水下無(wú)人集群仿生人工側(cè)線探測(cè)技術(shù)研究進(jìn)展

胡 橋, 劉 鈺, 趙振軼, 朱子才,2

?

水下無(wú)人集群仿生人工側(cè)線探測(cè)技術(shù)研究進(jìn)展

胡 橋1,2,3, 劉 鈺1, 趙振軼1, 朱子才1,2

(1. 西安交通大學(xué) 機(jī)械工程學(xué)院, 陜西 西安, 710049;2. 西安交通大學(xué) 機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室, 陜西 西安, 710049;3. 西安交通大學(xué) 陜西省智能機(jī)器人重點(diǎn)實(shí)驗(yàn)室, 陜西 西安, 710049)

水下探測(cè)是實(shí)施海洋任務(wù)的先決條件和技術(shù)保障, 也是近年來(lái)水下無(wú)人集群研究方向的技術(shù)難點(diǎn)和科研熱點(diǎn)。然而, 現(xiàn)有的聲學(xué)和光學(xué)探測(cè)系統(tǒng)由于易受水下環(huán)境干擾因素影響, 使其難以為水下無(wú)人集群提供精確的近場(chǎng)感知信息, 也成為制約水下無(wú)人集群發(fā)展的技術(shù)瓶頸, 因此探索水下新型探測(cè)技術(shù)十分必要。文中闡述了水下無(wú)人集群探測(cè)的特點(diǎn)與難點(diǎn), 從仿生人工側(cè)線(ALL)陣列和信號(hào)處理兩方面, 綜述和分析了水下無(wú)人集群仿生人工側(cè)線探測(cè)技術(shù)的國(guó)內(nèi)外研究進(jìn)展, 指出當(dāng)前研究中存在的關(guān)鍵問題, 包括人工側(cè)線的感知原理、布局、微工藝, 以及人工智能算法的應(yīng)用, 討論了解決這些關(guān)鍵問題的途徑。

水下無(wú)人集群; 仿生探測(cè); 人工側(cè)線; 信號(hào)處理

0 引言

由于國(guó)際戰(zhàn)略形勢(shì)和周邊安全環(huán)境顯著變化,近幾年乃至未來(lái)很長(zhǎng)一段時(shí)間內(nèi), 對(duì)海洋的開發(fā)和海洋權(quán)益的保護(hù)都將會(huì)是各國(guó)最為重要的戰(zhàn)略目標(biāo)之一。要建設(shè)海洋強(qiáng)國(guó), 就需要增強(qiáng)海洋裝備和相關(guān)技術(shù)的國(guó)際競(jìng)爭(zhēng)力。未來(lái)水下作戰(zhàn)將改變傳統(tǒng)的潛艇作戰(zhàn)方式, 使水下作戰(zhàn)向密切監(jiān)視、快速反應(yīng)、精確打擊和網(wǎng)絡(luò)化方式轉(zhuǎn)變, 通過(guò)天基平臺(tái)、分布式水下傳感器等預(yù)警偵查手段, 獲得更加清晰的戰(zhàn)場(chǎng)態(tài)勢(shì)圖和精確的目標(biāo)位置, 利用性價(jià)比高、隱蔽性好的無(wú)人水下航行器(unmanned undersea vehicle, UUV)搭載武器進(jìn)行水下攻擊。新一代水下集群作戰(zhàn)系統(tǒng)是指由魚雷、UUV、仿生機(jī)器魚等大量的多平臺(tái)裝備集群組成, 以單平臺(tái)作戰(zhàn)能力為基礎(chǔ), 以各平臺(tái)間的協(xié)同交互能力為支撐, 構(gòu)建而成的一種具有抗毀性、低成本、功能分布式和群體智能特征的新型水下攻防作戰(zhàn)體系。目前, 研究水下集群作戰(zhàn)裝備正在受到世界各軍事大國(guó)的廣泛關(guān)注[1], 這其中, 水下探測(cè)技術(shù)是水下無(wú)人集群研究的先決條件和技術(shù)保障, 也是技術(shù)難點(diǎn)和科研熱點(diǎn)。

魚雷、UUV等裝備通常應(yīng)用聲學(xué)和光學(xué)系統(tǒng)作為信息交互的窗口, 進(jìn)行水下信息感知。對(duì)于光學(xué)感知, 在圖像處理之前, 需要對(duì)已獲得的水下圖像數(shù)據(jù)進(jìn)行預(yù)處理, 以減少噪聲量、糾正衰減和幾何失真, 并通過(guò)繁瑣的觀察識(shí)別技術(shù)等方法來(lái)實(shí)現(xiàn)水下無(wú)人集群的感知功能, 不但成像質(zhì)量有限, 且受水質(zhì)渾濁度影響, 這些因素限制了光學(xué)方法在渾濁黑暗的水下環(huán)境中感知信息的能力[2]。聲吶系統(tǒng)作為信息獲取的窗口, 雖然可以進(jìn)行有效的水下探測(cè), 但當(dāng)水下無(wú)人集群工作環(huán)境空間結(jié)構(gòu)復(fù)雜時(shí), 聲波會(huì)通過(guò)多種途徑返回?fù)Q能器(多途效應(yīng)影響), 因此引起“重影”, 水下無(wú)人集群發(fā)射的多個(gè)主動(dòng)聲吶信號(hào)會(huì)對(duì)其他聲吶造成影響, 使得水下無(wú)人集群探測(cè)系統(tǒng)無(wú)法對(duì)周圍近場(chǎng)環(huán)境精確感知[3], 同時(shí), 集群裝備間的航行干擾及各種環(huán)境干擾噪聲也會(huì)大大降低聲吶感知性能。概而言之, 現(xiàn)有的光學(xué)和聲學(xué)水下信息感知技術(shù)在部分情況下難以為水下無(wú)人集群目標(biāo)探測(cè)提供高靈敏度高精度的近場(chǎng)感知信息, 也成為制約水下探測(cè)技術(shù)應(yīng)用與發(fā)展的技術(shù)瓶頸。因此, 探索一種適用于水下無(wú)人集群的高靈敏度高精度新型探測(cè)技術(shù)十分必要。

魚類在水中組成的群體可以實(shí)現(xiàn)快速高效移動(dòng), 進(jìn)行躲避追捕和群體遷移等活動(dòng), 其主要依賴于側(cè)線系統(tǒng)對(duì)周圍水流環(huán)境變化的感知能力。借鑒魚類的側(cè)線感知方式, 研究者們?cè)O(shè)計(jì)了人工側(cè)線系統(tǒng), 為水下無(wú)人集群的探測(cè)方式提供了新的思路。文中通過(guò)綜述和分析水下無(wú)人集群仿生側(cè)線探測(cè)技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀與進(jìn)展, 從人工側(cè)線系統(tǒng)的設(shè)計(jì)和相關(guān)信息處理方法方面揭示出當(dāng)前研究存在的關(guān)鍵問題, 并指出解決這些關(guān)鍵問題的根本途徑。

