無人水面艇感知技術(shù)發(fā)展綜述

無人機(jī)10086

2021年4月8日 10:40

朱健楠，虞夢苓，楊益新

(西北工業(yè)大學(xué) 航海學(xué)院，陜西西安 710072)

摘要：無人水面艇因其機(jī)動(dòng)靈活，可替代人工進(jìn)行危險(xiǎn)領(lǐng)域作業(yè)等特點(diǎn)日益成為國內(nèi)外學(xué)者的研究重點(diǎn)。在水面無人駕駛技術(shù)體系中，感知技術(shù)是核心，而現(xiàn)階段國內(nèi)外對其感知技術(shù)的研究仍處于起步階段。本文梳理了無人艇的研發(fā)進(jìn)程，圍繞感知技術(shù)的3個(gè)方面關(guān)鍵技術(shù)進(jìn)行分析與探討：基于水面無人艇的目標(biāo)檢測，主要包括面向避障的目標(biāo)檢測及面向作業(yè)的目標(biāo)檢測、目標(biāo)跟蹤、實(shí)時(shí)定位方法。最后考慮到無人艇感知技術(shù)在系統(tǒng)穩(wěn)定性及目標(biāo)檢測能力中面臨的挑戰(zhàn)，對無人艇感知技術(shù)存在的不足和未來的發(fā)展趨勢做出展望。

關(guān)鍵詞：無人水面艇；感知；路徑規(guī)劃；目標(biāo)檢測；目標(biāo)跟蹤；導(dǎo)航；定位

由于無人駕駛的發(fā)展，近幾年無人車和無人機(jī)已廣泛應(yīng)用于各種場景。與此同時(shí)，應(yīng)用于水面的無人艇(unmanned surface vehicles，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(wù)，代替作業(yè)人員執(zhí)行危險(xiǎn)或耗時(shí)耗力的任務(wù)，在港口防護(hù)及艦船兵力保護(hù)、海上偵察監(jiān)視、反潛作戰(zhàn)、水上搜救、后勤補(bǔ)給、水質(zhì)監(jiān)測、水文采樣、海洋環(huán)境測繪、水域生態(tài)保護(hù)等方面發(fā)揮著重要作用，提高工作效能的同時(shí)也降低了作業(yè)人員的傷亡。

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(shí)代的戰(zhàn)略意義[1]。隨后，無人艇SCOUT[2]、水面高速無人艇PROTECTOR[3]、測量雙體船海豚(MESSIN)[4]、無人艇ROBOAT[5]、無人艇JingHai-I[6]以及各種無人艇海上協(xié)議相繼推出[7]。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(jī)構(gòu)聯(lián)合開展海上智能無人駕駛航行網(wǎng)絡(luò)(MUNIN)計(jì)劃[8]。日本29家單位聯(lián)合組織開展“智能船舶應(yīng)用平臺(SSAP1)”項(xiàng)目。英國羅爾斯·羅伊斯公司(R-R 公司)發(fā)起“先進(jìn)自主水運(yùn)應(yīng)用項(xiàng)目(AAWA)”[9]，并與 Finferries 聯(lián)合推出全球第一艘無人駕駛渡輪“Falco”號。日本船舶機(jī)械與設(shè)備協(xié)會(huì)(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(xiàn)代重工集團(tuán)聯(lián)合微軟、英特爾、SK航運(yùn)等企業(yè)相繼推出更加智能自主的無人駕駛商船[10]。國內(nèi)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(jìn)均以其平穩(wěn)航行為基礎(chǔ)，而無人艇安全航行的關(guān)鍵在于迅速避障并能實(shí)時(shí)優(yōu)化航路，即自主船舶對周圍水域環(huán)境的準(zhǔn)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(shí)現(xiàn)態(tài)勢感知，從而實(shí)現(xiàn)目標(biāo)檢測、跟蹤、導(dǎo)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?yàn)闊o人艇的決策與控制提供必要的數(shù)據(jù)源支持。

