基于卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤的 AUV 回收視覺(jué)導(dǎo)引算法

韓澤凱 ,朱興華 ,韓曉軍 ,孫 凱 ,劉肖宇

(1.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所 機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽(yáng),110016;2.中國(guó)科學(xué)院 機(jī)器人與智能制造創(chuàng)新研究院,遼寧 沈陽(yáng),110169;3.中國(guó)科學(xué)院大學(xué),北京,100049)

0 引言

水下無(wú)人系統(tǒng)包括各類能夠執(zhí)行水下任務(wù)的無(wú)人水下航行器(unmanned undersea vehicle,UUV),其中自主水下航行器(autonomous undersea vehicle,AUV)因具有在隱蔽條件下自主執(zhí)行戰(zhàn)術(shù)任務(wù)的能力[1],已經(jīng)成為各國(guó)海軍裝備的重要研究方向。隨著新材料、新能源、人工智能等技術(shù)的不斷進(jìn)步,大深度、遠(yuǎn)航程、大載荷、自主回收成為 AUV 的發(fā)展趨勢(shì)。水下自主對(duì)接回收技術(shù)作為水下無(wú)人系統(tǒng)的關(guān)鍵技術(shù),能夠給予AUV 水下自主能源與信息傳輸能力,實(shí)現(xiàn)深遠(yuǎn)海長(zhǎng)期連續(xù)作業(yè)。

近年來(lái),利用聲學(xué)信標(biāo)進(jìn)行遠(yuǎn)距離初步導(dǎo)引,光學(xué)信標(biāo)進(jìn)行近距離精確導(dǎo)引的聲光聯(lián)合導(dǎo)引方法逐漸成為AUV 回收導(dǎo)引的主流方案[2]。Park 等[3]利用黑白相機(jī)捕捉五燈光陣列光源,采用傳統(tǒng)的分割與形狀處理方法成功進(jìn)行了水池中15 m 距離位置姿態(tài)識(shí)別,但受限于光源的散射,沒(méi)有很好地提取出燈光中心,誤差較大。Palomeras 等[4]結(jié)合主被動(dòng)信標(biāo),使用增強(qiáng)現(xiàn)實(shí)(augmented reality,AR)標(biāo)記補(bǔ)充近距離視覺(jué)盲區(qū),在湖水中完成了對(duì)接實(shí)驗(yàn)。Liu 等[5]提出檢測(cè)、分割和位姿估計(jì)的識(shí)別框架,將YOLO(you only look once)網(wǎng)絡(luò)應(yīng)用于水下基站識(shí)別,成功在湖水環(huán)境完成10 m 距離內(nèi)的光學(xué)導(dǎo)引,但該算法會(huì)在神經(jīng)網(wǎng)絡(luò)檢測(cè)丟失的情況下失效。Lin 等[6]利用單光源實(shí)現(xiàn)2 自由度定位,結(jié)合視線導(dǎo)引(line-of-sight,LOS)方案完成了湖上20～30 m 距離的光學(xué)導(dǎo)引。張偉等[7]提出視頻跟蹤算法來(lái)解決信標(biāo)丟失問(wèn)題,充分利用了視頻序列的一致性,但其信標(biāo)布置與回收方式限制了算法的適用場(chǎng)景與工作距離。

聲光聯(lián)合導(dǎo)引方法在水池環(huán)境下已得到充分驗(yàn)證,但實(shí)際環(huán)境下受擾流、地形等因素干擾,進(jìn)入光學(xué)導(dǎo)引前,聲學(xué)導(dǎo)引給出的初始位置具有一定偏差,如果不能進(jìn)入光學(xué)有效范圍且觀測(cè)到足夠多的信標(biāo),就需要耗費(fèi)更多能量重新進(jìn)行初步導(dǎo)引。因此如何提升光學(xué)導(dǎo)引對(duì)初始位置的魯棒性成為了對(duì)接成功的關(guān)鍵,如果光學(xué)導(dǎo)引的有效作業(yè)空間能夠包容聲學(xué)導(dǎo)引的末端誤差空間,將大大提升回收成功率。針對(duì)此,文中通過(guò)算法與光源陣列設(shè)計(jì)優(yōu)化來(lái)提升光學(xué)導(dǎo)引作用范圍。主要?jiǎng)?chuàng)新點(diǎn)在于: 充分利用傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法優(yōu)勢(shì),建立了改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)-跟蹤算法框架;提出長(zhǎng)度裕量、角度裕量、工作空間度量指標(biāo)與分析方法;利用水池與湖上的對(duì)接實(shí)驗(yàn)驗(yàn)證了檢測(cè)、跟蹤和位姿估計(jì)全流程算法的有效性。