1 水下無(wú)人集群探測(cè)的特點(diǎn)與難點(diǎn)

水下無(wú)人集群的核心優(yōu)勢(shì)在于單體成本低、群體數(shù)目大、群體智能程度高。由于利用低成本的UUV集群打擊高成本的艦艇可使利益最大化, 相對(duì)單平臺(tái)具有更大的探測(cè)范圍和更強(qiáng)的生存能力等原因, 利用水下無(wú)人集群進(jìn)行水下探測(cè)及作戰(zhàn)具備較高的應(yīng)用價(jià)值。UUV探測(cè)技術(shù)是集群系統(tǒng)最為關(guān)鍵的技術(shù)之一, 在“數(shù)據(jù)為王”的條件下, 空中目標(biāo)探測(cè)途徑多、信息獲取較為穩(wěn)定, 目前國(guó)內(nèi)外在空中無(wú)人機(jī)集群裝備研究方面起步較早且相對(duì)較為成熟。相比之下, 由于水下物理場(chǎng)和工作環(huán)境非常復(fù)雜, 水下無(wú)人集群方面的研究剛剛起步, 相應(yīng)的水下探測(cè)問題也具有自身的特點(diǎn)和難點(diǎn)，具體如下。

1) 由于水下無(wú)人集群通信距離及編隊(duì)要求, 個(gè)體之間距離較近, 屬于近場(chǎng)探測(cè)問題。水下無(wú)人集群中多個(gè)UUV同時(shí)運(yùn)動(dòng)和作業(yè)導(dǎo)致水下探測(cè)環(huán)境異常復(fù)雜。多個(gè)UUV集群工作時(shí), 各自產(chǎn)生的輻射噪聲和目標(biāo)強(qiáng)度等干擾因素都會(huì)極大影響聲吶探測(cè)性能, 同時(shí)也會(huì)擾動(dòng)水體和增加水的渾濁度從而影響光學(xué)探測(cè)性能, 使得處于集群工作態(tài)勢(shì)下的UUV利用傳統(tǒng)的聲吶或光學(xué)探測(cè)方式無(wú)法對(duì)周圍環(huán)境和目標(biāo)信息進(jìn)行精確獲取。

2) 水下無(wú)人集群常常使用的水聲探測(cè)系統(tǒng)易受到人為或環(huán)境干擾使得功能失效。水下無(wú)人集群探測(cè)系統(tǒng)容易遭受水聲干擾器、氣幕彈及水聲誘餌等人為水聲干擾設(shè)備的抑制而無(wú)法正常工作, 同時(shí)也容易受到界面反射產(chǎn)生的多途效應(yīng)和受水文條件影響嚴(yán)重的聲波傳播特性等環(huán)境因素干擾, 從而大大增加水聲目標(biāo)探測(cè)的難度。

3) 水下無(wú)人集群探測(cè)中使用的水下聲吶探測(cè)或光學(xué)探測(cè)系統(tǒng)硬件體積大、能耗高。聲吶探測(cè)系統(tǒng)中的基陣和匹配網(wǎng)絡(luò), 以及光學(xué)探測(cè)系統(tǒng)中的激光器或成像系統(tǒng)等硬件系統(tǒng)使得探測(cè)系統(tǒng)小型化較為困難, 且電源能耗較高。從而使得這些水下探測(cè)方式無(wú)法在仿生機(jī)器魚等小型化集群裝備中使用。

鑒于以上水下無(wú)人集群的特點(diǎn)和探測(cè)中諸多難點(diǎn), 現(xiàn)有的水下探測(cè)技術(shù)難解水下無(wú)人集群信息精確獲取的燃眉之急。

2 國(guó)內(nèi)外研究進(jìn)展

水下無(wú)人集群的相關(guān)研究起步不久, 近年來(lái), 麻省理工大學(xué)研究人員利用多臺(tái)搭載不同類型傳感器的水下機(jī)器人所構(gòu)成的移動(dòng)傳感網(wǎng)絡(luò), 嘗試對(duì)特定海域協(xié)作標(biāo)圖與海洋立體調(diào)查[4-5]; 普林斯頓大學(xué)研究小組通過(guò)對(duì)魚類的群體行為觀測(cè)和分析, 試圖建立一個(gè)自主海洋采樣系統(tǒng), 實(shí)現(xiàn)對(duì)Monterey海灣生態(tài)環(huán)境的監(jiān)測(cè)[6-8]; 葡萄牙波爾圖大學(xué)研究者利用多水下機(jī)器人組成了模塊化、技術(shù)先進(jìn)但成本低廉的海洋資料數(shù)據(jù)收集系統(tǒng), 用以執(zhí)行海洋生態(tài)環(huán)境調(diào)查等任務(wù)[9]; 英國(guó)Nekton研究機(jī)構(gòu)開發(fā)了水下多智能體平臺(tái), 用于多水下機(jī)器人分布式搜索算法、編隊(duì)控制及海洋立體調(diào)查等相關(guān)問題的研究[10-11]。2018年, 美國(guó)Aquabotix公司測(cè)試了一種能夠模仿種群行為的自主水下機(jī)器人SwarmDiver, 其裝備有用于防御、研究和監(jiān)視用途的傳感器, 由螺旋槳驅(qū)動(dòng), 能夠?qū)崿F(xiàn)自主航行和集群協(xié)同探測(cè)。

相對(duì)而言, 我國(guó)的水下無(wú)人集群研究起步較晚。北京大學(xué)工學(xué)院智能控制實(shí)驗(yàn)室在微小型仿生機(jī)器魚的研究基礎(chǔ)上建立了一套基于全局視覺的多仿生機(jī)器魚協(xié)作系統(tǒng), 實(shí)現(xiàn)了多機(jī)器魚協(xié)作搬運(yùn)、協(xié)作爆破和群體巡游等具有代表性的協(xié)作任務(wù), 解決了機(jī)器魚與動(dòng)態(tài)障礙物之間的避碰問題[12-13]。Zou等[14]結(jié)合神經(jīng)網(wǎng)絡(luò)和滑?？刂品椒? 實(shí)現(xiàn)了多仿生機(jī)器魚的軌跡跟蹤。Shao等[15]利用模糊強(qiáng)化學(xué)習(xí)方法, 實(shí)現(xiàn)了對(duì)抗環(huán)境下的機(jī)器魚協(xié)作頂球任務(wù)。哈爾濱工程大學(xué)海洋工程中心針對(duì)多智能水下機(jī)器人系統(tǒng)在海洋探測(cè)、協(xié)調(diào)自主作業(yè)等方面, 側(cè)重于多水下機(jī)器人系統(tǒng)的體系結(jié)構(gòu)問題、協(xié)調(diào)與協(xié)作問題、多平臺(tái)數(shù)據(jù)融合問題等進(jìn)行了研究[16]。