基于感知技術(shù)在無人艇領(lǐng)域的重要性，國內(nèi)外學(xué)者紛紛展開無人艇感知技術(shù)的研究。現(xiàn)有的無人艇感知技術(shù)理論主要分為2大類：1)無人艇外部環(huán)境感知，包括搭載雷達(dá)、聲吶、視覺傳感器、毫米波雷達(dá)(millimeter wave radar)及激光雷達(dá)(LiDAR)等多種傳感器來實(shí)現(xiàn)目標(biāo)檢測、目標(biāo)跟蹤等功能；2)無人艇自身狀態(tài)感知，包括搭載慣性測量單元(intertial measurement unit，IMU)、GPS等傳感器實(shí)現(xiàn)無人艇的自定位，這也是無人艇確定其相對于環(huán)境的位置的能力體現(xiàn)。

1 目標(biāo)檢測

無人艇環(huán)境感知面臨一個(gè)嚴(yán)峻的問題是如何實(shí)現(xiàn)準(zhǔn)確停靠岸和精準(zhǔn)避障，而解決這個(gè)問題需要無人艇具備良好的水面目標(biāo)檢測能力。針對目標(biāo)檢測，現(xiàn)階段學(xué)者們主要考慮以下2種應(yīng)用場景：第1種是面向避障功能的目標(biāo)檢測，包括岸線、冰山、移動(dòng)船只、航行中的不明障礙物等；第2種是面向作業(yè)功能的目標(biāo)檢測，包括橋梁結(jié)構(gòu)、港口設(shè)施以及水中生物、水體環(huán)境、海底結(jié)構(gòu)等。

1.1 面向避障功能的目標(biāo)檢測

針對避障進(jìn)行的目標(biāo)檢測是現(xiàn)階段學(xué)者們研究較多的領(lǐng)域，各國學(xué)者采用不同的傳感器，并改進(jìn)算法進(jìn)行USV航行過程中的目標(biāo)檢測。

Xu等[11]提出了現(xiàn)階段利用全景攝像機(jī)分析水面情況的USV目標(biāo)檢測研究現(xiàn)況，主要檢測航行過程中的非水物體，包括海岸線、航行危險(xiǎn)物以及其他移動(dòng)船只等。該方法通過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(biāo)的特征。莊佳園等[12]基于雷達(dá)圖像數(shù)據(jù)提出了自適應(yīng)圖像平滑和魯棒圖像分割算法，實(shí)現(xiàn)海面目標(biāo)檢測，適用于USV高速運(yùn)動(dòng)避障，但是針對運(yùn)動(dòng)目標(biāo)的檢測仍然存在限制。

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(shù)的研發(fā)，Larson等[13]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(jī)和雷達(dá)進(jìn)行目標(biāo)檢測，通過使用遠(yuǎn)場協(xié)商性避障組件和近場反應(yīng)性避障組件來避開障礙物，改進(jìn)了快速避開固定及移動(dòng)障礙物的遠(yuǎn)距離路徑規(guī)劃系統(tǒng)，提升避障成功率，效果如圖1所示。

無人水面艇感知技術(shù)發(fā)展綜述的圖1

圖1 單目視覺海岸線及障礙物檢測及測距[13]
Fig.1 Monocular vision showing horizon (coastline) and obstacle detection and ranging[13]

此后，Onunka等[14]僅通過雷達(dá)輔助障礙物檢測，提出了一種利用雷達(dá)測距方程預(yù)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(continuous wave，CW)雷達(dá)系統(tǒng)預(yù)測距離范圍，進(jìn)行障礙物檢測。Wang等[15]提出了一種通過單目攝像機(jī)和立體視覺方法的USV障礙物檢測系統(tǒng)，該系統(tǒng)可以實(shí)時(shí)檢測和定位30～100 m內(nèi)的多個(gè)障礙物，能捕捉到航速最高可達(dá)12 kn的高速障礙物。他們提出通過左右攝像機(jī)可分別進(jìn)行單目檢測，然后用立體視覺方法對兩側(cè)攝像機(jī)的圖像進(jìn)行處理，計(jì)算出三維(three dimensions, 3D)檢測結(jié)果的目標(biāo)識別方法，其結(jié)果如圖2所示。

無人水面艇感知技術(shù)發(fā)展綜述的圖2

圖2 檢測結(jié)果[15]
Fig.2 Detection results[15]