1 AUV 回收裝置

AUV 對(duì)接基站主要由回收籠和電子艙構(gòu)成,基站整體為長(zhǎng)2 m,寬1.2 m,高1.2 m 的長(zhǎng)方體,如圖1 所示?；厥栈\內(nèi)置于基站,籠口末端安裝電磁鐵用于固定對(duì)接后的AUV?；緦?dǎo)引設(shè)備包括超短基線(ultra-short baseline,USBL)以及光學(xué)信標(biāo)陣列。

圖1 對(duì)接基站Fig.1 Docking station

實(shí)驗(yàn)中使用的便攜型AUV(見(jiàn)圖2),長(zhǎng)2 m,直徑240 mm,最大航速5 kn,質(zhì)量80 kg。AUV 裝備慣性測(cè)量單元、USBL、NVIDIA Jetson TX2 計(jì)算板卡及Nano Sea Cam 單目彩色水下相機(jī)。水下相機(jī)采集基站的燈光導(dǎo)引信標(biāo)圖片通過(guò)Jetson TX2 進(jìn)行識(shí)別與位姿估計(jì)。

圖2 便攜型AUVFig.2 Portable AUV

回收過(guò)程中水下視覺(jué)導(dǎo)引采用環(huán)形作為信標(biāo)燈陣分布結(jié)構(gòu),考慮到水體對(duì)光的吸收,采用傳輸損耗較小的450 nm 波長(zhǎng)藍(lán)色發(fā)光二極管(light emitting diode,LED)光源,經(jīng)過(guò)水池測(cè)試,導(dǎo)引信標(biāo)束散角為44°。信標(biāo)燈陣均勻安裝于回收籠四周,呈正六邊形分布,邊長(zhǎng)為60 cm。

2 視覺(jué)導(dǎo)引算法

為了解決信標(biāo)缺失、傳統(tǒng)方法識(shí)別率低等問(wèn)題,提出基于神經(jīng)網(wǎng)絡(luò)的改進(jìn)的檢測(cè)-跟蹤算法框架,結(jié)合神經(jīng)網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率高與傳統(tǒng)分割算法效率高的優(yōu)勢(shì),利用重投影機(jī)制引入信標(biāo)分布結(jié)構(gòu)信息,實(shí)現(xiàn)實(shí)時(shí)檢測(cè)跟蹤與神經(jīng)網(wǎng)絡(luò)檢測(cè)并行。

2.1 視覺(jué)導(dǎo)引算法框架

視覺(jué)導(dǎo)引算法主要由神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)、基于神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)果的目標(biāo)區(qū)域分割、匈牙利匹配、PnP-P3P 位姿估計(jì)、卡爾曼濾波以及重投影模塊構(gòu)成,算法框架如圖3 所示。通過(guò)相機(jī)采集RGB(red-green-blue)圖像進(jìn)行基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè),隨后對(duì)燈陣進(jìn)行光源提取與跟蹤,最后利用PnP-P3P 算法獲取AUV 相機(jī)相對(duì)于基站的位置姿態(tài)信息。

圖3 檢測(cè)-跟蹤算法框架Fig.3 Framework of detecting-tracking algorithm

圖中:D=(u,v,w,h)∈Scamera;L=(u,v)∈Scamera;Q=(x,y,z,yaw,pitch,roll);上標(biāo)n代表第n幀圖像的數(shù)據(jù)。

算法具體步驟如下:

1)彩色相機(jī)的RGB 圖像作為輸入,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)單張圖片進(jìn)行檢測(cè)識(shí)別,得到圖像是否存在基站的置信度以及基站在圖像中的位置與大小D(n);

7)輸出具有時(shí)空信息的位姿Q(n)。

2.2 基于YOLOv5 的水下基站目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是指從圖像中識(shí)別目標(biāo)是否存在并獲取相應(yīng)位置與大小的方法。水下復(fù)雜環(huán)境引起的圖像退化是導(dǎo)致水下目標(biāo)檢測(cè)準(zhǔn)確率低的主要原因,表現(xiàn)為顏色失真、圖像模糊和霧化[8-9]。為了提高檢測(cè)的成功率,文中引入YOLOv5[10]神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法和高性能計(jì)算平臺(tái)來(lái)完成目標(biāo)檢測(cè)任務(wù)。與人工特征提取方法相比,神經(jīng)網(wǎng)絡(luò)方法通過(guò)學(xué)習(xí)水下真實(shí)圖像的特征分布,可以有效從退化的圖像中識(shí)別水下目標(biāo)。