針對(duì)人工側(cè)線(artificial lateral line, ALL)為代表的仿生探測(cè)理論與技術(shù), 國(guó)內(nèi)外學(xué)者從仿生人工側(cè)線陣列和信號(hào)處理2個(gè)方面開展了相關(guān)的研究工作, 并取得了一定的研究成果。

2.1 仿生ALL陣列

生物學(xué)研究發(fā)現(xiàn)魚類利用大量分布在身體表面的感受器進(jìn)行環(huán)境探測(cè), 這些感受器可以幫助魚類識(shí)別周圍水流水壓的變化情況, 從而幫助魚類進(jìn)行避障、捕食及追蹤等[17-18]。文獻(xiàn)[19]對(duì)魚類側(cè)線進(jìn)行的研究表明, 側(cè)線系統(tǒng)所獲得的信息對(duì)魚類群體行為起到了重要的指導(dǎo)作用。魚類的感受器分為機(jī)械感受器和電感受器2類, 其中機(jī)械感受器又分為管道神經(jīng)丘和表皮神經(jīng)丘2種, 是魚類進(jìn)行水下活動(dòng)的主要感覺器官(見圖1)。側(cè)線系統(tǒng)由機(jī)械感受器組成, 魚類可以通過(guò)側(cè)線系統(tǒng)感知水壓、水流等信息以輔助運(yùn)動(dòng)感知。當(dāng)魚類和周圍水流發(fā)生相互運(yùn)動(dòng)時(shí), 水流的流速和水壓會(huì)引起魚類體表的感知纖毛傾斜, 從而導(dǎo)致纖毛下的感知神經(jīng)產(chǎn)生神經(jīng)信號(hào), 以此來(lái)進(jìn)行同類之間的交互、捕食獵物以及躲避捕食者等。表面神經(jīng)丘和管道神經(jīng)丘等魚類側(cè)線器官的這些功能使得魚類能夠在完全黑暗等極端環(huán)境中進(jìn)行導(dǎo)航、定位和交流[20-21]。

圖1 魚類側(cè)線系統(tǒng)

目前, 基于仿生學(xué)理論, 學(xué)者關(guān)于ALL系統(tǒng)領(lǐng)域已經(jīng)進(jìn)行了諸多方面的研究。如圖2所示, Nelson等[22]設(shè)計(jì)了基于壓力傳感器陣列的模塊化ALL系統(tǒng)。Liu 等[23]設(shè)計(jì)了一種微壓力傳感器組成的ALL陣列實(shí)現(xiàn)湍流速度估計(jì)及障礙物躲避。在數(shù)學(xué)模型研究方面, 管道神經(jīng)丘的生物力學(xué)模型由1個(gè)無(wú)摩擦的平板和1個(gè)剛性的半球組成; 表面神經(jīng)丘模型則由多個(gè)連接的不同柔性的梁構(gòu)成, 利用模型能夠揭示這些神經(jīng)丘的感知能力及其與流體相互作用的機(jī)制[24]。在實(shí)際仿生器件中, 一種技術(shù)是采用壓力傳感器直接搭建陣列, 另一種是基于塑性變形磁性組裝技術(shù)和微機(jī)電系統(tǒng)(micro-electro-mechanical system, MEMS)制造技術(shù)來(lái)制作微型傳感陣列(見圖3)。根據(jù)傳感器的感知原理, 可以分為壓阻式ALL、壓電式ALL、電容式ALL、光學(xué)式ALL和熱線式ALL幾種。

圖2 模塊化側(cè)線系統(tǒng)

圖3 微機(jī)電系統(tǒng)壓力傳感器陣列

壓阻式ALL: 壓阻式ALL是研究最為廣泛的一類。通常, 材料在外部力學(xué)作用下產(chǎn)生拉伸或壓縮, 自身電阻產(chǎn)生變化, 通過(guò)檢測(cè)電阻可以測(cè)量外部的變形或者壓力, 通常用于測(cè)量小的運(yùn)動(dòng), 直流輸出很差, 需要外加電源。根據(jù)具體的結(jié)構(gòu)形式, 壓阻式ALL還可以細(xì)分為2類: 一類是通過(guò)塑性變形磁組件(plastic deformation magnetic assembly, PDMA)技術(shù)和MEMS技術(shù)制造垂直結(jié)構(gòu)模擬側(cè)線的垂直毛細(xì)胞結(jié)構(gòu), 主要模擬表面神經(jīng)丘感知流速。典型研究中, 大部分采用硅基體材料, 也有少量采用鎳鉻合金。主要有: Fan等[25]制作出首個(gè)壓阻式ALL, 采用PDMA技術(shù)制作, 單元平面尺寸1100 μm ×180 μm, 對(duì)速度的靈敏度是0.1 m/s。Yang等[26]采用PDMA技術(shù)制作的壓阻式ALL, 單元平面尺寸100μm × 40μm, 靈敏度可達(dá)0.1mm/s。Mcconney等[27]采用光聚合工藝制造的壓阻式ALL, 平面尺寸為550 μm × 100 μm, 靈敏度可達(dá)75 μm/s。另一類是利用平面結(jié)構(gòu)的傳感器直接測(cè)量壓力, 主要模擬管道神經(jīng)丘直接感知壓力。Izadi等[28]制作的壓力陣列單元, 感知靈敏度為1 μV/Pa(10 V), 壓力分辨率為1 Pa。Kottapalli等[29]制作的壓力感知單元, 壓力感知靈敏度14.3 μV/Pa, 速度感知靈敏度90.5 mV/ms–1, 對(duì)流體速度的分辨率是25 mm/s。Yaul等[30]制作的柔性感知單元, 壓力分辨率是1.5 Pa。

壓電式ALL: 壓電式ALL利用壓電材料在壓力作用下能夠直接產(chǎn)生電響應(yīng)的原理來(lái)感知流場(chǎng)信息。主要研究有: Asadnia等[31]基于Pb(Zr0.52 Ti0.48)O3薄膜制作了壓力感知陣列, 對(duì)速度的感知分辨率是3 mm/s。Asadnia等[32]基于Si60制作了纖毛式的壓電式ALL, 靈敏度是22 mV/ ms–1。