Kristan等[16]解決了通過約束無監(jiān)督分割方法進(jìn)行在線檢測存在的問題，提出了一種可通過USV捕獲的單個(gè)視頻幀進(jìn)行快速連續(xù)的障礙物圖像地圖估計(jì)，不需要紋理特征提取的圖形模型，降低了計(jì)算量，提升計(jì)算速度和視覺目標(biāo)檢測算法穩(wěn)定性，能夠?qū)崿F(xiàn)多種動(dòng)態(tài)目標(biāo)檢測，但其采用原則上的信息融合方法，并未結(jié)合其他外部傳感器，導(dǎo)致目標(biāo)檢測精度受限，給出4種受限情況，見圖3。

無人水面艇感知技術(shù)發(fā)展綜述的圖3

圖3 分割失效例子[16]
Fig.3 Examples of poor segmentation[16]

除水上目標(biāo)的檢測，海岸線的準(zhǔn)確邊界檢測也是航道上目標(biāo)檢測的一個(gè)主要研究方向，該方向可利用Google地圖獲得的區(qū)域俯視圖來構(gòu)建靜態(tài)障礙物地圖[17]。現(xiàn)已提出多種利用攝像機(jī)檢測海岸邊緣線的方法，但是仍需考慮水面環(huán)境隨時(shí)間和光照變化，無人艇動(dòng)態(tài)情況下所獲得的準(zhǔn)確邊界信息。

Mei等[18]參考無人車邊界檢測的研究基礎(chǔ)，提出了一種適用于USV的基于特征和邊緣相結(jié)合的自適應(yīng)海岸線檢測方法，通過采樣補(bǔ)丁進(jìn)行顏色分割以自適應(yīng)地提取河流邊界，結(jié)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(shí)間和光照條件的變化產(chǎn)生的影響。該方法雖構(gòu)建USV模型，但是目前尚未很好直接應(yīng)用在USV控制系統(tǒng)中。

為了使USV在水面上航行時(shí)避開障礙物，Dong等[19]提出了一種通過在USV上使用攝像機(jī)檢測自然環(huán)境下的河岸，從而實(shí)現(xiàn)自動(dòng)導(dǎo)航避障的海岸線檢測方法。研究了基于單目攝像機(jī)的彩色圖像水岸線檢測，其結(jié)果也可以作為移動(dòng)障礙物檢測、避障以及多傳感器信息融合的基礎(chǔ)，比傳統(tǒng)的LOG算法更快、更準(zhǔn)確，并且可以提高河岸定位的準(zhǔn)確性，該方法的檢測率可以達(dá)到82.3%，但是當(dāng)水反射光非常強(qiáng)時(shí)，該算法會(huì)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。

1.2 面向作業(yè)功能的目標(biāo)檢測

此外，面向作業(yè)場景中的目標(biāo)檢測，Murphy等[20]討論了水上、水下和空中航行器的協(xié)作使用，結(jié)合USV進(jìn)行橋梁檢測，并提出了用于橋梁檢查的全功能USV的7個(gè)里程碑式改進(jìn)：標(biāo)準(zhǔn)化任務(wù)載荷，橋梁狀態(tài)監(jiān)測，通過改進(jìn)人機(jī)交互來實(shí)現(xiàn)遠(yuǎn)程操作，增加3-D避障，改善定位能力，處理大型數(shù)據(jù)以及支持協(xié)同感知。

無人水面艇感知技術(shù)發(fā)展綜述的圖4

圖4 岸線檢測結(jié)果
Fig.4 Coastline detection results

同年，Heidarsson等[21]提出了一種用于USV障礙物檢測和避障的單波束主動(dòng)聲吶，體現(xiàn)USV僅依靠聲吶數(shù)據(jù)來導(dǎo)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(jìn)行分類，學(xué)習(xí)障礙物地圖的用于USV的技術(shù)。隨后，Han等[22]通過融合安裝在USV上的IMU、攝像機(jī)和LiDAR的測量結(jié)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(jié)構(gòu)的3D重建問題，見圖5。

無人水面艇感知技術(shù)發(fā)展綜述的圖5

圖5 三攝像機(jī)根據(jù)USV軌跡識別橋墩結(jié)構(gòu)合成圖像[22]
Fig.5 Image of bridge structure according to USV’s track by three camera[22]

