無人水面艇感知技術發(fā)展綜述

朱健楠 虞夢苓 楊益新/西北工業(yè)大學航海學院

由于無人駕駛的發(fā)展，目前無人車和無人機已廣泛應用于各種場景。與此同時，應用于水面的無人艇(USV)有望在未來代替人類發(fā)揮重要作用。近年來，無人艇被廣泛用于執(zhí)行多種軍事及非軍事任務，代替作業(yè)人員執(zhí)行危險或耗時耗力的任務，在港口防護及艦船兵力保護、海上偵察監(jiān)視、反潛作戰(zhàn)、水上搜救、后勤補給、水質監(jiān)測、水文采樣、海洋環(huán)境測繪、水域生態(tài)保護等方面發(fā)揮著重要作用，提高工作效能的同時也降低了作業(yè)人員的傷亡。

國內外無人艇發(fā)展現狀

作為無人艇的創(chuàng)始者，以色列埃爾比特系統(tǒng)公司推出的“銀色馬林魚”具有劃時代的戰(zhàn)略意義。隨后，無人艇SCOUT、水面高速無人艇PROTECTOR、測量雙體船海豚(MESSIN)、無人艇ROBOAT、無人艇JingHai-I以及各種無人艇海上協議相繼推出。近年來，各企業(yè)也陸續(xù)推出商用水面無人艇。Fraunhofer CML等8家機構聯合開展海上智能無人駕駛航行網絡(MUNIN)計劃。日本29家單位聯合組織開展“智能船舶應用平臺(SSAP1)”項目。英國羅爾斯·羅伊斯公司發(fā)起“先進自主水運應用項目(AAWA)”，并與Finferries聯合推出全球第一艘無人駕駛渡輪“Falco”號。日本船舶機械與設備協會(JSMEA)、挪威雅苒(Yara)公司與康士伯海事(Kongsberg Maritime)、芬蘭瓦錫蘭公司、韓國現代重工集團聯合微軟、英特爾、SK航運等企業(yè)相繼推出更加智能自主的無人駕駛商船。國內云洲智能、歐卡智能等公司也相繼推出具備不同功能的小型水面無人艇。

以上對無人艇的研發(fā)改進均以其平穩(wěn)航行為基礎，而無人艇安全航行的關鍵在于迅速避障并能實時優(yōu)化航路，即自主船舶對周圍水域環(huán)境的準確感知。因此，對于無人艇的核心要求是使其能夠通過感知周圍環(huán)境及自身情況來實現態(tài)勢感知，從而實現目標檢測、跟蹤、導航定位等功能。感知系統(tǒng)包括外部環(huán)境感知系統(tǒng)及自身狀態(tài)感知系統(tǒng)，能夠為無人艇的決策與控制提供必要的數據源支持。

基于感知技術在無人艇領域的重要性，國內外學者紛紛展開無人艇感知技術的研究?，F有的無人艇感知技術理論主要分為二大類：⑴無人艇外部環(huán)境感知，包括搭載雷達、聲吶、視覺傳感器、毫米波雷達及激光雷達(LiDAR)等多種傳感器來實現目標檢測、目標跟蹤等功能；⑵無人艇自身狀態(tài)感知，包括搭載慣性測量單元(IMU)、GPS等傳感器實現無人艇的自定位，這也是無人艇確定其相對于環(huán)境位置的能力體現。

目標檢測

無人艇環(huán)境感知面臨一個嚴峻的問題是如何實現準確?？堪逗途珳时苷?，而解決這個問題需要無人艇具備良好的水面目標檢測能力。針對目標檢測，現階段學者們主要考慮以下2種應用場景：第一種是面向避障功能的目標檢測，包括岸線、冰山、移動船只、航行中的不明障礙物等；第二種是面向作業(yè)功能的目標檢測，包括橋梁結構、港口設施以及水中生物、水體環(huán)境、海底結構等。

⒈面向避障功能的目標檢測

針對避障進行的目標檢測是現階段學者們研究較多的領域，各國學者采用不同的傳感器，并改進算法進行USV航行過程中的目標檢測。

有機構提出現階段利用全景攝像機分析水面情況的USV目標檢測研究現況，主要檢測航行過程中的非水物體，包括海岸線、航行危險物以及其他移動船只等。該方法利用卡爾曼濾波器來完成特征定位，能夠很好地檢測固定目標的特征。另有機構基于雷達圖像數據提出了自適應圖像平滑和魯棒圖像分割算法，實現海面目標檢測，適用于USV高速運動避障，但是針對運動目標的檢測仍然存在限制。