電容式ALL: 電容式ALL利用外部力學(xué)作用改變電容極板的相對(duì)位置, 從而改變電容大小, 通過(guò)檢測(cè)電容變化來(lái)測(cè)量力學(xué)作用, 這種測(cè)量方式具有精度高和功耗低的特點(diǎn)。主要研究有: Izadi等[33]基于SU-8技術(shù)開發(fā)了電容式ALL, 薄板的厚度為500~800 nm, 電容采用平行板電容結(jié)構(gòu)。Krijnen等[34]利用犧牲多晶硅技術(shù)和SU-8聚合物工藝制作的電容式纖毛陣列, 纖毛長(zhǎng)度1 mm。Stocking等[35]也開發(fā)了類似的結(jié)構(gòu), 數(shù)值仿真顯示該結(jié)構(gòu)速度從0~1.0 m/s開始變化時(shí), 電容變化量為1 pF。Baar等[36]也開發(fā)了一種類似結(jié)構(gòu)。

光學(xué)式ALL: 利用光學(xué)方法測(cè)量位移和力學(xué)量也是一種常見的手段, 因此也可以被用來(lái)制作ALL。文獻(xiàn)[37]提出了2種光學(xué)式ALL, 盡管光學(xué)測(cè)量有著精度高的優(yōu)點(diǎn), 但是, 這種方式設(shè)計(jì)的ALL組成結(jié)構(gòu)復(fù)雜, 不易于小型化和集成化, 還僅停留在設(shè)計(jì)階段[38]。

熱線式ALL: 其原理是流體流過(guò)加熱的金屬, 起到降溫作用, 而金屬電阻和溫度呈線性關(guān)系。因此, 金屬電阻和流速呈一定比例關(guān)系, 測(cè)量溫度從而獲得流速。根據(jù)這一原理開發(fā)的ALL主要有: Dagamseh等[39]開發(fā)了一種表面微結(jié)構(gòu), 其特征尺寸范圍為50 μm~2 mm。Chen等[40]開發(fā)了一種類似的熱線式ALL, 以模擬管道神經(jīng)丘。Liu等[41]報(bào)道了一種熱膜式ALL傳感陣列。

從ALL傳感技術(shù)研究來(lái)看, 目前的感知性能和生物側(cè)線器官的性能相差甚遠(yuǎn)。隨著材料技術(shù)的發(fā)展, 近年來(lái)人們發(fā)現(xiàn)了一種新型柔性力學(xué)傳感材料——離子聚合物, 它既能感知彎曲和壓力[42], 又能感知切向力[43], 這對(duì)發(fā)展新型的ALL系統(tǒng)是一個(gè)重要良機(jī)。例如, 研究發(fā)現(xiàn)彎曲電響應(yīng)的壓力差來(lái)源于彎曲變形產(chǎn)生的正應(yīng)力梯度[42]。Tan團(tuán)隊(duì)[44]基于一種片狀離子聚合物金屬?gòu)?fù)合材料(ionic polymer-metal composites, IPMCs)開發(fā)了有源式ALL(見圖4), 對(duì)目標(biāo)位置的定位精度是一個(gè)體長(zhǎng), 初步證實(shí)了離子聚合物可應(yīng)用于ALL。

實(shí)際上, 離子聚合物的電響應(yīng)與皮膚的生物電形成機(jī)制十分相似, 當(dāng)感受到外力作用時(shí), 觸覺感受器上的細(xì)胞膜離子通道開放, 細(xì)胞膜內(nèi)外的離子重新分布, 從而產(chǎn)生大約90~130 mV的觸覺電壓[45]。顯然, 這2種電響應(yīng)都是基于離子的遷移重新分布。通過(guò)壓力/流速傳感器陣列構(gòu)成的人工側(cè)線感知器, 采集到陣列的感應(yīng)信號(hào), 通過(guò)計(jì)算處理能夠直接獲得水下航行器周圍的流場(chǎng)信息, 尤其適合黑暗、復(fù)雜的海底形貌。由于敵我航行器在航行過(guò)程中激起的航跡特征存在差別, 甚至航行器特定動(dòng)作可以產(chǎn)生特征流場(chǎng)[46], ALL有望通過(guò)流場(chǎng)感知間接地實(shí)現(xiàn)航行器之間的協(xié)同交流和敵我識(shí)別。

2.2 信號(hào)處理

在水下目標(biāo)的智能感知及陣列信號(hào)處理方面, 早期的回波方向估計(jì)方法包括基于統(tǒng)計(jì)分析的最大似然譜估計(jì)方法、最大熵譜估計(jì)方法、自回歸滑動(dòng)平均 (autoregression moving average, ARMA) 模型譜分析方法[47]、多重信號(hào)分類(multiple signal classification, MUSIC)算法[48]以及互質(zhì)陣列信號(hào)處理[49-50]等, 但是這些方法的計(jì)算復(fù)雜度普遍較高, 與實(shí)際應(yīng)用中的要求并不能完全匹配。對(duì)于ALL系統(tǒng), 將陣列傳感信號(hào)轉(zhuǎn)化成流場(chǎng)和目標(biāo)信息, 這與聲吶陣列的工作原理有一定的相似之處, 不同的是, ALL陣列感知的是力學(xué)波動(dòng)信號(hào), 聲吶陣列傳感信息處理技術(shù)可以應(yīng)用到ALL感知信息處理, 其中應(yīng)用較多的陣列波束形成算法, 對(duì)不同傳感陣列具有一定通用性。密歇根州立大學(xué)的Tan教授團(tuán)隊(duì)[51]采用一種3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)和ALL進(jìn)行水下振動(dòng)源的定位。上海交通大學(xué)Wu等[52]利用線性判別分析(linear discriminant analysis, LDA)和支持向量機(jī)(support vector machine, SVM)結(jié)合ALL識(shí)別水流流動(dòng)模式, 測(cè)試結(jié)果如表1所示。2017年, 格羅寧根大學(xué)的Boulogne等[53]采用多層感知機(jī)和ALL系統(tǒng)探測(cè)水下目標(biāo)。