Huntsberger等[23]基于無人系統(tǒng)控制問題，通過聯(lián)合AUV和USV，對水下珊瑚進(jìn)行目標(biāo)檢測及實(shí)時(shí)監(jiān)測，如圖6所示進(jìn)一步對珊瑚進(jìn)行識別。也有學(xué)者進(jìn)行類似用途的目標(biāo)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(diào)研、動(dòng)態(tài)環(huán)境監(jiān)測、石油泄漏檢測、浮游植物監(jiān)測等[23]。

無人水面艇感知技術(shù)發(fā)展綜述的圖6

圖6 不同珊瑚檢測與識別[23]
Fig.6 Different coral detection and identification[23]

Papadopoulos等[24]使用USV搭載激光掃描儀和側(cè)掃聲吶掃描水線上方和下方的海洋結(jié)構(gòu)，針對海洋環(huán)境中的3-D表面重建問題進(jìn)行研究，主要作用于GPS信號缺失情況下的目標(biāo)檢測及海底重構(gòu)，圖7所示為該方法下的碼頭檢測結(jié)果。Beall等[25]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(shù)，通過二維圖像構(gòu)建3-D模型，獲取高精度海底地形，如圖8所示。

無人水面艇感知技術(shù)發(fā)展綜述的圖7

圖7 碼頭檢測[24]
Fig.7 Terminal detection[24]

無人水面艇感知技術(shù)發(fā)展綜述的圖8

圖8 海底地形重構(gòu)[25]
Fig.8 Submarine topographic reconstruction[25]

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(biāo)檢測趨勢得到了進(jìn)一步的發(fā)展，可以進(jìn)一步進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測。同時(shí)由于深度學(xué)習(xí)的興起，基于圖像的目標(biāo)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(xùn)練數(shù)據(jù)積累，針對不確定的目標(biāo)檢測仍然存在一定的局限性。

2 目標(biāo)跟蹤

除了目標(biāo)檢測方法，進(jìn)一步對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤以獲得更準(zhǔn)確的實(shí)時(shí)信息也得到了廣泛的研究。由于光線和時(shí)間的影響，水面運(yùn)動(dòng)目標(biāo)的周圍環(huán)境經(jīng)常發(fā)生變化，同時(shí)也存在各種無法準(zhǔn)確預(yù)設(shè)的干擾；由于目標(biāo)的運(yùn)動(dòng)，目標(biāo)自身的大小和形狀也會(huì)隨時(shí)間發(fā)生變化，因此相較于在水面復(fù)雜環(huán)境中準(zhǔn)確檢測目標(biāo)，準(zhǔn)確跟蹤運(yùn)動(dòng)目標(biāo)的研究更具有挑戰(zhàn)性。

將信息融合方法應(yīng)用到水面目標(biāo)檢測與跟蹤任務(wù)中能夠帶來更好的跟蹤效果，一般是基于攝像機(jī)和LiDAR融合或者攝像機(jī)與GPS的融合等。Fefilatyev等[26]提出了一種在公海視頻中自動(dòng)檢測和跟蹤海上船只的技術(shù)，基于單個(gè)視頻幀進(jìn)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(biāo)，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(biāo)跟蹤效果。Wolf等[27]介紹了一種USV的感知和規(guī)劃系統(tǒng)，其目標(biāo)是檢測和跟蹤中至遠(yuǎn)距離的船只，但目前無法實(shí)現(xiàn)多種類型目標(biāo)的檢測和跟蹤。Shin[28]針對大浪、水面有霧等惡劣條件下目標(biāo)跟蹤問題，根據(jù)試驗(yàn)得到該系統(tǒng)目標(biāo)檢測和跟蹤的距離最遠(yuǎn)為500 m。蕭正莫等[29]通過集成單目攝像機(jī)與GPS和IMU數(shù)據(jù)信息，將測距能力提高500～1 000 m。

無人水面艇感知技術(shù)發(fā)展綜述的圖9

圖9 環(huán)境影響下時(shí)間軸上目標(biāo)跟蹤情況[26]
Fig.9 Target tracking on the timeline under environmental influence[26]