YOLOv5 將檢測(cè)目標(biāo)直接看成一個(gè)回歸問(wèn)題來(lái)處理,在處理速度上占據(jù)優(yōu)勢(shì)的同時(shí)保持了良好的檢測(cè)精度。首先將圖片分成G×G個(gè)方格,隨后在每個(gè)方格中預(yù)測(cè)B個(gè)不同尺寸大小的目標(biāo),獲得G×G×B個(gè)相應(yīng)的置信度、位置和大小,最后通過(guò)非極大值抑制去除置信度較小的目標(biāo)至預(yù)設(shè)的理想目標(biāo)數(shù)量,從而獲得最優(yōu)目標(biāo)。

目標(biāo)檢測(cè)的輸出參與下一步光源提取與跟蹤的輸入,同時(shí)可以矯正跟蹤循環(huán)中重投影的結(jié)果。

2.3 光源提取與跟蹤

光源提取是指從原始圖像中提取出光源的圖像坐標(biāo)。光源跟蹤是指通過(guò)匹配上一幀的預(yù)測(cè)坐標(biāo)與當(dāng)前幀的光源坐標(biāo)來(lái)跟蹤光源的序號(hào)等信息。與傳統(tǒng)全局提取與跟蹤算法不同,由于引入了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),文中提出了基于目標(biāo)區(qū)域的分割策略,充分利用了神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果。在跟蹤模塊上,通過(guò)重投影機(jī)制引入了結(jié)構(gòu)信息。

所提出的光源提取跟蹤算法在軌跡初始化后能夠獨(dú)立于神經(jīng)網(wǎng)絡(luò)檢測(cè)模塊運(yùn)行,運(yùn)行速度不受神經(jīng)網(wǎng)絡(luò)限制,算法框架不受神經(jīng)網(wǎng)絡(luò)檢測(cè)失效的影響,增強(qiáng)了系統(tǒng)魯棒性。

1)基于目標(biāo)區(qū)域的分割

現(xiàn)有的光源分割方法在全局進(jìn)行二值化分割，需要考慮到背景光、水面反射和后向散射等干擾因素[11]。而針對(duì)特定場(chǎng)景優(yōu)化的算法對(duì)圖像分布有一定要求，不能夠解決多種環(huán)境干擾。

文中利用檢測(cè)階段或者預(yù)測(cè)給出的目標(biāo)區(qū)域進(jìn)行分割，直觀上去除了大部分非目標(biāo)背景干擾，簡(jiǎn)單有效，相比于直方圖和頻域?yàn)V波等方法，更有利于保留目標(biāo)特征。在更新目標(biāo)區(qū)域時(shí)，將神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)結(jié)果與重投影結(jié)果融合。

對(duì)于目標(biāo)區(qū)域D，第n幀目標(biāo)區(qū)域D的值為：有目標(biāo)檢測(cè)信息，取n幀檢測(cè)D(n)；無(wú)目標(biāo)檢測(cè)信息，取n-1 幀預(yù)測(cè)(n+1)。

光源提取的結(jié)果是不帶有序號(hào)匹配信息的各光源中心在圖像中的2D 坐標(biāo)，然而位姿估計(jì)算法需要將2D 坐標(biāo)與3D 坐標(biāo)匹配，因此需要進(jìn)一步進(jìn)行排序與跟蹤。

2)改進(jìn)的檢測(cè)-跟蹤算法

SORT(simple online and realtime tracking)作為主流多目標(biāo)跟蹤算法[12],主要采用檢測(cè)-跟蹤策略。但SORT 算法存在以下問(wèn)題: 將第1 階段檢測(cè)結(jié)果進(jìn)行匹配跟蹤,較為依賴直接檢測(cè)結(jié)果,在檢測(cè)失效時(shí)將在當(dāng)前幀失去跟蹤目標(biāo);將每個(gè)信標(biāo)視為獨(dú)立目標(biāo),由于多目標(biāo)跟蹤直接應(yīng)用于信標(biāo)會(huì)丟失整體結(jié)構(gòu)信息,因此在信標(biāo)數(shù)量發(fā)生變化時(shí)將導(dǎo)致匹配失效。

