水產(chǎn)養(yǎng)殖水下作業(yè)機(jī)器人關(guān)鍵技術(shù)研究進(jìn)展

李道亮，包建華

（1. 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083；2. 江蘇師范大學(xué)電氣工程及自動(dòng)化學(xué)院，徐州 221116；3. 北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100083）

0 引 言

隨著全球人口增長，資源短缺和環(huán)境惡化問題愈發(fā)突出，陸地資源已難以充分滿足社會(huì)發(fā)展的需求，3.6×108km2的浩瀚海洋將成為人類生存與發(fā)展的新空間，是人類食物的重要來源，也是增加人類優(yōu)質(zhì)蛋白質(zhì)的“糧倉”[1]。中國大陸海岸線長約1.8×104km，中國內(nèi)海和邊海的海域面積473×104km2，淺海面積200×104km2，是世界最大的海水養(yǎng)殖大國，養(yǎng)殖面積和產(chǎn)量均占世界的60%[2]，為中國和世界食物安全做出了重大貢獻(xiàn)。

淺海養(yǎng)殖包括筏式養(yǎng)殖、底播增養(yǎng)殖、海水網(wǎng)箱養(yǎng)殖，淺海養(yǎng)殖產(chǎn)量占中國海水養(yǎng)殖產(chǎn)量的95%以上[3]。淺海養(yǎng)殖的水下作業(yè)包括筏式養(yǎng)殖鮑魚、藻類的生長狀況監(jiān)測，底播增養(yǎng)殖貝類、海參等的收獲，網(wǎng)箱清洗、網(wǎng)箱養(yǎng)殖死魚撿拾（不及時(shí)撿拾會(huì)導(dǎo)致魚類病害傳播和水體污染）和網(wǎng)衣漏洞檢測等。目前，這些作業(yè)任務(wù)需要人工完成，由于潛水員下潛深度有限，水產(chǎn)養(yǎng)殖區(qū)域范圍大，潛水員體力難以達(dá)到，工作強(qiáng)度大，人工一天最多下水工作10 h，受海況、水深和海流等自然條件影響，作業(yè)人員很容易發(fā)生事故，而且容易患潛水病，危險(xiǎn)系數(shù)高[4]，近幾年愿意從事該行業(yè)的人越來越少，水產(chǎn)品養(yǎng)殖的勞動(dòng)力成本猛增，淺海養(yǎng)殖水下作業(yè)面臨嚴(yán)重的人工危機(jī)[5]，直接威脅中國水產(chǎn)養(yǎng)殖產(chǎn)業(yè)發(fā)展。

利用現(xiàn)代技術(shù)改造傳統(tǒng)水產(chǎn)養(yǎng)殖業(yè)，促進(jìn)工業(yè)化和信息化向水產(chǎn)養(yǎng)殖領(lǐng)域的深度融合，對(duì)于提升水產(chǎn)養(yǎng)殖業(yè)的效率與品質(zhì)具有非常重要的意義[6]。由于水下生產(chǎn)環(huán)境的復(fù)雜性，研究水下機(jī)器人在水產(chǎn)養(yǎng)殖中的應(yīng)用逐步受到重視[7]。作為人類探索海洋的工具，水下機(jī)器人是先進(jìn)機(jī)器人技術(shù)在水下的特殊應(yīng)用，是機(jī)械、控制、信息、導(dǎo)航、船舶等學(xué)科相結(jié)合的前沿技術(shù)領(lǐng)域[8]。

水下機(jī)器人也稱為無人水下潛水器（unmanned underwater vehicle，UUV），它可以在水下代替人完成某種任務(wù)。按照與水面支持系統(tǒng)間聯(lián)系方式的不同，水下機(jī)器人可以分為遙控水下機(jī)器人（remotely operated vehicle，ROV）和自治水下機(jī)器人（autonomous underwater vehicle，AUV）2類。ROV通過“臍帶”電纜接受來自水面平臺(tái)的遙控命令與動(dòng)力電源；AUV擁有動(dòng)力能源和智能控制系統(tǒng)，它能夠依靠自身的自主決策和控制能力高效地完成預(yù)定任務(wù)[9]。水下機(jī)器人在世界范圍內(nèi)的應(yīng)用領(lǐng)域已經(jīng)不斷擴(kuò)大，如電纜敷設(shè)和檢查、海底礦藏調(diào)查、救撈作業(yè)、水下考古、水產(chǎn)養(yǎng)殖、水環(huán)境監(jiān)測及江河水庫的大壩檢查等[10]。

在水產(chǎn)養(yǎng)殖實(shí)踐中，人們首先將水下機(jī)器人應(yīng)用于水產(chǎn)養(yǎng)殖監(jiān)測。將聲納傳感器搭載于水下機(jī)器人，根據(jù)深水網(wǎng)箱規(guī)格預(yù)設(shè)好水下機(jī)器人的巡視路線，該巡視路線就是一條警戒帶，在這個(gè)警戒帶內(nèi)，如果因網(wǎng)箱的網(wǎng)衣破損而出現(xiàn)透魚現(xiàn)象的發(fā)生，機(jī)器人就會(huì)向管理人員發(fā)出警報(bào)。這種監(jiān)測方式機(jī)動(dòng)性強(qiáng)，準(zhǔn)確度高[11]。溶解氧是池塘養(yǎng)殖的重要制約因子，為提高魚塘增氧范圍和增氧效率，張凈等[12]開發(fā)一種智能行走式增氧機(jī)器人，通過電機(jī)驅(qū)動(dòng)葉輪將空氣中氧氣壓入水體中進(jìn)行增氧。Rundtop和 Frank[13]將超短基線（ultra short base line，USBL）系統(tǒng)、多普勒測速計(jì)（Doppler velocity log，DVL）用于水下機(jī)器人的導(dǎo)航，可以實(shí)現(xiàn)對(duì)圍網(wǎng)網(wǎng)衣的自主可靠檢查。水下機(jī)器人用于圍網(wǎng)檢查中，機(jī)器人本體相對(duì)圍網(wǎng)的位姿估算是關(guān)鍵問題之一；Duda等[14]通過對(duì)相機(jī)拍攝圖像中網(wǎng)衣結(jié)點(diǎn)及其拓?fù)浣Y(jié)構(gòu)的檢測，能夠方便估算出水下機(jī)器人相對(duì)圍網(wǎng)的距離和方位。

相對(duì)于監(jiān)測任務(wù)，水下機(jī)器人應(yīng)用于水產(chǎn)養(yǎng)殖作業(yè)任務(wù)（如海參收獲、死魚撿拾等）將更具挑戰(zhàn)性。近年來，水下機(jī)器人載體與所攜帶機(jī)械手構(gòu)成一種新型的水下機(jī)器人-機(jī)械手系統(tǒng)（underwater vehicle - manipulator system, UVMS），水下自主作業(yè)技術(shù)已經(jīng)成為水下機(jī)器人的重要研究方向之一[15]。UVMS的機(jī)器人本體與其操作機(jī)械手之間存在著耦合關(guān)系，其耦合控制不僅受到動(dòng)量守恒的影響，而且受到水動(dòng)力的影響，是一個(gè)多體動(dòng)力學(xué)系統(tǒng)，該系統(tǒng)在漂浮情況下的建模與控制非常復(fù)雜[16]。與此同時(shí)，水產(chǎn)養(yǎng)殖水下作業(yè)環(huán)境復(fù)雜、光線昏暗、洋流時(shí)變、目標(biāo)動(dòng)物（海參、死魚）等規(guī)格形狀不一，同時(shí)撿拾作業(yè)的精度和速度要求高，如何快速識(shí)別目標(biāo)動(dòng)物并進(jìn)行精準(zhǔn)作業(yè)控制是困擾水產(chǎn)界的公認(rèn)難題[17]。

在水產(chǎn)養(yǎng)殖中，水下捕撈作業(yè)屬于水下機(jī)器人功能應(yīng)用之一，它依靠多功能機(jī)械手或吸管等實(shí)現(xiàn)對(duì)水產(chǎn)品的捕撈，可以替代人工在危險(xiǎn)環(huán)境中作業(yè)。為了給水產(chǎn)養(yǎng)殖水下作業(yè)機(jī)器人軟件開發(fā)提供理論依據(jù)和綜合性參考，本文對(duì)水下機(jī)器人捕撈作業(yè)中所涉及的關(guān)鍵技術(shù)的國內(nèi)外研究現(xiàn)狀進(jìn)行分析與討論，并對(duì)其發(fā)展趨勢(shì)進(jìn)行展望。