近年來，國內(nèi)也有一些學(xué)者基于實(shí)際出發(fā)，將研發(fā)系統(tǒng)搭載在無人艇上進(jìn)行動(dòng)態(tài)目標(biāo)跟蹤。張磊等[30]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(dòng)態(tài)目標(biāo)進(jìn)行跟蹤航行。曾文靜[31]針對海面目標(biāo)跟蹤，將均值漂移算法和卡爾曼濾波結(jié)合，以在一定程度上實(shí)現(xiàn)目標(biāo)尺度的自適應(yīng)跟蹤。時(shí)俊楠[32]考慮目標(biāo)位置和尺度的實(shí)時(shí)變化，采用聯(lián)合估計(jì)的fDSST(fast discriminative scale space tracker)跟蹤算法，結(jié)合姿態(tài)變化信息進(jìn)行目標(biāo)跟蹤。

為實(shí)現(xiàn)遠(yuǎn)距離目標(biāo)實(shí)時(shí)檢測并跟蹤，多傳感器信息融合是目前的研究熱點(diǎn)，也是未來一段時(shí)間的發(fā)展趨勢，能夠有效提升USV的目標(biāo)跟蹤性能。但目前尚未提出能夠?qū)崿F(xiàn)真正的信息融合并且能夠?qū)δ繕?biāo)進(jìn)行長時(shí)間的準(zhǔn)確檢測跟蹤。

3 實(shí)時(shí)定位

為更好實(shí)現(xiàn)USV在自主執(zhí)行任務(wù)中不出問題，精準(zhǔn)的導(dǎo)航及自定位也至關(guān)重要。良好的導(dǎo)航定位能力是實(shí)現(xiàn)USV實(shí)時(shí)優(yōu)化航路的基本。

針對應(yīng)用環(huán)境通常是高度動(dòng)態(tài)和非結(jié)構(gòu)化的問題，Subramanian等[33]為了實(shí)現(xiàn)在高度非結(jié)構(gòu)化的海洋環(huán)境中USV能夠真正的自主長期運(yùn)行的目標(biāo)，提出了結(jié)合使用單個(gè)全景攝像機(jī)的圖像分析以及USV位置和運(yùn)動(dòng)信息，利用USV實(shí)時(shí)創(chuàng)建海岸線地圖的新方法，圖10為其全景攝像機(jī)輔助檢測出的岸線結(jié)果。基于USV的導(dǎo)航定位，Leedekerken等[34]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。

無人水面艇感知技術(shù)發(fā)展綜述的圖10

圖10 岸線檢測[33]
Fig.10 Coastline detection[33]

Han等[35]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(dǎo)航方法，用LiDAR檢測橋墩及其輪廓，并使用LiDAR測量結(jié)果通過對橋墩的截面幾何形狀進(jìn)行分類和參數(shù)化來估算結(jié)構(gòu)形狀和中心位置，該方法允許在GPS信號缺失的情況下估計(jì)USV的位置，通過在同步定位框架下，構(gòu)建橋墩結(jié)構(gòu)的參數(shù)地圖，即時(shí)定位并繪制地圖(simultaneous localization and mapping，SLAM)。

無人水面艇感知技術(shù)發(fā)展綜述的圖11

圖11 岸邊遮擋對導(dǎo)航定位的影響[36]
Fig.11 Navigation affected by shore occlusion[36]

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?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)的問題，船只的精確定位是關(guān)鍵挑戰(zhàn)，Kriechbaumer等[36]提出通過附在USV上的全景攝像機(jī)裝置評估獨(dú)立的視覺里程計(jì)，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663 m長的運(yùn)河上進(jìn)行了測試。

Wang等[37]將基于雙目攝像機(jī)的視覺SLAM算法應(yīng)用于USV，并在港口環(huán)境中采集視頻數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。Ma等[38]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(dá)和衛(wèi)星圖像的實(shí)時(shí)定位算法來確定USV位置。

無人水面艇感知技術(shù)發(fā)展綜述的圖12

圖12 每幀中選取特征點(diǎn)實(shí)現(xiàn)構(gòu)圖及定位[37]
Fig.12 Select feature points to SLAM in Each Frame[37]

近年來，隨著USV應(yīng)用場景的擴(kuò)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(shí)時(shí)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(jìn)一步深入研究。

4 結(jié)論

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

1)系統(tǒng)穩(wěn)定性。現(xiàn)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。

2)目標(biāo)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(jié)果將受到較大干擾，目前的檢測方法仍存在局限性，檢測準(zhǔn)確率有待提升。