通過(guò)重投影機(jī)制將位姿估計(jì)的空間信息加入算法框架,利用上一幀目標(biāo)的卡爾曼濾波預(yù)測(cè)位置信息來(lái)進(jìn)行匹配,由于信標(biāo)排列被視為一個(gè)整體基站,因此局部的丟失不受影響,能夠適應(yīng)信標(biāo)的缺失和數(shù)量變化。在系統(tǒng)初始化后,跟蹤模塊可以與檢測(cè)模塊并行實(shí)現(xiàn)實(shí)時(shí)跟蹤,獲得用于位姿估計(jì)的2D-3D 點(diǎn)對(duì)。

2.4 PnP-P3P 位姿估計(jì)

主流的PnP 算法包括EPnP[13]、RPnP[14]等,算法在n≥4 時(shí)具有唯一解。n=3 時(shí),退化為P3P 問(wèn)題,具有4 個(gè)解。在對(duì)接過(guò)程中,隨著AUV 接近基站,部分光源進(jìn)入相機(jī)盲區(qū),n逐漸減少。提出的PnP-P3P 算法將傳統(tǒng)單幀圖像的姿態(tài)估計(jì)轉(zhuǎn)化為跟蹤解序列問(wèn)題。考慮到對(duì)接過(guò)程中視頻序列的一致性,因此當(dāng)可觀測(cè)信標(biāo)數(shù)量降低到3 個(gè)時(shí),可以直觀地從前一幀的解中獲取信息。

PnP 問(wèn)題是通過(guò)匹配n對(duì)真實(shí)世界3D 坐標(biāo)在視覺(jué)平面的2D 投影,還原出相機(jī)坐標(biāo)與真實(shí)世界坐標(biāo)的位置和姿態(tài)的算法。對(duì)于L=(u,v)∈Scamera,R=(r1,r2,r3),T=(t1,t2,t3),Lworld=(xr,yr,zr)∈Sworld,則有

式中:λ為焦距;K為相機(jī)內(nèi)參矩陣;Xc為相機(jī)平面3D 坐標(biāo);Xr為世界坐標(biāo)。相機(jī)內(nèi)參矩陣被事先標(biāo)定,通過(guò)L與Lworld求解Q中的6 個(gè)未知數(shù)。

當(dāng)點(diǎn)對(duì)的數(shù)量逐漸降低至3 時(shí),采用最小距離原則從P3P 的4 個(gè)解中找出最接近當(dāng)前位置的解序列,實(shí)現(xiàn)連續(xù)的位姿估計(jì)。

3 實(shí)驗(yàn)結(jié)果

3.1 神經(jīng)網(wǎng)絡(luò)檢測(cè)與訓(xùn)練

1)檢測(cè)數(shù)據(jù)集

水下基站訓(xùn)練數(shù)據(jù)集包括20 515 張?jiān)谒嘏c湖水環(huán)境中采集的真實(shí)水下退化圖像,包括模糊、偏移和環(huán)境光等因素的影響。每張水下基站圖片標(biāo)注8 個(gè)信標(biāo)燈的位置。

水下基站測(cè)試集包括在水池與湖上采集的5 組連續(xù)對(duì)接視頻,其中有1 組視頻僅包含背景,共有2 382 幀圖像、542 幀背景圖像。

2)實(shí)驗(yàn)環(huán)境

系統(tǒng)環(huán)境為Ubuntu20.04,深度學(xué)習(xí)框架為Pytorch1.11.0、CUDA11.3 和cuDNN8.2.1,GPU 為NVIDIA RTX A6000,顯存48 GB,CPU 為2x Intel Xeon Gold 6234,線程數(shù)32。

3)網(wǎng)絡(luò)訓(xùn)練

通過(guò)水下基站訓(xùn)練數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,相關(guān)參數(shù)如表1 和表2 所示,訓(xùn)練損失函數(shù)如圖4 所示。在驗(yàn)證集上,YOLOv5 的平均精度均值(mean average precision,mAP)達(dá)99.42%。