美國圣地亞哥太空與海軍作戰(zhàn)系統(tǒng)中心一直參與USV避障技術的研發(fā)，Larson等提出了一種基于USV的障礙物檢測系統(tǒng)，主要用單目攝像機和雷達進行目標檢測，通過使用遠場協商性避障組件和近場反應性避障組件來避開障礙物，改進了快速避開固定及移動障礙物的遠距離路徑規(guī)劃系統(tǒng)，提升避障成功率，效果如圖1所示。

圖1 單目視覺海岸線及障礙物檢測及測距

此后，Onunka等僅通過雷達輔助障礙物檢測，提出了一種利用雷達測距方程預測功率范圍頻譜的方法，在具有足夠信噪比信息的情況下，通過連續(xù)波(CW)雷達系統(tǒng)預測距離范圍，進行障礙物檢測。Wang等提出了一種通過單目攝像機和立體視覺方法的USV障礙物檢測系統(tǒng)，該系統(tǒng)可以實時檢測和定位30—100米內的多個障礙物，能捕捉到航速最高可達12節(jié)的高速障礙物。他們提出通過左右攝像機可分別進行單目檢測，然后用立體視覺方法對兩側攝像機的圖像進行處理，計算出三維(3D)檢測結果的目標識別方法，其結果如圖2所示。

圖2 檢測結果

Kristan等解決了通過約束無監(jiān)督分割方法進行在線檢測存在的問題，提出了一種可通過USV捕獲的單個視頻幀進行快速連續(xù)的障礙物圖像地圖估計，不需要紋理特征提取的圖形模型，降低了計算量，提升計算速度和視覺目標檢測算法穩(wěn)定性，能夠實現多種動態(tài)目標檢測，但其采用原則上的信息融合方法，并未結合其他外部傳感器，導致目標檢測精度受限，給出4種受限情況，見圖3。

圖3 分割失效例子

除水上目標的檢測，海岸線的準確邊界檢測也是航道上目標檢測的一個主要研究方向，該方向可利用谷歌地圖獲得的區(qū)域俯視圖來構建靜態(tài)障礙物地圖?，F已提出多種利用攝像機檢測海岸邊緣線的方法，但是仍需考慮水面環(huán)境隨時間和光照變化，無人艇動態(tài)情況下所獲得的準確邊界信息。

Mei等參考無人車邊界檢測的研究基礎，提出了一種適用于USV的基于特征和邊緣相結合的自適應海岸線檢測方法，通過采樣補丁進行顏色分割以自適應地提取河流邊界，結合顏色分割和霍夫變換獲得河流邊界定位信息，在理論上盡可能消除顏色隨時間和光照條件的變化產生的影響。該方法雖構建USV模型，但是目前尚未很好直接應用在USV控制系統(tǒng)中。

為了使USV在水面上航行時避開障礙物，Dong等提出了一種通過在USV上使用攝像機檢測自然環(huán)境下的河岸，從而實現自動導航避障的海岸線檢測方法。研究了基于單目攝像機的彩色圖像水岸線檢測，其結果也可以作為移動障礙物檢測、避障以及多傳感器信息融合的基礎，比傳統(tǒng)的LOG算法更快、更準確，并且可以提高河岸定位的準確性，該方法的檢測率可以達到82.3%，但是當水反射光非常強時，該算法會部分失效。近年來，本文作者為解決水面反射問題展開深入研究，取得了一定效果，如圖4所示。

圖4 岸線檢測結果

⒉面向作業(yè)功能的目標檢測

此外，面向作業(yè)場景中的目標檢測，Murphy等討論了水上、水下和空中航行器的協作使用，結合USV進行橋梁檢測，并提出了用于橋梁檢查的全功能USV的7個里程碑式改進：標準化任務載荷，橋梁狀態(tài)監(jiān)測，通過改進人機交互來實現遠程操作，增加3D避障，改善定位能力，處理大型數據以及支持協同感知。

同年，Heidarsson等提出了一種用于USV障礙物檢測和避障的單波束主動聲吶，體現USV僅依靠聲吶數據來導航和避開湖泊及港口環(huán)境中障礙物的潛力，還提出了一種可以通過對俯拍圖像進行分類，學習障礙物地圖的用于USV的技術。隨后，Han等通過融合安裝在USV上的IMU、攝像機和LiDAR的測量結果，解決了由于橋梁附近GPS信號遮擋，測量精度不夠的情況下，水上橋梁結構的3D重建問題，見圖5。