1 UVMS捕撈作業(yè)的關(guān)鍵技術(shù)

弱光照、多擾動(dòng)、強(qiáng)耦合、非結(jié)構(gòu)化海洋環(huán)境下，水下機(jī)器人-機(jī)械手系統(tǒng)（UVMS）的精準(zhǔn)捕撈作業(yè)，需要解決水下目標(biāo)識(shí)別、導(dǎo)航與定位、機(jī)器人-機(jī)械手系統(tǒng)動(dòng)力學(xué)建模、作業(yè)優(yōu)化控制等幾個(gè)方面的關(guān)鍵技術(shù)問題。UVMS捕撈作業(yè)關(guān)鍵技術(shù)體系及各技術(shù)所需應(yīng)對(duì)挑戰(zhàn)的結(jié)構(gòu)框圖如圖1所示。

圖1 UVMS捕撈作業(yè)關(guān)鍵技術(shù)體系結(jié)構(gòu)框圖Fig.1 Architecture diagram of key technologies for UVMS fishing operation

1.1 復(fù)雜環(huán)境和擾動(dòng)條件下目標(biāo)動(dòng)物的快速準(zhǔn)確識(shí)別

目標(biāo)識(shí)別是指計(jì)算機(jī)賦予機(jī)器人視覺功能[18]。水產(chǎn)養(yǎng)殖水下機(jī)器人為實(shí)現(xiàn)其功能，它需要時(shí)刻感知水下目標(biāo)的信息，基于這些信息才能做出決策控制。目前常用的水下目標(biāo)探測與識(shí)別技術(shù)有聲學(xué)傳感器（聲納）成像和光學(xué)傳感器（攝像機(jī)）成像 2種[19]。聲納成像作用距離遠(yuǎn)，但由于受水下環(huán)境噪聲和背景目標(biāo)的影響，生成圖像的清晰度低。水下攝像機(jī)采集的圖像清晰度和分辨率都較好，但其成像質(zhì)量受海水濁度和能見度影響很大，總體成像距離較短。

水下成像環(huán)境較為復(fù)雜，由于在成像過程中水體對(duì)光散射和吸收效應(yīng)等影響，導(dǎo)致一般成像設(shè)備的作用距離只有幾米到十幾米，且其圖像質(zhì)量不如空氣中的光學(xué)圖像，主要具有對(duì)比度低、邊緣模糊、色彩丟失、噪聲嚴(yán)重等特點(diǎn)[20]。這些因素都極大影響了水下目標(biāo)的精準(zhǔn)識(shí)別與定位。因此，研究通用的水下圖像恢復(fù)算法和智能識(shí)別算法是提高水下視覺系統(tǒng)可靠性的關(guān)鍵。

圖像恢復(fù)算法是對(duì)水下光學(xué)成像過程進(jìn)行定量描述，若水下視覺系統(tǒng)的內(nèi)外參數(shù)為已知，則對(duì)污染較嚴(yán)重的圖像恢復(fù)效果好，能為下一步的圖像識(shí)別提供優(yōu)質(zhì)數(shù)據(jù)[21]。國內(nèi)外學(xué)者致力于探索水下光學(xué)傳播模型，譬如，Jaffe–McGlamery能較好地模擬后向散射和光衰減[22-23]，對(duì)于彩色圖像，需要每個(gè)通道單獨(dú)設(shè)置參數(shù)并計(jì)算，不利于實(shí)時(shí)圖像處理；在未知點(diǎn)擴(kuò)散函數(shù)的情況下，基于交替迭代和 Hopfield神經(jīng)網(wǎng)絡(luò)的方法能夠獲得較好的圖像恢復(fù)效果[24]。點(diǎn)擴(kuò)散函數(shù)具有一定恢復(fù)能力，算法簡單，但模型參數(shù)靠人工經(jīng)驗(yàn)，場景適應(yīng)性差[25]；輻射傳遞方程引入無量綱的光學(xué)深度和光學(xué)厚度參數(shù)，充分考慮散射，對(duì)場景的適應(yīng)性強(qiáng)，但算法復(fù)雜，運(yùn)算時(shí)間長[26]；調(diào)制傳遞函數(shù)能準(zhǔn)確描述水下成像機(jī)制并在實(shí)驗(yàn)室環(huán)境下進(jìn)行了驗(yàn)證[27]，但受小角度近似規(guī)則的限制，更廣角度的水下成像需要進(jìn)一步研究。綜上所述，目前沒有一個(gè)通用的水下圖像恢復(fù)模型來提升水下圖像質(zhì)量，總結(jié)各圖像恢復(fù)模型的優(yōu)缺點(diǎn)，篩選構(gòu)建出一個(gè)高魯棒性的圖像快速恢復(fù)模型具有重要意義和應(yīng)用價(jià)值。

國內(nèi)外水下圖像目標(biāo)識(shí)別已經(jīng)涉及到了比較多的領(lǐng)域，如水下目標(biāo)檢測[28]、海底生物統(tǒng)計(jì)[29]、魚類監(jiān)測[30]等。另外，基于邊界、聚類、閾值、區(qū)域和人工神經(jīng)網(wǎng)絡(luò)的分割方法提取目標(biāo)[31]，用主動(dòng)輪廓法[32]、神經(jīng)網(wǎng)絡(luò)[33]、多特征融合[34]和機(jī)器學(xué)習(xí)[35]等對(duì)目標(biāo)進(jìn)行識(shí)別，能夠基本滿足水下近距離快速準(zhǔn)確識(shí)別目標(biāo)的要求，并且具有較強(qiáng)的適應(yīng)性，但對(duì)于水底復(fù)雜背景下的不規(guī)則目標(biāo)識(shí)別效果不佳[36]。隨著深度學(xué)習(xí)的快速發(fā)展，深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜環(huán)境下的不規(guī)則目標(biāo)的識(shí)別展現(xiàn)出高準(zhǔn)確性和高穩(wěn)定性的優(yōu)點(diǎn)，并在不規(guī)則目標(biāo)農(nóng)業(yè)病蟲害識(shí)別檢測中得到了驗(yàn)證。Brahimi等[37]和Fuentes等[38]分別建立深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)番茄的病蟲害進(jìn)行快速識(shí)別，識(shí)別準(zhǔn)確率在97%以上。Ramcharan等[39]構(gòu)建了42層的Inception v3型深度卷積神經(jīng)網(wǎng)絡(luò)并訓(xùn)練，用于識(shí)別木薯的3種疾病和2種害蟲損害，總體識(shí)別率達(dá)到93%。

充分吸收前人在水下目標(biāo)識(shí)別或復(fù)雜環(huán)境下目標(biāo)識(shí)別的研究成果，將水下圖像恢復(fù)技術(shù)和深度學(xué)習(xí)技術(shù)相融合，探索淺海養(yǎng)殖復(fù)雜水下環(huán)境下目標(biāo)動(dòng)物的快速準(zhǔn)確識(shí)別是值得研究的課題。