表1 水下基站數(shù)據(jù)集參數(shù)Table 1 Dataset parameters of underwater station

表2 訓(xùn)練參數(shù)Table 2 Parameters of training

圖4 YOLOv5 訓(xùn)練過(guò)程軌跡Fig.4 Training process trajectory of YOLOv5

圖5 YOLOv5 檢測(cè)結(jié)果Fig.5 Detection results of YOLOv5

3.2 光源提取與跟蹤

當(dāng)全局圖像存在背景光、前景噪聲、信標(biāo)丟失等干擾,傳統(tǒng)方法無(wú)法有效提取與跟蹤光源。針對(duì)以上干擾,對(duì)水下基站測(cè)試集添加了高斯斑點(diǎn)、遮擋等噪聲,以測(cè)試提出的算法效果。

如圖6 所示,傳統(tǒng)分割算法在背景光與前景干擾下無(wú)法有效提取光源,提出的基于目標(biāo)區(qū)域的分割充分利用了神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果,能夠有效去除水面?zhèn)斡?、背景光干擾以及前景高斯點(diǎn)狀光源噪聲。

圖6 基于目標(biāo)區(qū)域的圖像分割結(jié)果Fig.6 Image segmentation results based on region

傳統(tǒng)SORT 跟蹤算法在目標(biāo)受到遮擋時(shí)會(huì)丟失信標(biāo)匹配信息,對(duì)于再次進(jìn)入視場(chǎng)的光源檢測(cè)效果較差,容易誤匹配或丟失目標(biāo)ID。然而,在對(duì)接過(guò)程中,大偏移量導(dǎo)致的光源超出視界等情況十分常見(jiàn)。對(duì)于跟蹤任務(wù),將水下基站測(cè)試集進(jìn)行遮擋處理,采用多目標(biāo)跟蹤(multi-objective tracking,MOT)指標(biāo)對(duì)傳統(tǒng)SORT 與文中方法進(jìn)行比較,在原測(cè)試集與遮擋測(cè)試集中的指標(biāo)如表3 所示。

表3 多目標(biāo)跟蹤性能指標(biāo)Table 3 Multi-objective tracking performance indexes

如圖7 所示,在遮擋過(guò)程后,SORT 算法失去原序列信息,導(dǎo)致后續(xù)的匹配全部錯(cuò)誤。而重投影跟蹤能夠在剩下3 個(gè)燈的情況下利用結(jié)構(gòu)信息估計(jì)出其他信標(biāo)的位置。

圖7 不同算法在遮擋數(shù)據(jù)集上的跟蹤過(guò)程Fig.7 Tracking process of different algorithms on obscured datasets

3.3 PnP-P3P 定位

在一次真實(shí)情況下的大偏移量航行中,光源識(shí)別跟蹤結(jié)果如圖8 所示。AUV 從籠口左側(cè)經(jīng)過(guò),過(guò)程中基站有效觀測(cè)信標(biāo)燈從6 個(gè)逐漸遞減為1 個(gè)。一次對(duì)接過(guò)程XY-Z軌跡如圖9 所示,在僅觀測(cè)到3 個(gè)信標(biāo)燈時(shí),仍然能夠有效完成六自由度位姿估計(jì)。在切換PnP-P3P 時(shí)曲線出現(xiàn)一定偏移,隨后通過(guò)目標(biāo)誤差函數(shù)最小原則獲得最優(yōu)解。

圖8 PnP-P3P 算法跟蹤結(jié)果Fig.8 Tracking results of PnP-P3P algorithm

圖9 對(duì)接過(guò)程XY-Z曲線Fig.9 XY-Zcurves in docking process

3.4 工作空間仿真

針對(duì)光學(xué)導(dǎo)引算法指標(biāo),文中首次提出利用水下有效導(dǎo)引空間仿真進(jìn)行度量。通過(guò)PnP-P3P 算法,結(jié)合信標(biāo)燈分布進(jìn)行仿真。采取左右對(duì)稱均勻燈陣分布,表4 列出了當(dāng)信標(biāo)燈數(shù)量為n時(shí),相對(duì)于基站直徑允許的最大長(zhǎng)度觀測(cè)裕量?？梢钥闯?6 個(gè)燈的分布在具有一定觀測(cè)裕量?jī)?yōu)勢(shì)的同時(shí),保持了較少的光源數(shù)量,因此能夠在同樣的燈光條件與直徑下,允許更大的單光源光功率,擴(kuò)大了燈光導(dǎo)引距離。

表4 不同信標(biāo)數(shù)量下的長(zhǎng)度觀測(cè)裕量Table 4 Length observation margins of different beacon numbers

