崔昕辉 郭佳畅吴学钏 洪德转 周宇波 崔昕辉 郭佳畅绍兴文理学院机械与电气工程学院吴学钏（2001），浙江温州，绍兴文理学院机械电子工程专业在读学生。基金项目：2022 年国家级大学生创新创业训练计划项目“基于 OpenCV 视觉识别的水下机器人”（编号：202210349016）。中国科技信息 2024 年第 2 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024-100-三星推荐本文的研究目的在于系统地综述基于视觉识别的水下机器人自主巡航技术的研究现状和发展趋势，探讨基于视觉的自主巡航技术的特点和优势，介绍视觉定位和路径规划的方法和算法，以及视觉目标检测和跟踪的技术。水下机器人自主巡航技术水下机器人的分类和特点水下机器人按照其专业应用领域可分为科考型、军事型和民用型。科考型水下机器人主要用于深海科学研究、地质勘探等方面，军事型水下机器人主要用于水下侦察、搜救等方面，民用型水下机器人主要用于水下工程勘察、维修等方面。水下机器人按其外形特征和运动方式可分为蛇形、鱼形、水母型、框架型、滑翔型和球形等。蛇形机器人电机数量最多，因此这种结构的成本较高，维护过程更为复杂；鱼形机器人通过电子设备、控制设备和各模块化模型之间的配合，模拟鱼的骨骼结构和运动形式进行移动，其形状和运动形式与鱼类高度相似，因而运动效率高；水母型机器人通过外部变形实现机器人的运动，与传统的螺旋桨等刚性部件相比，水母型机器人因其多结构模型设计、柔性材料的特点，利用腔体实现吸水和排水运动或采用外伞结构进行上下摆动运动，其运动形式可以呈现出柔性的特征，能够通过更加复杂的水下环境，但行驶速度较慢，还无法达到实际的水生生物运动速度；框架型机器人使用最广泛形式是框架式结构，它结构简单，可以在内部集成各种驱动和执行设备，实现各种功能，但与仿生机器人相比其体积大，运动阻力大，灵活性差；滑翔型机器人没有主动式推进器和螺旋桨，其通过净浮力和姿态角的调整获得推进力，从而实现推动自身前进，能源消耗极低，可以完成长时间或深度的水下运动，但整体体积和质量太大限制其在复杂的水下环境中的观测工作；球形机器人具有很强的整体性，驱动结构主要使用单螺旋桨或喷水装置，其运动灵活性差。水下机器人路径规划技术图搜索法Lozano 等人提出可视图法，即将水下环境建模成一个二维平面，将机器人和障碍物看作点，通过对可视区域进行划分，建立起一张路线图。该算法的实现方法是将所有可行的移动路径连接起来并判断其中是否存在障碍物，从而得到完整的路线图。然后，根据机器人的起始位置和目标位置在路线图上进行搜索，通过某种算法得到最优路径。可视图法的优点是计算速度快、运行效率高，但当障碍物较多时灵活度不高，不适用于三维空间。乌克兰数学家 Georgy Voronoi 在 1908 年首次提出 Voronoi 图法，通过将水下环境分割成多个多边形区域，机器人和障碍物被视为点，使得每个点周围的区域都属于该点，在构造出来的 Voronoi 图中寻找一条路径以避开所有障碍物。与可视图法不同的是，即使障碍物较多时，Voronoi 图法依然能够规划出保持与障碍物尽可能远的路径，从而降低水下机器人在行驶路径上遇到障碍物的概率，最大程度地减少障碍物对目标路径的影响。单元分解法单元分解法将机器人在水下环境中运动的自由空间分解为若干个不重叠的子单元，典型的分解方式包括Trapezoidal 分解、Boustrophedon 分解和 Morse 分解，然后以单元为顶点，以单元之间的相邻关系为边构成一张连通图，在这些单元中求出包含初始构形的单元到包含目标构形的单元序列根据单元序列进行路径规划，适用于低维度空间的路径规划问题。A*和 D*算法A*算法（A Star）最初于 1968 年由 Stanford 研究院的 Peter Hart 等人提出，是一种基于启发式搜索法，通过估值函数寻找最优路径节点，适合用于静态路径规划。D*算法（Dynamic A Star）是动态 A*算法，卡内及梅隆机器人中心的 Stentz 在 1994 和 1995 年提出，是一种适用于动态环境和需要频繁调整路径的路径规划算法，其主要思想是不断检测环境节点，重新计算路径，并通过信息反馈机制，实现系统的实时更新。人工势场法人工势场法路径规划是由Khatib提出的一种虚拟力法，该方法将机器人所要到达的目标看作有吸引力的物体，将障碍物看作有斥力的物体。机器人将受到目标的引力和障碍物的斥力共同作用，按照合力方向移动。具体来说，对于机器人所处的每个位置，都会有一个由目标引力和障碍物斥力构成的势场，机器人会沿势场梯度方向移动。因此，在进行路径规划前，需要先将场景中的障碍物识别出来并计算出它们施加在机器人上的斥力。该方法的优点在于可以通过简单的数学模型实现路径规划，并且在处理复杂环境时表现良好。但也存在一些问题，比如可能会陷入局部最优解或出现震荡摆动等问题。