1.2 多擾動(dòng)條件下目標(biāo)動(dòng)物位置識(shí)別定位與導(dǎo)航

水產(chǎn)養(yǎng)殖中，UVMS的導(dǎo)航與定位，涉及機(jī)器人沿預(yù)定路徑行進(jìn)過程中的導(dǎo)航定位問題以及AUV相對(duì)作業(yè)目標(biāo)的定位問題。由于水下環(huán)境的特殊性，使得水下導(dǎo)航與定位比陸地困難。慣性導(dǎo)航的無源性和自主性，為實(shí)現(xiàn)水下機(jī)器人的自主導(dǎo)航定位創(chuàng)造了條件，慣性導(dǎo)航系統(tǒng)（inertial navigation system，INS）目前已成為水下機(jī)器人的核心導(dǎo)航設(shè)備。但是，INS的定位誤差隨時(shí)間累積而逐漸增大，無法滿足長期和高精度的導(dǎo)航定位要求，因此，需要通過其他導(dǎo)航手段對(duì)慣性導(dǎo)航系統(tǒng)進(jìn)行定期修正，如多普勒測速儀DVL、水下聲學(xué)導(dǎo)航、地球物理導(dǎo)航等?？紤]到實(shí)時(shí)海流的影響，一種DVL輔助捷聯(lián)慣性導(dǎo)航系統(tǒng)（strap-down inertial navigation system，SINS）被用于AUV的導(dǎo)航與定位，仿真結(jié)果表明，SINS/DVL組合導(dǎo)航比純慣性導(dǎo)航有更高的定位精度[40]。為改進(jìn)由SINS、DVL和磁羅盤所組成的AUV的導(dǎo)航系統(tǒng)性能，Xu等[41]將進(jìn)化人工神經(jīng)網(wǎng)絡(luò)與容錯(cuò)自適應(yīng)Kalman濾波算法結(jié)合起來，基于原型機(jī)的試驗(yàn)結(jié)果可見，當(dāng)觀測數(shù)據(jù)短期失效時(shí)，該方案明顯優(yōu)于傳統(tǒng)Kalman濾波算法。Zhang等[42]利用SINS與長基線聲學(xué)定位系統(tǒng)（long base line，LBL）間的交互輔助作用來研究 AUV定位系統(tǒng)；一方面，SINS解算的定位結(jié)果能夠提高LBL定位精度，另一方面，LBL定位信息也能夠定期補(bǔ)償 SINS的累積誤差。一種地形輔助慣性導(dǎo)航被用于估算AUV的位置和方向，水池和現(xiàn)場試驗(yàn)都驗(yàn)證了所述組合導(dǎo)航方案的有效性[43]。

精確估算出 AUV相對(duì)于作業(yè)目標(biāo)的位置與姿態(tài)是UVMS實(shí)現(xiàn)精準(zhǔn)作業(yè)任務(wù)的必要條件。關(guān)于AUV的相對(duì)位姿估算問題，有些研究者做了一些探索，他們將該問題視作目標(biāo)運(yùn)動(dòng)的估算問題，主要開展純方位跟蹤研究[44-45]；其中，慣性測量單元（inertial measurement unit，IMU）用于提供UVMS的線性加速度和角速度，單目照相機(jī)用于提供目標(biāo)相對(duì)UVMS的方位測量值；在測量過程中，由于某些目標(biāo)狀態(tài)變量的不可觀測性和高度非線性，用上述方法估算AUV相對(duì)于作業(yè)目標(biāo)的位置與姿態(tài)存在困難。因此，需要提出其他方法來克服上述算法的不足，增強(qiáng)UVMS定位的可重復(fù)性。

AUV的相對(duì)位置感知問題可以通過即時(shí)定位與地圖構(gòu)建（simultaneous localization and mapping，SLAM）技術(shù)加以實(shí)現(xiàn)[46]。SLAM 問題可以描述為機(jī)器人在未知環(huán)境中從一個(gè)未知位置開始移動(dòng)，在移動(dòng)過程中根據(jù)位置估計(jì)和地圖進(jìn)行自身定位，同時(shí)在自身定位的基礎(chǔ)上建造增量式地圖，實(shí)現(xiàn)機(jī)器人的自主定位和導(dǎo)航[47-48]。在SLAM 中，一旦地圖構(gòu)建成功，即使目標(biāo)從視場消失，UVMS也能基于該地圖進(jìn)行操作[46]。袁贛南等[49]針對(duì)海底石油管道漏油位置檢測定位問題，提出了捷聯(lián)慣性導(dǎo)航系統(tǒng)與SLAM算法相組合的水下導(dǎo)航定位方法。周紹磊等[50]將慣性導(dǎo)航和單目視覺 SLAM 2種無源定位方法相互融合，構(gòu)建具有較高定位精度和魯棒性的無源定位系統(tǒng)。自提出 SLAM 算法思想以來，基于擴(kuò)展卡爾曼濾波（extended Kalman filter，EKF）的SLAM算法成為標(biāo)準(zhǔn)估計(jì)算法[51]。然而在系統(tǒng)模型和噪聲統(tǒng)計(jì)特性不精確的情況下，EKF的濾波精度可能嚴(yán)重下降甚至引起濾波發(fā)散，為此提出了很多改進(jìn)的EKF算法解決SLAM問題[52-53]。

對(duì)于定位精度要求較高的 AUV-機(jī)械手作業(yè)場合，EKF不能單獨(dú)用于AUV的相對(duì)位置估計(jì)[54]。粒子濾波算法基本思想是從概率密度分布中隨機(jī)抽取一組加權(quán)樣本來近似后驗(yàn)概率密度，可用于對(duì)任何非線性模型估計(jì)，可很好解決AUV-機(jī)械手和作業(yè)目標(biāo)定位問題[49]。傳統(tǒng)粒子濾波算法存在粒子退化以及粒子貧乏引起水下機(jī)器人定位和導(dǎo)航精度下降問題，研究者可以從重要性函數(shù)選取或針對(duì)重采樣過程提出不同的改進(jìn)算法。

粒子濾波適用于海底的非線性、非高斯模型?；诹Ｗ訛V波的 SLAM 算法能夠獲得水下機(jī)器人的位姿估算，且估算誤差不隨時(shí)間增長，通過改進(jìn)卡爾曼濾波將其與SINS相融合，可以顯著改善水下機(jī)器人的導(dǎo)航性能。因此，將粒子濾波與改進(jìn)卡爾曼濾波結(jié)合起來用于作業(yè)目標(biāo)的位姿估算，是一條行之有效的技術(shù)途徑，針對(duì)淺海養(yǎng)殖撿拾作業(yè)目標(biāo)（死魚、海參等）定位，則需要從實(shí)際應(yīng)用場景參數(shù)和干擾上對(duì)其做具體深入研究。

1.3 時(shí)變多體撿拾作業(yè)條件下水下機(jī)器人-機(jī)械手系統(tǒng)（UVMS）動(dòng)力學(xué)模型

AUV通常采用欠驅(qū)動(dòng)工作方式以便節(jié)省能源，而機(jī)械臂水下作業(yè)時(shí)會(huì)對(duì)AUV本體產(chǎn)生擾動(dòng)，使得欠驅(qū)動(dòng)的AUV可能無法保證自主穩(wěn)定，這樣AUV和機(jī)械臂的協(xié)調(diào)運(yùn)動(dòng)就成為關(guān)鍵問題[55]。針對(duì)水下機(jī)器人-機(jī)械手系統(tǒng)（UVMS）的協(xié)調(diào)控制，首先需要建立其運(yùn)動(dòng)學(xué)及動(dòng)力學(xué)模型。UVMS動(dòng)力學(xué)模型是隨時(shí)間變化精準(zhǔn)預(yù)測系統(tǒng)運(yùn)動(dòng)狀態(tài)的數(shù)學(xué)描述，可為系統(tǒng)作業(yè)的精準(zhǔn)控制提供理論依據(jù)，也是水下機(jī)器人作業(yè)控制研究的核心內(nèi)容[56]。由于水下洋流的非線性運(yùn)動(dòng)，未知環(huán)境干擾、系統(tǒng)負(fù)載變化以及系統(tǒng)本體運(yùn)動(dòng)的相互作用等，使得水下機(jī)器人-機(jī)械手的運(yùn)動(dòng)具有耦合、時(shí)變、非線性、冗余等特點(diǎn)[57-58]，大大增加系統(tǒng)建模的難度[17]。