圖5 三攝像機根據USV軌跡識別橋墩結構合成圖像

Huntsberger等基于無人系統(tǒng)控制問題，通過聯合AUV和USV，對水下珊瑚進行目標檢測及實時監(jiān)測（如圖6所示），進一步對珊瑚進行識別。也有學者進行類似用途的目標檢測研究，如沉船考古勘探、海洋棲息地探測采樣、水電站狀況調研、動態(tài)環(huán)境監(jiān)測、石油泄漏檢測、浮游植物監(jiān)測等。

圖6 不同珊瑚檢測與識別

Papadopoulos等 使用USV搭載激光掃描儀和側掃聲吶掃描水線上方和下方的海洋結構，針對海洋環(huán)境中的3D表面重建問題進行研究，主要作用于GPS信號缺失情況下的目標檢測及海底重構，圖7所示為該方法下的碼頭檢測結果。Beall等提出了對水下環(huán)境和生態(tài)系統(tǒng)演變的定期檢測技術，通過二維圖像構建3D模型，獲取高精度海底地形，如圖8所示。

目前，為了發(fā)揮不同傳感器的優(yōu)勢，基于多傳感器檢測信息融合的目標檢測趨勢得到了進一步的發(fā)展，可以進一步進行運動目標的檢測。同時由于深度學習的興起，基于圖像的目標檢測是目前的主流檢測方式，但是該類方法需要依賴大量的前期訓練數據積累，針對不確定的目標檢測仍然存在一定的局限性。

圖7-8 碼頭檢測和海底地形重構

圖11 岸邊遮擋對導航定位的影響

圖12 每幀中選取特征點實現構圖及定位

目標跟蹤

除了目標檢測方法，進一步對運動目標進行跟蹤以獲得更準確的實時信息也得到了廣泛的研究。由于光線和時間的影響，水面運動目標的周圍環(huán)境經常發(fā)生變化，同時也存在各種無法準確預設的干擾；由于目標的運動，目標自身的大小和形狀也會隨時間發(fā)生變化，因此相較于在水面復雜環(huán)境中準確檢測目標，準確跟蹤運動目標的研究更具有挑戰(zhàn)性。

將信息融合方法應用到水面目標檢測與跟蹤任務中能夠帶來更好的跟蹤效果，一般是基于攝像機和LiDAR融合或者攝像機與GPS的融合等。Fefilatyev等提出了一種在公海視頻中自動檢測和跟蹤海上船只的技術，基于單個視頻幀進行海上船只檢測，并借助跟蹤算法通過視頻序列跟蹤檢測目標，通過濾除未顯示視頻序列中各幀之間檢測一致的噪聲，提高了檢測及跟蹤的精度，圖9展示了該系統(tǒng)的目標跟蹤效果。

圖9 環(huán)境影響下時間軸上目標跟蹤情況

Wolf等介紹了一種USV的感知和規(guī)劃系統(tǒng)，其目標是檢測和跟蹤中至遠距離的船只，但目前無法實現多種類型目標的檢測和跟蹤。Shin針對大浪、水面有霧等惡劣條件下目標跟蹤問題，根據試驗得到該系統(tǒng)目標檢測和跟蹤的距離最遠為500米。蕭正莫等通過集成單目攝像機與GPS和IMU數據信息，將測距能力提高500—1000米。

近年來，國內也有一些學者基于實際出發(fā)，將研發(fā)系統(tǒng)搭載在無人艇上進行動態(tài)目標跟蹤。張磊等提出了一種基于GNC框架的三體船，能夠自主探測周圍環(huán)境，并對具有一定特征的動態(tài)目標進行跟蹤航行。曾文靜針對海面目標跟蹤，將均值漂移算法和卡爾曼濾波結合，以在一定程度上實現目標尺度的自適應跟蹤。時俊楠考慮目標位置和尺度的實時變化，采用聯合估計的fDSST跟蹤算法，結合姿態(tài)變化信息進行目標跟蹤。

為實現遠距離目標實時檢測并跟蹤，多傳感器信息融合是目前的研究熱點，也是未來一段時間的發(fā)展趨勢，能夠有效提升USV的目標跟蹤性能。但目前尚未提出能夠實現真正的信息融合并且能夠對目標進行長時間的準確檢測跟蹤。