表1 ALL水流測(cè)試

在ALL陣列數(shù)據(jù)處理的研究中, 大部分學(xué)者都是對(duì)側(cè)線陣列獲取的各通道信息單獨(dú)進(jìn)行處理, 而沒有像魚類一樣充分利用身體側(cè)線器官獲取全方位信息。近年來(lái)也有學(xué)者通過(guò)分析側(cè)線陣列信號(hào)與流場(chǎng)力學(xué)模型的相關(guān)性以實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的定位和識(shí)別, 如特溫特大學(xué)的Dagamseh等[54-55]利用ALL系統(tǒng)和波束形成技術(shù)對(duì)偶極子源的近場(chǎng)成像進(jìn)行了探索研究, 然而這些研究也僅僅考慮了典型流體模型和直線陣列條件, 難以適用于水下多運(yùn)動(dòng)目標(biāo)耦合等復(fù)雜強(qiáng)干擾工作環(huán)境和水下空間立體化仿生側(cè)線陣列。

水下目標(biāo)的識(shí)別一直以來(lái)是水下探測(cè)領(lǐng)域亟待攻克的難題之一。近年來(lái)鑒于深度學(xué)習(xí)在多個(gè)領(lǐng)域展現(xiàn)出前所未有的應(yīng)用前景, 已有不少學(xué)者將其引入水下目標(biāo)識(shí)別研究中。Kamal等[56]利用深度信念網(wǎng)絡(luò)(deep belief network, DBN)對(duì)聲吶獲取的水下目標(biāo)的水聲數(shù)據(jù)進(jìn)行識(shí)別分類, 在40類共1 000個(gè)實(shí)例的測(cè)試集上取得了90.23%的精確度, 西北工業(yè)大學(xué)Cao等[57]利用疊層稀疏自動(dòng)編碼器(sparse auto encoder, SAE)對(duì)白化預(yù)處理后的水下目標(biāo)頻譜信息進(jìn)行識(shí)別分類, 并與SVM和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network, PNN)等方法進(jìn)行對(duì)比, 結(jié)果表明, 深度學(xué)習(xí)具有更高的識(shí)別分類精度。2017年, 應(yīng)用聲學(xué)技術(shù)國(guó)防重點(diǎn)實(shí)驗(yàn)室的Chen等[58]利用聲吶獲取水下目標(biāo)水聲信息, 用DBN和疊層去燥自動(dòng)編碼器(stacked denoising autoencoder, SDAE)進(jìn)行識(shí)別分類, 并與傳統(tǒng)機(jī)器學(xué)習(xí)SVM、PNN、廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network, GRNN)等方法進(jìn)行對(duì)比, 結(jié)果表明, 深度學(xué)習(xí)具有更好的性能。2017年, 美國(guó)康奈爾大學(xué)Zhu等[59]利用卷積深度神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)對(duì)聲吶圖像進(jìn)行識(shí)別分類, 精度達(dá)95.88%。2018年中國(guó)海洋大學(xué)的Liu等[60]使用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)利用ALL識(shí)別水下振動(dòng)源頻率、振幅, 準(zhǔn)確率達(dá)到93%。目前, 將人工智能算法結(jié)合到ALL陣列信號(hào)處理中的研究較少, 所采用的方法僅僅局限于傳統(tǒng)的感知器和SVM等淺層結(jié)構(gòu), 而且針對(duì)水下目標(biāo)識(shí)別技術(shù)大多停留在目標(biāo)的發(fā)現(xiàn)、定位這一步, 沒有對(duì)探測(cè)到的目標(biāo)信息和特征進(jìn)行進(jìn)一步的辨識(shí)。

2.3 研究進(jìn)展分析

結(jié)合以上國(guó)內(nèi)外研究進(jìn)展情況可以看出, 一些科研院所和高校多年來(lái)一直致力于研究ALL等新型仿生探測(cè)手段及水下目標(biāo)感知方法和技術(shù), 其中部分研究單位通過(guò)長(zhǎng)期的研究積累和反復(fù)的實(shí)驗(yàn), 在人工側(cè)線的機(jī)理研究、制造工藝等方面取得了一定的研究成果。相對(duì)其他探測(cè)方式, ALL系統(tǒng)主要在近距離范圍內(nèi)精確探測(cè)發(fā)揮作用, 應(yīng)用于水下無(wú)人集群時(shí)彼此干擾小, 更加適合水下集群的近場(chǎng)探測(cè), 結(jié)合離子聚合物仿生側(cè)線的研究能夠發(fā)展出優(yōu)良的ALL感知器。

近年來(lái)越來(lái)越多的研究者認(rèn)識(shí)到不同于傳統(tǒng)的水下探測(cè)方法, 人工智能方法為水下目標(biāo)感知帶來(lái)新的機(jī)遇與挑戰(zhàn), 因此, 從基礎(chǔ)理論的研究、新方法的提出等方面打開了水下無(wú)人集群仿生探測(cè)技術(shù)研究的新局面。

盡管如此, 目前的研究仍存在著以下亟待解決的關(guān)鍵問題。

3 關(guān)鍵問題及解決途徑

3.1 關(guān)鍵問題

綜合分析現(xiàn)有的文獻(xiàn)和國(guó)內(nèi)外研究進(jìn)展發(fā)現(xiàn), 目前ALL研究的主要方向在于模擬魚類側(cè)線感知神經(jīng)丘, 研究類似的流速、壓力傳感陣列和相關(guān)信號(hào)處理方法, 存在的主要問題如下。

1) ALL感知原理: 從已有傳感器件的比較研究可以發(fā)現(xiàn), 目前研究最為廣泛的是壓阻式ALL, 但是壓阻式對(duì)溫度很敏感, 需要非常精確的溫度補(bǔ)償措施。電容式雖然高精度低功耗, 但是由于與水直接接觸, 水對(duì)電極之間的絕緣性能是有影響的。

2) ALL布局: 大多數(shù)現(xiàn)有研究的ALL單元數(shù)不超過(guò)12個(gè), 與魚類的側(cè)線器官相比非常少, 難以達(dá)到魚類的感知性能。大多數(shù)研究要么在模擬表面神經(jīng)丘, 要么在模擬管道神經(jīng)丘, 少有研究能夠綜合進(jìn)行模擬, 不能完整地感知流體動(dòng)力學(xué)特征。此外, 由于單元數(shù)目少, 對(duì)單元的布局方面也少有深入的研究。

3) ALL微工藝: 從壓阻式ALL的研究來(lái)看, 大多采用PDMA和MEMS工藝來(lái)加工傳感陣列, 這種工藝加工的傳感結(jié)構(gòu)對(duì)環(huán)境的適應(yīng)性方面研究不夠, 缺少微加工工藝與材料感知原理的綜合研究。

4) 將人工智能算法結(jié)合到ALL陣列信號(hào)處理中的研究較少, 所采用的方法僅局限于傳統(tǒng)的感知機(jī)、SVM等淺層結(jié)構(gòu), 而且針對(duì)水下目標(biāo)識(shí)別技術(shù)大多停留在目標(biāo)的發(fā)現(xiàn)、定位這一階段, 沒有對(duì)探測(cè)到的目標(biāo)信息進(jìn)行進(jìn)一步的辨識(shí)。