為了探索UVMS的運(yùn)動(dòng)規(guī)律，Mahesh等[59]開發(fā)了基于拉格朗日的UVMS動(dòng)力學(xué)模型，成為模擬水下機(jī)器人剛體運(yùn)動(dòng)的重要手段。Kim 等[60]使用標(biāo)準(zhǔn)拉格朗日動(dòng)力學(xué)方程在實(shí)驗(yàn)室環(huán)境下成功實(shí)現(xiàn)了水下機(jī)器人對(duì)外界環(huán)境的干預(yù)。Xu等[61]提出一種準(zhǔn)拉格朗日公式來仿真UVMS模型，考慮主要的流體動(dòng)力學(xué)效應(yīng)和恢復(fù)力，將復(fù)合系統(tǒng)轉(zhuǎn)化為一系列子系統(tǒng)，簡化動(dòng)力學(xué)分析，但沒有考慮多系統(tǒng)間的相互作用。Huang等[16]和Korkmaz等[54]基于牛頓-歐拉遞推算法建立了水下機(jī)器人系統(tǒng)的動(dòng)力學(xué)模型，包括推力器的力學(xué)運(yùn)動(dòng)方程、自主水下機(jī)器人-機(jī)械手系統(tǒng)的流體動(dòng)力學(xué)模型，當(dāng)計(jì)算水動(dòng)力時(shí)，考慮了物體彼此的遮蔽效應(yīng)。與拉格朗日法相比，牛頓-歐拉動(dòng)力學(xué)方程可以利用更簡單和耗時(shí)少的模型明確地描述系統(tǒng)角動(dòng)量行為。但牛頓-歐拉公式用于三維以及具有多自由度的二維系統(tǒng)推導(dǎo)動(dòng)力學(xué)方程時(shí)非常困難，而凱恩方程沒有這樣的限制。Tarn等[62]基于凱恩方法開發(fā)了UVMS的一種動(dòng)力學(xué)模型，該模型采用閉合形式，有利于提高UVMS的操控性和可靠性。Hussain等[63]基于凱恩方程對(duì) 3自由度連桿機(jī)構(gòu)運(yùn)動(dòng)鏈構(gòu)建了動(dòng)力學(xué)模型，展現(xiàn)出其在復(fù)雜多系統(tǒng)應(yīng)用中的有效性。凱恩方程的動(dòng)力學(xué)模型為外部環(huán)境力提供了一種直接表示方法，并且計(jì)算效率高，同時(shí)明晰了哪些力影響系統(tǒng)動(dòng)態(tài)行為。

另外，Periasamy等[64]將鍵合圖技術(shù)應(yīng)用于水下機(jī)器人及其機(jī)械手系統(tǒng)的耦合動(dòng)力學(xué)的模擬分析，通過鍵合圖提供了系統(tǒng)動(dòng)態(tài)建模的自由度，清楚地指示了系統(tǒng)中各個(gè)元件之間的物理相互作用，更便于開發(fā)適當(dāng)?shù)难a(bǔ)償機(jī)制控制動(dòng)態(tài)耦合。Kumar等[65]基于歐拉-伯努利梁理論，采用鍵合圖技術(shù)進(jìn)行混合阻抗的UVMS動(dòng)力學(xué)建模，直觀展現(xiàn)了機(jī)器人本體與機(jī)械手的靈活鏈路。相比于其他動(dòng)力學(xué)模型，鍵合圖模型使得外部力建模和系統(tǒng)模型擴(kuò)展為更高的自由度更為簡單，所有交互點(diǎn)處的力和速度信息都可以在共流結(jié)和共勢(shì)結(jié)處獲得，因此，通過這種建模技術(shù)，可以方便地實(shí)現(xiàn)水下機(jī)器人在交互點(diǎn)處的軌跡控制和力控制。目前常用的UVMS建模方法的主要優(yōu)缺點(diǎn)如表1所示。

表1 UVMS建模方法的優(yōu)缺點(diǎn)Table 1 Advantages and disadvantages of UVMS modeling methods

目前的主流動(dòng)力學(xué)模型在相對(duì)可控的環(huán)境下展現(xiàn)出各自優(yōu)勢(shì)，對(duì)處于不確定擾動(dòng)和復(fù)雜環(huán)境干擾的 UVMS動(dòng)力學(xué)建模，需要結(jié)合以上動(dòng)力學(xué)模型的優(yōu)點(diǎn)，構(gòu)建高魯棒性的復(fù)合UVMS動(dòng)力學(xué)模型以適應(yīng)淺海養(yǎng)殖撿拾實(shí)際作業(yè)需求。

1.4 多約束條件下淺海養(yǎng)殖精準(zhǔn)撿拾作業(yè)的優(yōu)化控制

UVMS優(yōu)化控制是在滿足一定能量約束的條件下，考慮到系統(tǒng)的內(nèi)外擾動(dòng)，采用一定的控制算法使機(jī)器人-機(jī)械手系統(tǒng)按照作業(yè)指令高效準(zhǔn)確地完成運(yùn)動(dòng)和作業(yè)任務(wù)，并使系統(tǒng)的一個(gè)或幾個(gè)物理量能夠達(dá)到最優(yōu)的控制精度[66]。由于水下作業(yè)的多擾動(dòng)、大慣性、強(qiáng)耦合等約束問題突出，加之UVMS的運(yùn)動(dòng)和作業(yè)機(jī)構(gòu)的硬件單元復(fù)雜龐大，使得精準(zhǔn)的UVMS運(yùn)動(dòng)和作業(yè)控制需求極為迫切[67]。

在不確定干擾情況下，以流體動(dòng)力學(xué)理論為基礎(chǔ)，如何設(shè)計(jì)使UVMS系統(tǒng)穩(wěn)定的魯棒控制器，中外學(xué)者先后進(jìn)行了探索研究，提出了滑?？刂啤⒛：刂?、自適應(yīng)控制等控制算法，以期解決這一非線性控制難題。Antonelli等[68]提出了一種用于UVMS調(diào)節(jié)的滑?？刂品椒?，滑?？刂剖且环N非線性控制方法，可避免系統(tǒng)雅可比行列式的反演，從而克服了運(yùn)動(dòng)奇點(diǎn)的出現(xiàn)。然而，由于實(shí)際養(yǎng)殖水體中水動(dòng)力很難準(zhǔn)確估計(jì)，盡管在魯棒滑模控制器的控制下[66]，通過選擇高增益以實(shí)現(xiàn)系統(tǒng)的穩(wěn)定，但會(huì)導(dǎo)致高頻抖動(dòng)效應(yīng)，這種抖動(dòng)會(huì)使機(jī)器人-機(jī)械手系統(tǒng)出現(xiàn)未建模動(dòng)力，導(dǎo)致模型不匹配而失敗。在實(shí)際非線性動(dòng)力學(xué)系統(tǒng)中，由測量噪聲、外部擾動(dòng)和模型簡化等因素造成的未建模動(dòng)力經(jīng)常出現(xiàn)，它的存在會(huì)降低系統(tǒng)性能，甚至導(dǎo)致系統(tǒng)不穩(wěn)定。Esfahani等[69]提出了一種時(shí)延控制（time delay control，TDC）方法，包括采用時(shí)延估計(jì)項(xiàng)，終端滑動(dòng)模式（terminal sliding mode，TSM）項(xiàng)和PID項(xiàng)來實(shí)現(xiàn)UVMS的軌跡跟蹤，但過多耦合參數(shù)使得優(yōu)化控制不太方便，因?yàn)轳詈舷到y(tǒng)優(yōu)化計(jì)算存在尋優(yōu)與解耦兩重嵌套循環(huán)，使得耦合系統(tǒng)優(yōu)化設(shè)計(jì)計(jì)算量大、計(jì)算精度低。另一方面，由于水下機(jī)器人本體和機(jī)械手存在互相掣肘問題，Antonelli等[70]結(jié)合了任務(wù)優(yōu)先逆運(yùn)動(dòng)學(xué)方法和模糊方法來執(zhí)行UVMS的運(yùn)動(dòng)協(xié)調(diào)控制，并且采用模糊方法來分配機(jī)器人和操縱器之間的運(yùn)動(dòng)。Xu等[71]提出了神經(jīng)模糊控制器來實(shí)現(xiàn) UVMS的跟蹤控制。雖然模糊控制器是一種不依賴于模型的智能控制方法，但是模糊控制的規(guī)則表調(diào)整比較復(fù)雜，因此在實(shí)際應(yīng)用中具有一定的難度。Han等[72]針對(duì) UVMS系統(tǒng)提出了一種自適應(yīng)控制算法，將最優(yōu) PID控制、魯棒自適應(yīng)控制與恢復(fù)向量補(bǔ)償結(jié)合起來用于UVMS的運(yùn)動(dòng)控制。Mohan等[56]開發(fā)了一種基于EKF的間接自適應(yīng)控制方法，用于UVMS執(zhí)行水下操作任務(wù)。但是，自適應(yīng)控制算法需要很高的計(jì)算量，并且涉及大量的參數(shù)調(diào)整。由于水下機(jī)器人具有較強(qiáng)機(jī)動(dòng)性，通過減少水下機(jī)器人-機(jī)械手系統(tǒng)的動(dòng)態(tài)參數(shù)數(shù)量以保證算法的實(shí)時(shí)性是不可取的，所以自適應(yīng)控制算法在UVMS系統(tǒng)中的應(yīng)用受到了一定的限制[70]。