在AUV 對(duì)接過(guò)程中,考慮到相機(jī)有效視場(chǎng)角為40°,定義角度觀測(cè)裕量為

式中,β為AUV 對(duì)m個(gè)目標(biāo)信標(biāo)的最小觀測(cè)夾角,若夾角大于40°,則AUV 進(jìn)入視覺(jué)盲區(qū)。

圖10 為α在X-Z平面的分布,隨著AUV 接近基站,角度裕值減少。所設(shè)計(jì)燈光在水下散射角度為44°,假設(shè)燈光在水下符合Lambert 分布[15],則每個(gè)位置的光強(qiáng)為

圖10 角度裕量在X-Z平面分布云圖Fig.10 Contours of angle margin in X-Zplane

式中: μ為衰減系數(shù);I0為光源光強(qiáng);θ為輻射角;z為距離。

定義工作空間強(qiáng)度值為

工作空間強(qiáng)度在X-Z平面的分布如圖11 所示。

圖11 有效工作空間在X-Z平面分布云圖Fig.11 Contours of effective workspace in X-Zplane

同光場(chǎng)分布下,分別定義最小n點(diǎn)觀測(cè)指標(biāo)及最小m閾值工作空間指標(biāo)

提出的算法工作空間指標(biāo)參見(jiàn)表5。

表5 工作空間指標(biāo)Table 5 Workspace indexes

仿真結(jié)果證明,PnP-P3P 算法能夠提升視覺(jué)導(dǎo)引有效工作空間,補(bǔ)充了近距離的對(duì)接視場(chǎng),提高了整體對(duì)接魯棒性。

3.5 對(duì)接實(shí)驗(yàn)

1)水池光學(xué)對(duì)接

實(shí)驗(yàn)水池寬10 m,長(zhǎng)25 m,深7 m?；镜闹行牡醴胖了戮嚯x水面2 m 的位置,AUV 在距離基站徑向20 m 時(shí)從水面進(jìn)行下潛對(duì)接任務(wù),前向速度為0.5 m/s。整個(gè)對(duì)接過(guò)程僅使用視覺(jué)方法完成。一次成功的對(duì)接如圖12 所示。

圖12 水池對(duì)接過(guò)程圖像Fig.12 Image of docking process on pool

2)湖上聲光聯(lián)合導(dǎo)引對(duì)接

在實(shí)際應(yīng)用場(chǎng)景中,受到環(huán)境光和擾流等的影響,對(duì)導(dǎo)引算法提出了更高的要求。湖上實(shí)驗(yàn)的目的是在水池實(shí)驗(yàn)的基礎(chǔ)上驗(yàn)證算法的魯棒性以及聲光導(dǎo)引的系統(tǒng)穩(wěn)定性。選取較為平緩的地形,將基站提前放置于湖底并保證其穩(wěn)定性,基站中心距離水面15 m。AUV 在距離基站1 000 m 距離從水面下潛,首先進(jìn)行聲學(xué)的粗導(dǎo)引,在航行器接近基站15 m 時(shí)進(jìn)入末端光學(xué)導(dǎo)引狀態(tài)。在執(zhí)行末端對(duì)接時(shí),前向速度為0.5 m/s。圖13 與圖14 為一次成功對(duì)接的圖像與聲學(xué)導(dǎo)引軌跡。

圖13 湖上對(duì)接過(guò)程圖像Fig.13 Image of docking process on Lake

圖14 湖上對(duì)接聲學(xué)導(dǎo)引軌跡Fig.14 Acoustic guidance trajectory of docking on lake

4 結(jié)束語(yǔ)

文中針對(duì)籠式水下基站回收設(shè)計(jì)信標(biāo)方案,通過(guò)仿真驗(yàn)證了信標(biāo)工作空間有效性。提出改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)-跟蹤算法與PnP-P3P 算法,將觀測(cè)數(shù)量降低到3 個(gè)信標(biāo),實(shí)現(xiàn)對(duì)基站的魯棒跟蹤。文中研究的優(yōu)點(diǎn)在于將神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的高泛化性優(yōu)勢(shì)與傳統(tǒng)算法分割的高效率優(yōu)勢(shì)結(jié)合,通過(guò)水池與湖上聲光聯(lián)合導(dǎo)引驗(yàn)證了該方法在實(shí)際應(yīng)用中的可行性,但目前提出的光導(dǎo)引工作空間分布僅分析了二維平面,下一步工作將考慮從多光源空間分布設(shè)計(jì)出發(fā)建立信標(biāo)燈光三維空間分布及其優(yōu)化理論。