鑒于無人艇在應(yīng)用方面的廣闊前景以及在輕量化、能源消耗等方面展現(xiàn)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(guān)鍵階段。未來這一領(lǐng)域的發(fā)展應(yīng)該是圍繞上述問題的解決而展開，發(fā)展趨勢主要是：

1)多傳感器融合。隨著計(jì)算機(jī)日益成熟，無人艇的發(fā)展呈現(xiàn)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(shù)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(jìn)行感知探測，使感知系統(tǒng)適用于各種不同任務(wù)，同時(shí)提升系統(tǒng)性能。

2)實(shí)現(xiàn)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(yīng)學(xué)習(xí)的能力，通過不斷數(shù)據(jù)學(xué)習(xí)，適應(yīng)不同的水面及天氣環(huán)境，降低錯(cuò)誤率，一是具有記憶和思維能力，能夠存儲(chǔ)感知到的外部信息同時(shí)利用已有的知識對感知到的信息進(jìn)行分析；二是具有學(xué)習(xí)能力和自適應(yīng)能力，通過不斷學(xué)習(xí)積累知識，使自己能夠適應(yīng)環(huán)境變化，形成決策并執(zhí)行。同時(shí)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(qiáng)復(fù)原系統(tǒng)，能根據(jù)外界環(huán)境自適應(yīng)對圖像進(jìn)行復(fù)原，保留圖像的關(guān)鍵信息。

3)多領(lǐng)域算法融合。傳統(tǒng)的感知算法在感知準(zhǔn)確性上受到了限制，隨著機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，深度學(xué)習(xí)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(qiáng)、準(zhǔn)確度高等優(yōu)點(diǎn)，將進(jìn)一步提升水面無人艇感知環(huán)境的能力。

參考文獻(xiàn)：

[1] 柳晨光, 初秀民, 吳青, 等. USV發(fā)展現(xiàn)狀及展望[J]. 中國造船, 2014, 55(4): 194-205.

LU Chenguang, CHU Xiumin, WU qing, et al. A review and prospect of USV research[J]. Shipbuilding of China, 2014, 55(4): 194-205.

[2] CURCIO J, LEONARD J, PATRIKALAKIS A. SCOUT—a low cost autonomous surface platform for research in cooperative autonomy[C]//Proceedings of OCEANS 2005 MTS/IEEE. Washington, 2005: 725-729.

[3] CAMPBELL S, NAEEM W, IRWIN G W. A review on improving the autonomy of unmanned surface vehicles through intelligent collision avoidance manoeuvres[J]. Annual reviews in control, 2012, 36(2): 267-283.

[4] MAJOHR J, BUCH T, KORTE C. Navigation and automatic control of the measuring dolphin (MESSINTM)[J]. IFAC proceedings volumes, 2000, 33(21): 399-404.

[5] WANG Wei, GHENETI B, MATEOS A L, et al. Roboat: an autonomous surface vehicle for urban waterways[C]//Proceedings of 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems. Macau, China, 2019: 6340-6347.

[6] PENG Yan, YANG Yi, CUI Jianxiang, et al. Development of the USV ‘JingHai-I’ and sea trials in the southern Yellow Sea[J]. Ocean engineering, 2017, 131: 186-196.

[7] BENJAMIN M R, CURCIO J A, LEONARD J J, et al. Navigation of unmanned marine vehicles in accordance with the rules of the road[C]//Proceedings of 2006 IEEE International Conference on Robotics and Automation. Orlando, Florida, USA, 2006: 3581-3587.

[8] BURMEISTER H C, BRUHN W, R?DSETH ? J, et al. Autonomous unmanned merchant vessel and its contribution towards the e-navigation implementation: The MUNIN Perspective[J]. International journal of e-navigation and maritime economy, 2014, 1: 1-13.

[9] JOKIOINEN E. Remote and autonomous ships the next steps[R]. London: AAWA, 2016.

[10] 李文華, 張君彥, 林珊穎, 等. 水面自主船舶技術(shù)發(fā)展路徑[J]. 船舶工程, 2019, 41(7): 64-73.

LI Wenhua, ZHANG Junyan, LIN Shanyin, et al. The Development path of maritime autonomous surface ships technology[J]. Ship engineering, 2019, 41(7): 64-73.