隨著預(yù)測控制技術(shù)的發(fā)展，非線性模型預(yù)測控制（nonlinear model predictive control，NMPC）在具有大延遲和強(qiáng)擾動(dòng)的非線性系統(tǒng)中表現(xiàn)出很強(qiáng)的魯棒性，并已成功應(yīng)用于運(yùn)動(dòng)控制領(lǐng)域的優(yōu)化控制[73]。德國伊爾默瑙工業(yè)大學(xué)仿真與優(yōu)化團(tuán)隊(duì)開發(fā)的NMPC控制策略框架已經(jīng)讓無人車在跟蹤、轉(zhuǎn)彎、避障、急停等場景下快速做出響應(yīng)并準(zhǔn)確完成控制任務(wù)。目前已有相關(guān)研究將模型預(yù)測控制（model predictive control，MPC）的滾動(dòng)優(yōu)化控制思想應(yīng)用于機(jī)器人-機(jī)械手系統(tǒng)中，也獲得了很好的控制效果[74-75]。Jasour和Farrokhi[76]提出冗余機(jī)器人手臂的非線性模型預(yù)測控制，用于軌跡跟蹤和避障問題。通過在NMPC中使用模糊邏輯在線調(diào)整加權(quán)因子，使得路徑跟蹤和避障權(quán)重獲得更好的性能。Rybus等[67]使用NMPC來實(shí)現(xiàn)對(duì)衛(wèi)星上無人操縱器的軌跡跟蹤控制，仿真結(jié)果表明，與動(dòng)態(tài)雅可比逆的控制器相比，NMPC能更大限度地減少末端執(zhí)行器的位置誤差。因此，采用基于非線性模型預(yù)測控制策略，可以較好地預(yù)測偏差和整定參數(shù)，模型適配能力較好，并具備獨(dú)特的實(shí)時(shí)滾動(dòng)優(yōu)化處理能力，能夠不斷地將系統(tǒng)給定和偏差融合到下一環(huán)節(jié)控制算法中，這樣能夠比較好地消除本體和機(jī)械手間的掣肘影響以及應(yīng)對(duì)水文變化等突發(fā)干擾，并能夠?qū)λ露嗄繕?biāo)體運(yùn)動(dòng)和作業(yè)任務(wù)實(shí)現(xiàn)準(zhǔn)確控制。應(yīng)用于UVMS的常用控制算法的主要優(yōu)缺點(diǎn)如表2所示。

表2 UVMS控制算法的優(yōu)缺點(diǎn)Table 2 Advantages and disadvantages of UVMS control algorithms

如何在強(qiáng)耦合、多干擾、時(shí)變、多體、多環(huán)節(jié)的條件下，將淺海養(yǎng)殖水下機(jī)器人-機(jī)械手精準(zhǔn)撿拾作業(yè)看成一個(gè)整體系統(tǒng)進(jìn)行非線性模型預(yù)測控制，是值得探討的科學(xué)問題。

2 研究展望

1）采用多傳感器信息融合技術(shù)，研究復(fù)雜環(huán)境和擾動(dòng)條件下目標(biāo)動(dòng)物的快速準(zhǔn)確識(shí)別算法，是水下目標(biāo)識(shí)別研究需要進(jìn)一步探索的課題。由于水下環(huán)境自身的特殊性，使得水產(chǎn)養(yǎng)殖水下機(jī)器人在水下目標(biāo)感知與識(shí)別方面的研究受到很大的限制。在配備水下照明燈情況下，水下攝像機(jī)適合清水并且近距離的目標(biāo)圖像采集。聲納探測距離較遠(yuǎn)，避障能力強(qiáng)，聲探測技術(shù)實(shí)現(xiàn)比較容易，但基于聲納圖像的目標(biāo)識(shí)別可靠性和準(zhǔn)確率有待提高。近年來，利用平面換能器陣通過波束形成對(duì)水下目標(biāo)進(jìn)行三維成像技術(shù)發(fā)展迅速，用于水下目標(biāo)識(shí)別的三維成像聲納是一個(gè)全數(shù)字化系統(tǒng)，能夠獲得水下目標(biāo)的形狀與方位信息，三維成像聲納為水下目標(biāo)識(shí)別研究提供了有利的工具。激光成像能夠有效克服養(yǎng)殖水體后向散射對(duì)成像的影響，提高了圖像對(duì)比度，其成像質(zhì)量遠(yuǎn)高于聲納成像質(zhì)量，并且能夠提供目標(biāo)物坐標(biāo)、距離等信息，是較為理想的水下目標(biāo)探測與識(shí)別手段。隨著激光成像裝置尺寸、質(zhì)量和功耗的逐步降低，高性價(jià)比的激光成像儀將會(huì)被用于水產(chǎn)養(yǎng)殖水下機(jī)器人。水下目標(biāo)圖像采集裝置在技術(shù)方面的不斷進(jìn)步，為獲取高質(zhì)量圖像信息提供有力保障，從而在一定程度上降低了圖像處理的復(fù)雜程度。另一方面，水下目標(biāo)圖像處理算法的研究一直是水下機(jī)器人技術(shù)的研究熱點(diǎn)之一。如何深入分析非均勻光照、水下光源、濁度、機(jī)器人本體晃動(dòng)等對(duì)目標(biāo)動(dòng)物水下成像的影響，揭示水下目標(biāo)成像的衰減和散射規(guī)律，構(gòu)建目標(biāo)動(dòng)物圖像恢復(fù)和去噪模型，是水下目標(biāo)識(shí)別研究的關(guān)鍵。多傳感器信息融合是指對(duì)不同知識(shí)源和傳感器采集的數(shù)據(jù)進(jìn)行融合，以實(shí)現(xiàn)對(duì)觀測對(duì)象更好的理解。常用的多傳感器信息融合方法有卡爾曼濾波、貝葉斯理論、D-S證據(jù)理論、聚類分析和神經(jīng)網(wǎng)絡(luò)等。海洋背景下，多傳感器信息融合技術(shù)的典型應(yīng)用是通過聲納圖像和光學(xué)圖像的融合來實(shí)現(xiàn)對(duì)水下目標(biāo)的識(shí)別。研究基于多傳感器信息融合和深度學(xué)習(xí)的復(fù)雜環(huán)境和擾動(dòng)條件下目標(biāo)動(dòng)物的快速準(zhǔn)確識(shí)別算法，是水下目標(biāo)識(shí)別研究需要進(jìn)一步探索的課題。

2）發(fā)展高可靠性、高集成度并具有綜合補(bǔ)償和校正功能的組合導(dǎo)航系統(tǒng)代表了水產(chǎn)養(yǎng)殖水下機(jī)器人導(dǎo)航技術(shù)的發(fā)展方向。高精度的導(dǎo)航定位能力是衡量水產(chǎn)養(yǎng)殖水下機(jī)器人技術(shù)水平的一個(gè)重要標(biāo)志。一方面要加大導(dǎo)航傳感器的研制力度，提高其測量精度和可靠性。另一方面，各種水下導(dǎo)航技術(shù)都有其優(yōu)缺點(diǎn)，將不同導(dǎo)航技術(shù)適當(dāng)?shù)亟M合起來，不僅可以做到優(yōu)勢(shì)互補(bǔ)，提高導(dǎo)航精度，還在一定程度上降低對(duì)單一導(dǎo)航系統(tǒng)的精度要求。對(duì)于水產(chǎn)養(yǎng)殖捕撈作業(yè)來說，UVMS相對(duì)目標(biāo)動(dòng)物的定位精度需要達(dá)到dm級(jí)水平。由于水下目標(biāo)背景復(fù)雜、視覺主體晃動(dòng)、傳感器信息存在不確定性，考慮將捷聯(lián)慣性導(dǎo)航與SLAM算法相結(jié)合，利用圖像傳感器（相機(jī)/聲納）采集水下機(jī)器人運(yùn)動(dòng)路徑上的特征位置信息，與慣性傳感器解算的位置信息相融合，獲得高精度的定位信息，是一條行之有效的技術(shù)途徑。綜合利用多種導(dǎo)航傳感器測量信息，運(yùn)用現(xiàn)代濾波理論進(jìn)行多源信息融合，發(fā)展高可靠性、高集成度并具有綜合補(bǔ)償和校正功能的組合導(dǎo)航系統(tǒng)代表了水產(chǎn)養(yǎng)殖機(jī)器人導(dǎo)航技術(shù)的發(fā)展方向。