實時定位

為更好實現USV在自主執(zhí)行任務中不出問題，精準的導航及自定位也至關重要。良好的導航定位能力是實現USV實時優(yōu)化航路的基本。

針對應用環(huán)境通常是高度動態(tài)和非結構化的問題，Subramanian等為了實現在高度非結構化的海洋環(huán)境中USV能夠真正的自主長期運行的目標，提出了結合使用單個全景攝像機的圖像分析以及USV位置和運動信息，利用USV實時創(chuàng)建海岸線地圖的新方法，圖10為其全景攝像機輔助檢測出的岸線結果?；赨SV的導航定位，Leedekerken等提出了一種使用自主水面航行器的新型海洋制圖系統(tǒng)，解決橋梁或樹葉冠層附近GPS遮擋問題。

圖10 岸線檢測

Han等提出了主要作用于阻擋GPS信號的大型建筑附近操作的USV定位算法。該算法是一種相對導航方法，用LiDAR檢測橋墩及其輪廓，并使用LiDAR測量結果通過對橋墩的截面幾何形狀進行分類和參數化來估算結構形狀和中心位置，該方法允許在GPS信號缺失的情況下估計USV的位置，通過在同步定位框架下，構建橋墩結構的參數地圖，即時定位并繪制地圖(SLAM)。

針對在岸邊的植被或城市居住區(qū)無法常規(guī)使用視線全球導航衛(wèi)星系統(tǒng)(GNSS)的問題，船只的精確定位是關鍵挑戰(zhàn)，Kriechbaumer等提出通過附在USV上的全景攝像機裝置評估獨立的視覺里程計，將其作為一種新穎的低成本定位策略，并使用基于特征的SLAM方法在663m長的運河上進行了測試。

Wang等將基于雙目攝像機的視覺SLAM算法應用于USV，并在港口環(huán)境中采集視頻數據進行實驗。Ma等為了克服GPS信號缺失問題及干擾問題，提出了一種基于雷達和衛(wèi)星圖像的實時定位算法來確定USV位置。

近年來，隨著USV應用場景的擴展，在GPS信號缺失情況下的USV定位問題亟待解決。目前通過IMU確定無人船姿態(tài)，SLAM算法實時建圖確定場景情況是解決該類問題的主流方法，但是定位精度仍受到信息缺失的影響，精確快速的無人艇自定位方法仍需進一步深入研究。

結 論

無人艇的感知系統(tǒng)對無人艇安全自主執(zhí)行任務影響極大，近年來得到了越來越廣泛地研究，但目前國內外對其研究仍無法使無人艇實現真正無人化地執(zhí)行任務，其中存在一些感知效果仍有待提升：

⑴系統(tǒng)穩(wěn)定性。現階段無人艇智能化水平還有待提高。無人艇與無人車的工作模式類似，但是其工作環(huán)境更加惡劣，對自身系統(tǒng)的抗干擾性和抗打擊能力要求比無人車更高。

⑵目標檢測能力。由于光照反射、水面不確定因素等原因，無人艇檢測結果將受到較大干擾，目前的檢測方法仍存在局限性，檢測準確率有待提升。

鑒于無人艇在應用方面的廣闊前景以及在輕量化、能源消耗等方面展現出的巨大優(yōu)勢，各國都致力于無人艇的研究，目前正處于飛速發(fā)展的關鍵階段。未來這一領域的發(fā)展應該是圍繞上述問題的解決而展開，發(fā)展趨勢主要是：

⑴多傳感器融合。隨著計算機日益成熟，無人艇的發(fā)展呈現模塊化的趨勢。未來無人艇系統(tǒng)將逐步成為各體系的模塊化組成，其技術體系勢必是多傳感器融合。模塊化可以使無人艇智能選擇合適的方法，搭載不同的傳感器進行感知探測，使感知系統(tǒng)適用于各種不同任務，同時提升系統(tǒng)性能。

⑵實現高度智能化。未來，無人艇需具有對感知信息自主分析和自適應學習的能力，通過不斷數據學習，適應不同的水面及天氣環(huán)境，降低錯誤率，一是具有記憶和思維能力，能夠存儲感知到的外部信息同時利用已有的知識對感知到的信息進行分析；二是具有學習能力和自適應能力，通過不斷學習積累知識，使自己能夠適應環(huán)境變化，形成決策并執(zhí)行。同時需要至少具備滿足各種水域和天氣環(huán)境的水面圖像增強復原系統(tǒng)，能根據外界環(huán)境自適應對圖像進行復原，保留圖像的關鍵信息。

⑶多領域算法融合。傳統(tǒng)的感知算法在感知準確性上受到了限制，隨著機器學習的進一步發(fā)展，深度學習感知算法的融合研究為傳統(tǒng)感知算法注入了新鮮血液，帶來了魯棒性強、準確度高等優(yōu)點，將進一步提升水面無人艇感知環(huán)境的能力?！?/p>