3.2 解決途徑

針對(duì)水下無(wú)人集群仿生探測(cè)技術(shù)的特點(diǎn)與難點(diǎn), 以及目前研究中存在的關(guān)鍵問題, 作者認(rèn)為應(yīng)該從以下幾個(gè)方面深入開展水下ALL仿生探測(cè)的研究工作, 以彌補(bǔ)現(xiàn)有理論與技術(shù)的不足, 從而為水下無(wú)人集群仿生探測(cè)提供可靠的理論依據(jù)和有效的技術(shù)手段。

1) 以離子聚合物為代表的新型智能材料具有壓力和摩擦共同感知能力、與水下環(huán)境的阻抗匹配性好及其加工工藝性好的特點(diǎn), 故應(yīng)以模仿管道神經(jīng)丘(流體壓力)和表面神經(jīng)丘(流體速度)為主要目標(biāo), 深入研究結(jié)構(gòu)特征和尺寸效應(yīng)等對(duì)傳感器的感知性能影響規(guī)律, 獲得高性能ALL感知單元的設(shè)計(jì)準(zhǔn)則, 建立流體壓力和流體速度與感知單元的映射關(guān)系, 同時(shí)研究感知單元對(duì)振動(dòng)源的距離、頻率和強(qiáng)度的感知特性, 建立結(jié)構(gòu)單元與振動(dòng)源特性的映射關(guān)系。

2) 研究應(yīng)對(duì)ALL陣列進(jìn)行綜合模擬, 只有結(jié)合流場(chǎng)的速度和壓力分布, 才能完整地感知流體動(dòng)力學(xué)特征。在優(yōu)化單一壓力/流速感知單元的研究基礎(chǔ)上, 通過(guò)微型化和陣列化模擬真實(shí)的魚類側(cè)線器官, 優(yōu)化設(shè)計(jì)出表面陣列和管道陣列ALL的幾種仿生布局, 提高感知靈敏度和分辨率, 同時(shí)研究ALL陣列布局參數(shù)對(duì)目標(biāo)距離、大小和方位的感知特性, 建立ALL的水下目標(biāo)感知模型。

3) 結(jié)合材料的感知原理深入進(jìn)行傳感結(jié)構(gòu)對(duì)環(huán)境的適應(yīng)性研究, 并在加工材料工藝性、具體微加工工藝等方面進(jìn)行進(jìn)一步改善。

4) 深入研究對(duì)探測(cè)到的目標(biāo)信息進(jìn)行進(jìn)一步辨識(shí)的新理論新方法。模擬魚類中樞神經(jīng)系統(tǒng), 在仿生側(cè)線系統(tǒng)中嘗試?yán)眯阅軆?yōu)于傳統(tǒng)或淺層學(xué)習(xí)方法的深度學(xué)習(xí)進(jìn)行水下目標(biāo)感知, 對(duì)水下多運(yùn)動(dòng)目標(biāo)的類別、速度、方位、距離和尺寸等參數(shù)進(jìn)行智能辨識(shí)。

4 結(jié)束語(yǔ)

文中闡述水下無(wú)人集群仿生探測(cè)的特點(diǎn)與難點(diǎn), 分析其國(guó)內(nèi)外的研究進(jìn)展, 并揭示了目前研究存在的關(guān)鍵問題。同時(shí)給出了解決問題的途徑, 認(rèn)為應(yīng)該從ALL單元的感知規(guī)律、ALL陣列的感知特性、ALL陣列的設(shè)計(jì)及制作工藝及水下目標(biāo)感知的新理論新方法等方面展開深入研究, 提出和改進(jìn)現(xiàn)有的水下無(wú)人集群仿生探測(cè)技術(shù)。

[1] Pham L V, Dickerson B, Sanders J, et al. UAV Swarm Attack: Protection System Alternatives for Destroyers[R]//Systems Engineering Project Report, California: Naval Postgraduate School, 2012.

[2] Tyo J S. Hyperspectral Measurement of the Scattering of Polarized Light by Skin[J]. Proc Spie, 2011, 8160(22): 31.

[3] 孫榮光, 舒象蘭, 曲大偉. 淺海聲信道中的聲納脈沖傳播多途效應(yīng)[J]. 兵器裝備工程學(xué)報(bào), 2013, 34(12): 56-59.

Sun Rong-guang, Shu Xiang-lan, Qu Da-wei. Multipath Effect of Sonar Pulse Waveforms in Shallow Water[J]. Journal of Ordnance Equipment Engineering, 2013, 34(12): 56-59.

[4] Zhang Y, Streitlien K, Bellingham J G, et al. Acoustic Doppler Velocimeter Flow Measurement from an Autonomous Underwater Vehicle with Applications to Deep Ocean Convection[J]. Journal of Atmospheric & Oceanic Technology, 2000, 18(12): 2038-2051.

[5] Willcox J S, Bellingham J G, Zhang Y, et al. Performance Metrics for Oceanographic Surveys with Autonomous Underwater Vehicles[J]. IEEE Journal of Oceanic Engineering, 2001, 26(4): 711-725.

[6] Liu Y, Passino K M. Stability Analysis of Swarms in a Noisy Environment[C]//42nd IEEE International Conference on Decision and Control. Maui, HI, USA: IEEE, 2003.

[7] Leonard N E, Fiorelli E. Virtual Leaders, Artificial Potentials and Coordinated Control of Groups[C]//Proceedings of the 40th IEEE Conference on Decision and Control. Orlando, USA: IEEE, 2001.

[8] Gallowaykevin C, Beckerkaitlyn P, PhillipsBrennan, et al. Soft Robotic Grippers for Biological Sampling on Deep Reefs[J]. Soft Robotics, 2016, 3(1): 23-33.

[9] Yoon S, Qiao C. Cooperative Search and Survey Using Autonomous Underwater Vehicles(AUVs)[J]. IEEE Transactions on Parallel & Distributed Systems, 2011, 22(3): 364-379.

[10] Byrne R H, Savage E L. Algorithms and Analysis for Underwater Vehicle Plume Tracing[R]. United States: Sandia National Laboratories, 2003.

[11] Schulz B, Hobson B, Kemp M, et al. Field Results of Multi-UUV Missions Using Ranger Micro-UUVs[C]// Oceans 2003. San Diego, USA: IEEE, 2003: 956-961.

[12] Chen J, Sun D, Yang J, et al. Leader-Follower Formation Control of Multiple Non-holonomic Mobile Robots Incorporating a Receding-horizon Scheme[J]. International Journal of Robotics Research, 2010, 29(6): 727-747.