[11] XU Bin, STILWELL D J, GADRE A S, et al. Analysis of local observability for feature localization in a maritime environment using an omnidirectional camera[C]//Proceedings of 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Diego, 2007: 3666-3671.

[12] ZHUANG Jiayuan, ZHANG Lei, ZHAO Shiqi, et al. Radar-based collision avoidance for unmanned surface vehicles[J]. China ocean engineering, 2016, 30(6): 867-883.

[13] LARSON J, BRUCH M, HALTERMAN R, et al. Advances in autonomous obstacle avoidance for unmanned surface vehicles[C]//Proceedings of Association for Unmanned Vehicle Systems International-Unmanned Systems North America Conference. Washington, 2007: 1484-1498.

[14] ONUNKA C, BRIGHT G. Autonomous marine craft navigation: on the study of radar obstacle detection[C]//Proceedings of 2010 11th International Conference on Control Automation Robotics & Vision. Singapore, 2010: 567-572.

[15] WANG Han, WEI Zhuo, WANG Sisong, et al. A vision-based obstacle detection system for unmanned surface vehicle[C]//Proceedings of IEEE 5th International Conference on Robotics, Automation and Mechatronics. Qingdao, 2011: 364-369.

[16] KRISTAN M, KENK V S, S, et al. Fast image-based obstacle detection from unmanned surface vehicles[J]. IEEE transactions on cybernetics, 2016, 46(3): 641-654.

[17] HEIDARSSON H K, SUKHATME G S. Obstacle detection from overhead imagery using self-supervised learning for autonomous surface vehicles[C]//Proceedings of 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, 2011: 3160-3165.

[18] MEI Jianhong, ARSHAD M R. Adaptive shorelines detection for autonomous surface vessel navigation[C]//Proceedings of 2013 IEEE International Conference on Control System, Computing and Engineering. Mindeb, Malaysia, 2013: 221-225.

[19] DONG Huiying, XU Peng, LIU Qian, et al. The water coastline detection approaches based on USV vision[C]//Proceedings of the 5th Annual IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. Shenyang, 2015: 404-408.

[20] MURPHY R R, STEIMLE E, HALL M, et al. Robot-assisted bridge inspection[J]. Journal of intelligent & robotic systems, 2011, 64(1): 77-95.

[21] HEIDARSSON H K, SUKHATME G S. Obstacle detection and avoidance for an autonomous surface vehicle using a profiling sonar[C]//Proceedings of 2011 IEEE International Conference on Robotics and Automation. Shanghai, 2011: 731-736.

[22] HAN J, PARK J, KIM J. Three-dimensional reconstruction of bridge structures above the waterline with an unmanned surface vehicle[C]//Proceedings of 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems. Chicago, 2014: 2273-2278.

[23] HUNTSBERGER T, WOODWARD G. Intelligent autonomy for unmanned surface and underwater vehicles[C]//Proceedings of OCEANS’11 MTS/IEEE KONA. Waikoloa, 2011: 1-10.

[24] PAPADOPOULOS G, KURNIAWATI H, SHARIFF A A B M, et al. 3D-surface reconstruction for partially submerged marine structures using an autonomous surface vehicle[C]//Proceedings of 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, 2011: 3551-3557.

[25] BEALL C, LAWRENCE B J, ILA V, et al. 3D reconstruction of underwater structures[C]//Proceedings of 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems. Taipei, China, 2010: 4418-4423.

[26] FEFILATYEV S, GOLDGOF D. Detection and tracking of marine vehicles in video[C]//Proceedings of 2008 IEEE International Conference on Pattern Recognition. Tampa, 2008: 1-4.

[27] WOLF M T, ASSAD C, KUWATA Y, et al. 360-degree visual detection and target tracking on an autonomous surface vehicle[J]. Journal of field robotics, 2010, 27(6): 819-833.

[28] SINISTERRA A J, DHANAK M R, VON ELLENRIEDER K. Stereovision-based target tracking system for USV operations[J]. Ocean engineering, 2017, 133: 197-214.

[29] MOU Xiaozheng, WANG Han. Wide-baseline stereo-based obstacle mapping for unmanned surface vehicles[J]. Sensors, 2018, 18(4): 1085.