3）如何在保證水產(chǎn)養(yǎng)殖水下機(jī)器人運(yùn)動(dòng)控制穩(wěn)定性的前提下，提升控制系統(tǒng)的自適應(yīng)性和容錯(cuò)能力，提高智能系統(tǒng)在實(shí)際應(yīng)用中的可行性是今后研究工作的重點(diǎn)。目前UVMS常用的動(dòng)力學(xué)建模方法有Newton-Euler法、Quasi-Lagrange法、Kane法和Davies法等，這些動(dòng)力學(xué)模型在相對(duì)可控的環(huán)境下展現(xiàn)出各自優(yōu)勢(shì)。對(duì)處于不確定擾動(dòng)和復(fù)雜環(huán)境干擾下的UVMS動(dòng)力學(xué)建模，需要結(jié)合上述動(dòng)力學(xué)模型的優(yōu)點(diǎn)，采用非線性的補(bǔ)償機(jī)制，構(gòu)建高魯棒性的復(fù)合UVMS動(dòng)力學(xué)模型以適應(yīng)淺海養(yǎng)殖捕撈作業(yè)需求。UVMS是非線性、強(qiáng)耦合、參數(shù)不確定的多輸入多輸出系統(tǒng)，另外，水下機(jī)器人本體、機(jī)械手以及水下作業(yè)環(huán)境的模型又難以準(zhǔn)確獲得。為了實(shí)現(xiàn)對(duì)目標(biāo)動(dòng)物的快速捕獲，UVMS控制的實(shí)時(shí)性也是需要考慮的重要因素。因此，UVMS的有效控制是一項(xiàng)挑戰(zhàn)性的課題。針對(duì)UVMS的控制方法主要有PID控制、滑?？刂?、模糊控制、自適應(yīng)控制和魯棒控制等，由于每種控制算法各有優(yōu)缺點(diǎn)，可以考慮將不同控制方式相互結(jié)合使用，以提高水下機(jī)器人控制器的控制精度和收斂速度。比如，采用自適應(yīng)滑?？刂破?、模糊自適應(yīng) PID控制器等實(shí)現(xiàn)對(duì)機(jī)器人-機(jī)械手系統(tǒng)的協(xié)調(diào)運(yùn)動(dòng)控制和高精度軌跡跟蹤控制。自主能力體現(xiàn)機(jī)器的智能水平，UVMS的自主能力通過人工智能技術(shù)實(shí)現(xiàn)，基于符號(hào)推理和人工神經(jīng)網(wǎng)絡(luò)是人工智能研究的 2種主要方法。具有符號(hào)推理能力是智能控制系統(tǒng)最基本的需求，但目前基于符號(hào)的推理仍存在知識(shí)獲取困難、學(xué)習(xí)能力較低和實(shí)時(shí)性較差等局限性，而人工神經(jīng)網(wǎng)絡(luò)采用并行、分布式的存儲(chǔ)和處理機(jī)制，具有較強(qiáng)的學(xué)習(xí)、聯(lián)想和自適應(yīng)能力，2種方法的融合能夠有效提高UVMS的智能水平。

3 結(jié) 論

1）傳統(tǒng)水產(chǎn)養(yǎng)殖水下監(jiān)測和作業(yè)任務(wù)主要依靠人工完成，勞動(dòng)強(qiáng)度大，危險(xiǎn)性高，近幾年愿意從事該行業(yè)的人越來越少，水產(chǎn)養(yǎng)殖業(yè)面臨嚴(yán)重的人工危機(jī)。水下機(jī)器人是人類探索海洋的重要工具，隨著技術(shù)進(jìn)步和制造成本的降低，將水下機(jī)器人應(yīng)用于水產(chǎn)養(yǎng)殖業(yè)日益受到人們的重視。

2）由于海洋環(huán)境的復(fù)雜性，水下捕撈作業(yè)是一項(xiàng)頗具挑戰(zhàn)性的任務(wù)。水下機(jī)器人-機(jī)械手系統(tǒng)（UVMS）是一種新型的作業(yè)型水下機(jī)器人，通過軟硬件的優(yōu)化設(shè)計(jì)，它可以替代人工實(shí)現(xiàn)對(duì)水產(chǎn)品的捕撈。弱光照、多擾動(dòng)、強(qiáng)耦合、非結(jié)構(gòu)化海洋環(huán)境下，UVMS的精準(zhǔn)捕撈作業(yè)涉及水下目標(biāo)識(shí)別、導(dǎo)航與定位、UVMS動(dòng)力學(xué)模型、作業(yè)優(yōu)化控制等幾個(gè)方面的關(guān)鍵技術(shù)問題。在文獻(xiàn)檢索的基礎(chǔ)上，文中對(duì)UVMS捕撈作業(yè)所需解決的關(guān)鍵技術(shù)的地位和國內(nèi)外研究現(xiàn)狀展開綜述。

3）采用多傳感器信息融合技術(shù)，研究復(fù)雜環(huán)境和擾動(dòng)條件下目標(biāo)動(dòng)物的快速準(zhǔn)確識(shí)別算法，提高水產(chǎn)養(yǎng)殖水下作業(yè)機(jī)器人目標(biāo)識(shí)別速度和準(zhǔn)確性是今后研究的必然方向；發(fā)展高可靠性、高集成度并具有綜合補(bǔ)償和校正功能的組合導(dǎo)航系統(tǒng)代表了水產(chǎn)養(yǎng)殖水下機(jī)器人導(dǎo)航技術(shù)的發(fā)展方向；在保證水產(chǎn)養(yǎng)殖水下機(jī)器人運(yùn)動(dòng)控制穩(wěn)定性的前提下，提升控制系統(tǒng)的自適應(yīng)性和容錯(cuò)能力，不斷提高智能系統(tǒng)在實(shí)際應(yīng)用中的可行性是今后研究工作的重點(diǎn)。

[1]范建平. 影響我國海洋經(jīng)濟(jì)可持續(xù)發(fā)展的重大問題分析[J]. 中國管理信息化，2017，20(12)：115－116.Fan Jianping. Analysis of major issues affecting sustainable development of China's marine economy [J]. China Management Informationization, 2017, 20(12): 115－116. (in Chinese with English abstract)

[2]張耀光，劉鍇，王圣云，等. 中國與世界多國海洋經(jīng)濟(jì)與產(chǎn)業(yè)綜合實(shí)力對(duì)比分析[J]. 經(jīng)濟(jì)地理，2017，37(12)：103－111.Zhang Yaoguang, Liu Kai, Wang Shengyun, et al.Comparative analysis of marine economic and industrial comprehensive strength between China and other countries in the world [J]. Economic Geography, 2017, 37(12): 103－111.(in Chinese with English abstract)

[3]林可，王飛，馬家志，等. 離岸型智能化淺海養(yǎng)殖圍網(wǎng)應(yīng)用及效益分析[J]. 水產(chǎn)科技情報(bào)，2017，44(5)：268－272.Lin Ke, Wang Fei, Ma Jiazhi, et al. Net pen application and benefit analysis of offshore intelligent shallow sea breeding[J]. Fisheries Science & Technology Information, 2017, 44(5):268－272. (in Chinese with English abstract)

[4]楊衛(wèi)中，徐銀麗，喬曦，等. 基于對(duì)比度受限直方圖均衡化的水下海參圖像增強(qiáng)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(6)：197－203.Yang Weizhong, Xu Yinli, Qiao Xi, et al. Method for image intensification of underwater sea cucumber based on contrastlimited adaptive histogram equalization [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 197－203. (in Chinese with English abstract)

[5]劉文武，劉刊，徐偉剛，等. 我國潛水行業(yè)的現(xiàn)狀與潛水員的健康安全管理建議[J]. 海軍醫(yī)學(xué)雜志，2016，37(3)：284－286.Liu Wenwu, Liu Kan, Xu Weigang, et al. Status of diving industry and divers' health and safety management suggestions in China [J]. Journal of Navy Medicine, 2016, 37(3): 284－286.(in Chinese with English abstract)

[6]胡金有，王靖杰，張小栓，等. 水產(chǎn)養(yǎng)殖信息化關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(7)：251－263.Hu Jinyou, Wang Jingjie, Zhang Xiaoshuan, et al. Research status and development trends of information technologies in aquacultures [J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 251－263. (in Chinese with English abstract)

[7]常宗瑜，姚冰川，王磊，等. 水產(chǎn)養(yǎng)殖用水下移動(dòng)機(jī)械手的耦合動(dòng)力學(xué)分析[J]. 機(jī)械設(shè)計(jì)，2012，29(2)：47－50.Chang Zongyu, Yao Bingchuan, Wang Lei, et al. Analysis of coupling dynamics of underwater mobile manipulator for aquaculture [J]. Journal of Machine Design, 2012, 29(2):47－50. (in Chinese with English abstract)

[8]黃海. 遙控潛水器的控制體系結(jié)構(gòu)及作業(yè)技術(shù)[M]. 北京：國防工業(yè)出版社，2011.