[13] Zhao W, Hu Y, Wang L. Construction and Central Pattern Generator-Based Control of a Flipper-Actuated Turtle-Like Underwater Robot[J]. Advanced Robotics, 2009, 23(1-2): 19-43.

[14] Zou K, Wang C, Xie G, et al. Cooperative Control for Trajectory Tracking of Robotic Fish[C]//2009 American Control Conference. St. Louis, USA: IEEE, 2009: 5504-5509.

[15] Shao J, Yu J, Wang L. Formation Control of Multiple Biomimetic Robotic Fish[C]//2006 IEEE/RSJ International Conference on Intelligent Robots and Systems. Beijing, China: IEEE, 2007: 2503-2508.

[16] Qiao G, Gan S, Liu S, et al. Digital Self-Interference Cancellation for Asynchronous In-Band Full-Duplex Underwater Acoustic Communication[J]. Sensors, 2018, 18(6): 1700.

[17] Voronina E P, Hughes D R. Lateral Line Scale Types and Review of Their Taxonomic Distribution[J]. Acta Zoologica, 2017, 99(1): 65-86.

[18] Bleckmann H, Zelick R. Lateral Line System of Fish[J]. Integrative Zoology, 2006, 25(1): 411-453.

[19] Mekdara P J, Schwalbe M, Coughlin L L, et al. The Effects of Lateral Line Ablation and Regeneration in Schooling Giant Danios[J]. Journal of Experimental Biology, 2018, 221(Pt 8): jeb.175166.

[20] Rizzi F, Qualtieri A, Dattoma T, et al. Biomimetics of Underwater Hair Cell Sensing[J]. Microelectronic Engineering, 2015, 132: 90-97.

[21] Liu G, Wang A, Wang X, et al. A Review of Artificial Lateral Line in Sensor Fabrication and Bionic Applications for Robot Fish[J]. Applied Bionics and Biomechanics, 2016, 2016(5): 1-15.

[22] Nelson K , Mohseni K . Design of a 3-D Printed, Modular Lateral Line Sensory System for Hydrodynamic Force Estimation[J]. Marine Technology Society Journal, 2017, 51(5): 103-115.

[23] Liu G , Wang M , Wang A , et al. Research on Flow Field Perception Based on Artificial Lateral Line Sensor System[J]. Sensors, 2018, 18(3): 838.

[24] Tan S. Underwater Artificial Lateral Line Flow Sensors[J]. Microsystem Technologies, 2014, 20(12): 2123-2136.

[25] Fan Z, Chen J, Zou J, et al. Design and Fabrication of Artificial Lateral Line Flow Sensors[J]. Journal of Micromechanics & Microengineering, 2002, 12(5): 655.

[26] Yang Y, Nguyen N, Chen N, et al. Artificial Lateral Line with Biomimetic Neuromasts to Emulate Fish Sensing[J]. Bioinspiration & Biomimetics, 2010, 5(1): 16001.

[27] Mcconney M E, Chen N, Lu D, et al. Biologically Inspired Design of Hydrogel-capped Hair Sensors for Enhanced Underwater Flow Detection[J]. Soft Matter, 2009, 5(2): 292-295.

[28] Izadi N, Krijnen G J M. Design and Fabrication Process for Artificial Lateral Line Sensors[M]//Frontiers in Sensing. Vienna: Springer, 2012: 405-421.

[29] Kottapalli A G P, Asadnia M, Miao J M, et al. A Flexible Liquid Crystal Polymer MEMS Pressure Sensor Array for Fish-like Underwater Sensing[J]. Smart Materials & Structures, 2012, 21(11): 115030.

[30] Yaul F M, Bulovic V, Lang J H. A Flexible Underwater Pressure Sensor Array Using a Conductive Elastomer Strain Gauge[J]. Journal of Microelectromechanical Systems, 2012, 21(4): 897-907.

[31] Asadnia M, Kottapalli A G P, Shen Z, et al. Flexible and Surface-Mountable Piezoelectric Sensor Arrays for Underwater Sensing in Marine Vehicles[J]. IEEE Sensors Journal, 2013, 13(10): 3918-3925.

[32] Asadnia M, Kottapalli A G, Miao J, et al. Artificial Fish Skin of Self-powered Micro-electromechanical Systems Hair Cells for Sensing Hydrodynamic Flow Phenomena[J]. Journal of the Royal Society Interface, 2015, 12(111): 20150322.

[33] Izadi N, De Boer M J, Berenschot J W, et al. Fabrication of Superficial Neuromast Inspired Capacitive Flow Sensors[J]. Journal of Micromechanics & Microengineering, 2010, 20(8): 085041.

[34] Krijnen G, Lammerink T, Wiegerink R, et al. Cricket Inspired Flow-Sensor Arrays[C]//Sensors, 2007 IEEE. Atlanta, GA, USA: IEEE, 2007: 539-546.

[35] Stocking J B, Eberhardt W C, Shakhsheer Y A, et al. A Capacitance-based Whisker-like Artificial Sensor for Fluid Motion Sensing[C]//Sensors, 2010 IEEE. Kona, HI, USA: IEEE, 2010: 2224-2229.

[36] Baar J J V, Dijkstra M, Wiegerink R J, et al. Fabrication of Arrays of Artificial Hairs for Complex Flow Pattern Recognition[C]//Sensors, 2003 IEEE. Toronto, Canada: IEEE, 2004: 332-336.

[37] Klein A, Bleckmann H. Determination of Object Position, Vortex Shedding Frequency and Flow Velocity Using Artificial Lateral Line Canals[J]. Beilstein Journal of Nanotechnology, 2011, 2(1): 276-283.

[38] Herzog H, Steltenkamp S, Klein A, et al. Micro-Machined Flow Sensors Mimicking Lateral Line Canal Neuromasts[J]. Micromachines, 2015, 6: 1189-1212.

[39] Dagamseh A M K, Lammerink T S J, Kolster M L, et al. Dipole-source Localization Using Biomimetic Flow-sensor Arrays Positioned as Lateral-line System[J]. Sensors & Actuators A: Physical, 2010, 162(2): 355-360.

[40] Chen J, Engel J, Chen N, et al. Artificial Lateral Line and Hydrodynamic Object Tracking[C]//IEEE International Conference on MICRO Electro Mechanical Systems, 2006. Mems 2006 Istanbul. Turkey: IEEE, 2006: 694-697.

[41] Liu P, Zhu R, Que R. A Flexible Flow Sensor System and Its Characteristics for Fluid Mechanics Measurements[J]. Sensors, 2009, 9(12): 9533-9543.