[30] 張磊, 許勁松, 秦操. 無人船目標(biāo)探測與跟蹤系統(tǒng)[J]. 船舶工程, 2018, 40(8): 56-60.

ZHANG Lei, XU Jingsong, QIN Cao. Target detection and tracking system of unmanned surface vehicles[J]. Ship engineering, 2018, 40(8): 56-60.

[31] 曾文靜. 基于光視覺的無人艇水面目標(biāo)檢測與跟蹤研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2013.

ZENG Wenjing. Marine object detection and tracking of USV based on visual system[D]. Harbin: Harbin Engineering University, 2013.

[32] 時(shí)俊楠. 無人船海上目標(biāo)單目視覺檢測與跟蹤算法研究[D]. 青島: 自然資源部第一海洋研究所, 2019.

SHI Junnan. Research on object detection and tracking methods for USV based on monocular vision[D]. Qingdao: The First Institute of Oceanography, SOA, 2019.

[33] SUBRAMANIAN A, GONG Xiaojin, RIGGINS J N, et al. Shoreline mapping using an OMNI-directional camera for autonomous surface vehicle applications[C]//Proceedings of OCEANS2006. Boston, 2006: 1-6.

[34] LEEDEKERKEN J C, FALLON M F, LEONARD J J. Mapping complex marine environments with autonomous surface craft[M]//KHATIB O, KUMAR V, SUKHATME G. Experimental Robotics. Berlin, Heidelberg: Springer, 2014: 525-539.

[35] HAN J, KIM J. Navigation of an unmanned surface vessel under bridges[C]//Proceedings of the 10th International Conference on Ubiquitous Robots and Ambient Intelligence. Jeju, 2013: 206-210.

[36] KRIECHBAUMER T, BLACKBURN K, BRECKON T P, et al. Quantitative evaluation of stereo visual odometry for autonomous vessel localisation in inland waterway sensing applications[J]. Sensors, 2015, 15(12): 31869-31887.

[37] WANG S, ZHANG Yi, ZHU F. Monocular visual SLAM algorithm for autonomous vessel sailing in harbor area[C]//Proceedings of the 25th Saint Petersburg International Conference on Integrated Navigation Systems. St. Petersburg, Russia, 2018: 1-7.

[38] MA Hongjie, SMART E, AHMED A, et al. Radar image-based positioning for USV under GPS denial environment[J]. IEEE transactions on intelligent transportation systems, 2018, 19(1): 72-80.

Overview of development of unmanned-surface-vehicle sensing technology

ZHU Jiannan, YU Mengling, YANG Yixin

(School of Marine Science and Technology, Northwestern Polytechnical University, Xi′an 710072, China)

Abstract：The unmanned surface vehicle has attracted increasing interest from researchers in China and around the world due to its flexible maneuverability and role in replacing manual operations in hazardous conditions. In unmanned water driving technology systems, the sensing technology is the core component. Currently, research on this sensing technology remains in its infancy. This article reviews the research and development of unmanned vehicles and focuses its analysis and discussion on three key sensing technologies: first, target detection using unmanned surface vehicles, primarily including obstacle-detection-oriented and operation-oriented target detections; second, the target tracking; third, the real-time localization. Considering the challenges of system stability and target detection capability faced by unmanned-surface-vehicle sensing technology, the limitations and future development trends of unmanned-surface-vehicle sensing technology are considered.

Keywords：unmanned surface vehicles (USV); remote sensing; motion planning; target detection; target tracking; navigation; localization

DOI:10.11990/jheu.202007111

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1390.u.20200904.1056.002.html

中圖分類號：U666

文獻(xiàn)標(biāo)志碼：A

文章編號：1006-7043(2020)10-1486-07

收稿日期：2020-08-05.

網(wǎng)絡(luò)出版日期：2020-09-07.

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(51679204)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(3102019HHZY030019)；國家重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(SKLA201906，SKLA202003).

作者簡介：朱健楠, 男, 博士研究生；

楊益新, 男, 教授, 博士生導(dǎo)師.

通信作者：楊益新，E-mail: yxyang@nupu.edu.cn.

往期推薦閱讀

往期熱文（點(diǎn)擊文章標(biāo)題即可直接閱讀）：