[9]徐玉如，李彭超. 水下機(jī)器人發(fā)展趨勢(shì)[J]. 自然雜志，2011，33(3)：125－132.Xu Yuru, Li Pengchao. Developing tendency of unmanned underwater vehicles [J]. Chinese Journal of Nature, 2011,33(3): 125－132. (in Chinese with English abstract)

[10]叢明，劉毅，李泳耀，等. 水下捕撈機(jī)器人的研究現(xiàn)狀與發(fā)展[J]. 船舶工程，2016，38(6)：55－60.Cong Ming, Liu Yi, Li Yongyao, et al. Research and development of underwater fishing robot [J]. Ship Engineering,2016, 38(6): 55－60. (in Chinese with English abstract)

[11]王潤田，陳晶晶，龔劍彬. 深水網(wǎng)箱養(yǎng)殖中的聲學(xué)監(jiān)測問題探討[J]. 漁業(yè)現(xiàn)代化，2012，39(3)：19－22.Wang Runtian, Chen Jingjing, Gong Jianbin. Acoustic monitoring for ocean aquaculture in sea cage [J]. Fishery Modernization, 2012, 39(3): 19－22. (in Chinese with English abstract)

[12]張凈，沈捷，劉曉梅. 基于太陽能供電的行走式智能增氧機(jī)器人研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(12)：340－345.Zhang Jing, Shen Jie, Liu Xiaomei. Realization of walking intelligence oxygenated robot Based on Solar Power [J].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(12): 340－345. (in Chinese with English abstract)

[13]Rundtop P, Frank K. Experimental evaluation of hydroacoustic instruments for ROV navigation along aquaculture net pens[J]. Aquacultural Engineering, 2016(74): 143－156.

[14]Duda A, Schwendner J, Stahl A, et al. Visual pose estimation for autonomous inspection of fish pens[C]// Proceedings of MTS/IEEE Oceans. Genova, Italy, 2015.

[15]Wang Y, Wang S, Wei Q, et al. Development of an underwater manipulator and its free-floating autonomous operation [J]. IEEE-ASME Transactions on Mechatronics,2016, 21(2): 815－824.

[16]Huang H, Tang Q, Li H, et al. Vehicle-manipulator system dynamic modeling and control for underwater autonomous manipulation [J]. Multibody System Dynamics, 2016, 41:125－147.

[17]Sugiyama N, Toda M. A nonlinear disturbance observer using delayed estimates -its application to motion control of an underwater vehicle-manipulator system[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems.Daejeon, South Korea, 2016: 2007－2013.

[18]Qiao X, Rauschenbach T, Li D L. Review of underwater machine vision technology and its applications [J]. Marine Technology Society Journal, 2017, 51(1): 75－97.

[19]龐碩，糾海峰. 智能水下機(jī)器人研究進(jìn)展[J]. 科技導(dǎo)報(bào)，2015，33(23)：66－71.Pang Shuo, Jiu Haifeng. Current status of autonomous underwater vehicles research and development [J]. Science &Technology Review, 2015, 33(23): 66－71. (in Chinese with English abstract)

[20]Elibol A, Garcia R, Gracias N. A new global alignment approach for underwater optical mapping [J]. Ocean Engineering,2011, 38(10): 1207－1219.

[21]Schettini R, Corchs S. Underwater image processing: State of the art of restoration and image enhancement methods [J].Eurasip Journal on Advances in Signal Processing, 2010(1):1－15.

[22]Lee D, Kim G, Kim D, et al. Vision-based object detection and tracking for autonomous navigation of underwater robots[J]. Ocean Engineering, 2012, 48(7): 59－68.

[23]Wu X, Li H. A simple and comprehensive model for underwater image restoration[C]// IEEE International Conference on Information and Automation (ICIA). Yinchuan,China, 2013: 699－704.

[24]屈志毅，沃炎，任志宏. 基于交替迭代和神經(jīng)網(wǎng)絡(luò)的盲目圖像恢復(fù)[J]. 計(jì)算機(jī)學(xué)報(bào)，2000，23(4)：410－413.Qu Zhiyi, Wo Yan, Ren Zhihong. Blind image restoration based on alternating iteration and neural network [J]. Chinese Journal of Computers, 2000, 23(4): 410－413. (in Chinese with English abstract)

[25]Han J F, Yang K C, Xia M, et al. Resolution enhancement in active underwater polarization imaging with modulation transfer function analysis [J]. Applied Optics, 2015, 54(11):3294－3302.

[26]Stephan T, Beyerer J. Computer graphical model for underwater image simulation and restoration[C]// ICPR Workshop on Computer Vision for Analysis of Underwater Imagery. Stockholm, Sweden, 2014: 73－79.

[27]Huang Y, Cao F, Jin W, et al. Underwater pulsed laser range-gated imaging model and its effect on image degradation and restoration [J]. Optical Engineering, 2014,53(6): 603－608.

[28]Chen Z, Zhang Z, Dai F, et al. Monocular vision-based underwater object detection [J]. Sensors, 2017, 17(8): 1－14.

[29]Sautya S, Ingole B, Jones D O B, et al. First quantitative exploration of benthic megafaunal assemblages on the mid-oceanic ridge system of the Carlsberg Ridge, Indian Ocean [J]. Journal of the Marine Biological Association of the United Kingdom, 2017, 97(2): 409－417.

[30]Boldt J L, Williams K, Rooper C N, et al. Development of stereo camera methodologies to improve pelagic fish biomass estimates and inform ecosystem management in marine waters [J]. Fisheries Research, 2018, 198: 66－77.

[31]Agrawal S, Xaxa D K. Survey on image segmentation techniques and color models [J]. International Journal of Computer Science & Information Technologies, 2014, 5(3):3025－3030.

[32]Liu T, Wan L, Liang X W. An image segmentation method of underwater targets based on active contour model [J].Applied Mechanics and Materials, 2014, 511－512: 457－461.

[33]陳榮盛，袁小海，胡震，等. 水下機(jī)器人作業(yè)目標(biāo)控制和目標(biāo)識(shí)別[J]. 船舶力學(xué)，1998，2(1)：62－68.Chen Rongsheng, Yuan Xiaohai, Hu Zhen, et al. Autonomous underwater vehicle job controlling and object recognition [J].Journal of Ship Mechanics, 1998, 2(1): 62－68. (in Chinese with English abstract)

[34]Rizzini D L, Kallasi F, Oleari F, et al. Investigation of vision-based underwater object detection with multiple datasets [J]. International Journal of Advanced Robotic Systems, 2015, 12: 1－13.

[35]Wang H Y, Dong F, Song L M. Bubble-forming regime identification based on image textural features and the MCWA feature selection method [J]. IEEE Access, 2017,5(99): 15820－15830.

[36]Qiao X, Bao J H, Zeng L H, et al. An automatic active contour method for sea cucumber segmentation in natural underwater environments [J]. Computers and Electronics in Agriculture, 2017, 135 (C): 134－142.

[37]Brahimi M, Boukhalfa K, Moussaoui A. Deep learning for tomato diseases: classification and symptoms visualization[J]. Applied Artificial Intelligence, 2017, 31(4): 299－315.

[38]Fuentes A, Yoon S, Kim S C, et al. A robust deeplearning-based detector for real-time tomato plant diseases and pests recognition [J]. Sensors, 2017, 17(9): 2022－2034.

[39]Ramcharan A, Baranowski K, McCloskey P, et al. Deep learning for image-based cassava disease detection [J].Frontiers in plant science, 2017, 8: 1852－1863.

[40]Liu Q, Xu X, Han B. An integrated navigation method based on SINS/DVL-WT for AUV [J]. Applied Mechanics and Materials, 2013, 303-306(2): 904－907.