[42] Zhu Z, Horiuchi T, Kruusam?e K, et al. Influence of Ambient Humidity on the Voltage Response of Ionic Polymer-Metal Composite Sensor[J]. Journal of Physical Chemistry B, 2016, 120(12): 3215-3225.

[43] Kocer B, Zangrilli U, Akle B, et al. Experimental and Theoretical Investigation of Ionic Polymer Transducers in Shear Sensing[J]. Journal of Intelligent Material Systems and Structures, 2014, 14: 1-13.

[44] Ahrari A, Lei H, Deb K, et al. Robust Design Optimization of Artificial Lateral Line System[EB/OL]. [2018- 05-06].http://pdfs.semanticscholar.org/85ab/9776ef0d412bed74811c9c9528d771561743.pdf

[45] 仲昆. 機(jī)器魚人工側(cè)線系統(tǒng)的設(shè)計(jì)與環(huán)境感知研究[D]. 南昌: 華東交通大學(xué), 2014.

[46] Zheng X, Wang C, Fan R, et al. Artificial Lateral Line Based Local Sensing between Two Adjacent Robotic Fish[J]. Bioinspiration & Biomimetics, 2017, 13(1): 016002.

[47] Hu B, Hua C, Chen C, et al. MUBFP: Multi-User Beamforming and Partitioning for Sum Capacity Maximization in MIMO Systems[J]. IEEE Vehicular Technology Society, 2016, 66(1): 233-245.

[48] Lin X, Tao M, Xu Y, et al. Outage Probability and Finite-SNR Diversity-Multiplexing Tradeoff for Two-Way Relay Fading Channels[J]. IEEE Transactions on Vehicular Technology, 2013, 62(7): 3123-3136.

[49] Vaidyanathan P P, Pal P. Sparse Sensing With Co-Prime Samplers and Arrays[J]. IEEE Transactions on Signal Processing, 2011, 59(2): 573-586.

[50] Vaidyanathan, P P. Theory of Sparse Coprime Sensing in Multiple Dimensions[J]. IEEE Transactions on Signal Processing, 2011, 59(8): 3592-3608.

[51] Abdulsadda A T, Tan X B. Underwater Source Localization Using an IPMC-based Artificial Lateral Line[C]// IEEE International Conference on Robotics and Automation. Shanghai, China: IEEE, 2011: 2719-2724.

[52] Wu N L, Wu C, Tong G E, et al. Flow Recognition of Underwater Vehicle Based on the Perception Mechanism of Lateral Line[J]. Journal of Mechanical Engineering, 2016, 52(13): 54-59.

[53] Boulogne L H, Wolf B J, Wiering M A, et al. Performance of Neural Networks for Localizing Moving Objects with an Artificial Lateral Line[J]. Bioinspiration & Biomimetics, 2017, 12(5): 056009.

[54] Dagamseh A, Wiegerink R, Lammerink T, et al. Artificial Lateral-line System for Imaging Dipole Sources Using Beamforming Techniques[J]. Procedia Engineering, 2011, 25(35): 779-782.

[55] Dagamseh A, Wiegerink R, Lammerink T, et al. Imaging Dipole Flow Sources Using an Artificial Lateral-line System Made of Biomimetic Hair Flow Sensors[J]. Journal of the Royal Society Interface, 2013, 10(83): 20130162.

[56] Kamal S, Mohammed S K, Pillai P R S, et al. Deep Learning Architectures for Underwater Target Recognition[C]//2013 Ocean Electronics. Kochi, India: IEEE, 2013: 48-54.

[57] Cao X, Zhang X, Yu Y, et al. Deep Learning-based Recognition of Underwater Target[C]//2016 IEEE International Conference on Digital Signal Processing. Beijing, China: IEEE, 2016: 89-93.

[58] Chen Y, Xu X. The Research of Underwater Target Recognition Method Based on Deep Learning[C]//IEEE International Conference on Signal Processing, Communications and Computing. Xiamen, China: IEEE, 2017: 1-5.

[59] Zhu P, Isaacs J, Fu B, et al. Deep Learning Feature Extraction for Target Recognition and Classification in Underwater Sonar Images[C]//IEEE Conference on Decision and Control. Melbourne, Australia: IEEE, 2017: 2724-2731.

[60] Liu G, Gao S, Sarkodie G, et al. A Novel Biomimetic Sensor System for Vibration Source Perception of Autonomous Underwater Vehicles Based on Artificial Lateral Lines[J]. Measurement Science and Technology, 2018, 29: 125102.

Research Advances of Biomimetic Artificial Lateral Line Detection Technology for Unmanned Underwater Swarm

HU Qiao1,2,3, LIU Yu1, ZHAO Zhen-yi1, ZHU Zi-cai1,2

(1. School of Mechanical Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 2. State Key Laboratory of Manufacturing Systems Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 3. Shaanxi Key Laboratory of Intelligent Robots, Xi’an Jiao Tong University, Xi’an 710049, China)

The existing acoustic and optical detection systems are susceptible to disturbance of underwater environment, so it is difficult for them to obtain accurate near-field sensing information for unmanned underwater swarm. This paper discusses the characteristics and difficulties of the detection technology for unmanned underwater swarm, and reviews the research advances both at home and abroad with respect to the artificial lateral line(ALL) array and the signal processing. The key problems existing in the current researches are pointed out, including perception principle, layout and micro-process of ALL, and application of artificial intelligence algorithm and the approaches for solving these problems are discussed.

unmanned underwater swarm; biomimetic detection; artificial lateral line(ALL); signal processing

TJ630; U674; TB566

R

2096-3920(2019)02-0114-09

10.11993/j.issn.2096-3920.2019.02.001

胡橋, 劉鈺, 趙振軼, 等. 水下無(wú)人集群仿生人工側(cè)線探測(cè)技術(shù)研究進(jìn)展[J]. 水下無(wú)人系統(tǒng)學(xué)報(bào), 2019, 27(2): 114-122.

2018-10-22;

2018-12-10.

國(guó)家自然科學(xué)基金重大項(xiàng)目(61890961); 裝備預(yù)研領(lǐng)域基金項(xiàng)目(61404160503); 中央高?；究蒲袠I(yè)務(wù)費(fèi)(國(guó)防重大項(xiàng)目培育xjjgf2018005); 陜西省重點(diǎn)研發(fā)計(jì)劃重點(diǎn)項(xiàng)目資助(2018ZDXM-GY-111).

胡 橋(1977-), 男, 博士, 教授, 研究方向?yàn)樗?仿生)機(jī)器人、智能目標(biāo)感知等.

(責(zé)任編輯: 許 妍)