群体智能算法这些算法从自然界中吸取灵感，利用群体行为中的相互作用来实现路径规划，如蚁群算法、遗传算法、蝙蝠算法和Voronoi 图法可视图法-101-CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024中国科技信息 2024 年第 2 期三星推荐粒子群优化算法等。蚁群算法是通过模拟蚂蚁寻找食物的过程来优化路径；遗传算法则是通过类似于自然界的基因交叉和突变来寻找最佳路径；蝙蝠算法利用在迭代搜寻最优解的过程中，在最优解周围通过随机飞行加强局部搜索，收集局部信息，产生局部最优解，从而可以极大程度地避免算法陷入局部极值；而粒子群优化算法则是以粒子寻找全局最优解的过程为基础进行优化。它们在水下机器人路径规划问题中有广泛应用，并在不同方面进行了改进，如结合其他算法、引入能耗等多个因素，以提高算法的效果和可靠性。快速探索随机树算法快速探索随机树算法（Rapidly-exploring Random Tree）由 Steven M.La Valle 提出，其步骤原理是首先将机器人所在位置作为树的根节点，在地图上随机采样获得一个随机点，将随机点与根节点相连并判断是否存在障碍物，若不存在障碍物，则沿着二者之间的线段移动一定距离，得到一个新节点，新节点与根节点之间的线段则构成了最简单的一棵树，其次继续在地图上随机采样获得一个随机点，在已经存在的树上寻找一个最近点，若最近点与新节点之间不存在障碍物，则沿着最近点与新节点的线段移动一定距离，再次获得一个新节点。不断重复此步骤，直至抵到目标点。理论上，快速探索随机树算法只需知道起始点和目标点，在有限的空间内，寻找到一条可行路径的可能性无限接近于1。机器学习方法机器学习方法中神经网络、强化学习和深度强化学习是较为常见的方法。神经网络通常将传感器数据作为网络输入，以行为动作作为网络输出，通过训练获得网络模型；强化学习适用于解决未知环境模型的路径规划问题，能够在线实现，但速度较慢；深度强化学习通过结合深度学习和强化学习技术，对大规模数据进行抽象特征提取，在解决移动机器人局部路径规划问题上有广泛应用。当前，基于机器学习的路径规划方法已经在水下机器人路径规划中得到广泛应用，并有望成为解决复杂动态未知环境下路径规划问题的最有效途径。水下机器人视觉目标检测和跟踪技术近年来，随着信息采集设备，图像识别技术、数据处理硬件等方面的不断发展，机器视觉作为一种非侵入式技术，可通过相机和计算机模拟人眼对目标进行识别、跟踪、测量等操作，在水产养殖计数、海洋生物识别等领域得到广泛应用。目标检测从水下机器人拍摄的视频中，识别出其中的目标物体，并标出物体的位置、大小和类别等信息。常用的目标检测算 法 包 括 CNN（Convolutional Neural Networks）、SSD（Single Shot MultiBox Detector）和 YOLO（You Only Look Once）等。基于机器人通过视觉传感器获取到周围环境中的图像数据，在对该数据进行处理之后，通过特征匹配和目标检测分类器等技术实现机器人在水下环境中的定位，常用的视觉定位技术如 SLAM 技术（Simultaneous Localization And Mapping）。目标跟踪在连续的图片序列帧中，对于一次检测到的目标物体，跟踪并推断其在下一帧中的位置信息，从而实现目标物体的追踪。跟踪算法分为生成式跟踪和判别式跟踪两种类型。生成式跟踪算法是一种基于样本和模型的跟踪方法，通过对目标前景和背景的概率分布进行建模，来获取目标的轮廓信息和运动状态，以此实现跟踪。典型的生成式跟踪算法有 Meanshift、Camshift、卡尔曼滤波（Kalman filtering）和粒子滤波等。判别式跟踪算法是一种直接从数据中学习目标模型，通过把目标前景和背景分别作为正、负样本进行训练，以实现前景和背景的分类即目标跟踪的方法。该算法关注于解决分类或回归问题，直接将跟踪问题看作一种机器学习问题，从数据中训练分类器或回归器，来预测目标的状态。判别式跟踪算法可以分为基于相关滤波的跟踪算法，基于深度学习的跟踪算法和基于稀疏编码的跟踪算法等。结语基于视觉的水下机器人自主巡航技术已经取得了一些研究成果，正逐步实现自主感知、规划和决策，为海洋任务和研究提供了更为高效和智能化的支持。但目前也存在一些局限性和不足，环境复杂性会影响水下机器人的定位精度和导航性能；水下环境中的光照条件相对较差，导致图像质量较差，影响机器人对目标的感知。未来可以使用自适应的补光系统，从物理上增强水下机器人对水下环境的辨识度；利用机器学习、计算机视觉等先进技术来提高水下机器人感知、导航和决策能力，提高水下机器人对多个目标的控制能力；研究多模态感知融合技术，将水下机器人的多种感知方式进行融合，扩大其应用范围和目标检测的能力；优化设计机器人的硬件结构，研究软硬件一体化技术，提高水下机器人的稳定性和性能表现等。人工势场法