[41]Xu X, Li P, Liu J. A fault-tolerant filtering algorithm for SINS/DVL/MCP integrated navigation system [J]. Mathematical Problems in Engineering, 2015(4): 1－12.

[42]Zhang T, Chen L, Li Y. AUV underwater positioning algorithm based on interactive assistance of SINS and LBL[J]. Sensors, 2016, 16(1): 1－22.

[43]Newman P, Durrant-Whyte H. Using sonar in terrain-aided underwater navigation[C]// IEEE International Conference on Robotics & Automation. Leuven, Belgium, 1998: 440－445.

[44]Conti R, Fanelli F, Meli E, et al. A free floating manipulation strategy for autonomous underwater vehicles [J]. Robotics and Autonomous Systems, 2017, 87: 133－146.

[45]Huster A, Rock S M. Relative position estimation for manipulation tasks by fusing vision and inertial measurements[C]// MTS/IEEE Oceans 2002 Conference. Biloxi, USA,2001: 1025－1031.

[46]Ribas D, Ridao P, Tardos J D, et al. Underwater SLAM in man-made structured environments [J]. Journal of Field Robotics, 2008, 25(11/12): 898－921.

[47]Fallon M F, Folkesson J, Mcclelland H, et al. Relocating underwater features autonomously using sonar-based SLAM[J]. IEEE Journal of Oceanic Engineering, 2013, 38(3):500－513.

[48]Mallios A, Ridao P, Ribas D, et al. Scan matching SLAM in underwater environments[J]. Autonomous Robots, 2014,36(3): 181－198.

[49]袁贛南，王丹丹，魏延輝，等. 水下石油管道漏油檢測定位的粒子濾波SLAM算法[J]. 中國慣性技術(shù)學(xué)報(bào)，2013，21(2)：204－208.Yuan Gannan, Wang Dandan, Wei Yanhui, et al. Particle filter SLAM algorithm for underwater oil pipeline leakage detection and positioning [J]. Journal of Chinese Inertial Technology, 2013, 21(2): 204－208. (in Chinese with English abstract)

[50]周紹磊，吳修振，劉剛，等. 一種單目視覺ORB-SLAM/INS組合導(dǎo)航方法[J]. 中國慣性技術(shù)學(xué)報(bào)，2016，24(5)：633－637.Zhou Shaolei, Wu Xiuzhen, Liu Gang, et al. Integrated navigation method of monocular ORB-SLAM/INS [J]. Journal of Chinese Inertial Technology, 2016, 24(5): 633－637. (in Chinese with English abstract)

[51]王宏健，王晶，邊信黔，等. 基于組合EKF的自主水下航行器SLAM[J]. 機(jī)器人，2012，34(1)：56－64.Wang Hongjian, Wang Jing, Bian Xinqian, et al. SLAM of AUV based on the combined EKF [J]. Robot, 2012, 34(1):56－64. (in Chinese with English abstract)

[52]Tully S, Moon H, Kantor G, et al. Iterated filters for bearingonly SLAM[C]// IEEE International Conference on Robotics and Automation. Pasadena, USA, 2008: 1442－1448.

[53]Kang J G, Choi W S, An S Y, et al. Augmented EKF based SLAM method for improving the accuracy of the feature map[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. Taipei, China, 2010: 3725－3731.

[54]Korkmaz O, Ider S K, Ozgoren M K. Trajectory tracking control of an underactuated underwater vehicle redundant manipulator system [J]. Asian Journal of Control, 2016, 18(5):1593－1607.

[55]陳巍，魏延輝，曾建輝，等. 水下機(jī)器人-機(jī)械手系統(tǒng)控制方法綜述[J]. 重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，29(8)：116－123.Chen Wei, Wei Yanhui, Zeng Jianhui, et al. Review of underwater vehicle-manipulator system control method [J].Journal of Chongqing University of Technology (Natural Science), 2015, 29(8): 116－123. (in Chinese with English abstract)

[56]Mohan S, Kim J. Indirect adaptive control of an autonomous underwater vehicle-manipulator system for underwater manipulation tasks [J]. Ocean Engineering, 2012, 54: 233－243.

[57]Barbalata C, Dunnigan M W, Petillot Y. Dynamic coupling and control issues for a lightweight underwater vehicle manipulator system[C]// Oceans Conference. St Johns, Canada,2014: 1－6.

[58]Ismail Z H, Dunnigan M W. Tracking control scheme for an underwater vehicle-manipulator system with single and multiple sub-regions and sub-task objectives [J]. IET Control Theory and Applications, 2011, 5(5): 721－735.

[59]Mahesh H, Yuh J, Lakshmi R. A coordinated control of an underwater vehicle and robot manipulator [J]. Journal of Robotic System, 1991, 8(3): 339–370.

[60]Kim T W, Yuh J. Development of a real-time control architecture for a semi-autonomous underwater vehicle for intervention missions [J]. Control Engineering Practice, 2004,12(12): 1521－1530.

[61]Xu G, Guo Y, Xiang X, et al. Motion control and computer simulation for underwater vehicle-manipulator systems[C]//IEEE International Conference on Mechatronics and Automation. Harbin, China, 2007: 1368－1373.

[62]Tarn T J, Shoults G A, Yang S P. A dynamic model of an underwater vehicle with a robotic manipulator using Kane's method [J]. Autonomous Robots, 1996, 3(2/3): 269－283.

[63]Hussain Z, Azlan N Z. KANE's method for dynamic modeling[C]//IEEE International Conference on Automatic Control and Intelligent Systems. Shah Alam, Malaysia, 2016:174－179.

[64]Periasamy T, Asokan T, Singaperumal M. Investigations on the dynamic coupling in AUV-manipulator system and the manipulator trajectory errors using bond graph method [J].International Journal of Systems Science, 2012, 43(6):1104－1122.

[65]Kumar S, Rastogi V, Gupta P. A hybrid impedance control scheme for underwater welding robots with a passive foundation in the controller domain [J]. Simul-Trans Soc Model Simul Int., 2017, 93(7): 619－630.

[66]Thangavel P, Thondiyath A, Makaram S. Optimized Robust Controller for AUV-Manipulator System[C]// IEEE Region 10 Conference on TENCON 2010. Fukuoka, Japan, 2010:945－950.

[67]Rybus T, Seweryn K, Sasiadek J Z. Control system for free-floating space manipulator based on nonlinear model predictive control (NMPC) [J]. Journal of Intelligent &Robotic Systems, 2017, 85(3/4): 491－509.

[68]Antonelli G, Chiaverini S. Task-priority redundancy resolution for underwater vehicle-manipulator systems[C]//IEEE International Conference on Robotics and Automation.Leuven, Belgium, 1998: 768－773.

[69]Esfahani H N, Azimirad V, Danesh M. A time delay controller included terminal sliding mode and fuzzy gain tuning for underwater vehicle-manipulator systems [J]. Ocean Engineering, 2015, 107: 97－107.

[70]Antonelli G, Chiaverini S. Fuzzy redundancy resolution and motion coordination for underwater vehicle-manipulator systems [J]. IEEE Transactions on Fuzzy Systems, 2003,11(1): 109－120.

[71]Xu B, Pandian S R, Sakagami N, et al. Neuro-fuzzy control of underwater vehicle-manipulator systems [J]. Journal of the Franklin Institute, 2012, 349(3): 1125－1138.

[72]Han J H, Chung W K. Active use of restoring moments for motion control of an underwater vehicle-manipulator system[J]. IEEE Journal of Oceanic Engineering, 2014, 39(1):100－109.

[73]Lopez-Sanz J, Ocampo-Martinez C, Alvarez-Florez J, et al.Thermal management in plug-in hybrid electric vehicles: A real-time nonlinear model predictive control implementation[J]. IEEE Transactions on Vehicular Technology, 2017, 66(9):7751－7760.

[74]Tamimi J, Li P. A combined approach to nonlinear model predictive control of fast systems [J]. Journal of Process Control, 2010, 20(9): 1092－1102.

[75]Lazutkin E, Geletu A, Hopfgarten S, et al. An analytical hessian and parallel-computing approach for efficient dynamic optimization based on control-variable correlation analysis [J]. Industrial & Engineering Chemistry Research,2015, 54(48): 12086－12095.

[76]Jasour A M, Farrokhi M. Path tracking and obstacle avoidance for redundant robotic arms using fuzzy NMPC[C]// 2009 American Control Conference. St Louis, MO,2009: 1353－1358.