1）激光雷达感知
Gal等提出了一种多目标自动算法，用于激光雷达传感器在具有干扰杂波的海洋环境中USV上获取、识别和跟踪目标。在该工作中提出了几种杂波模型和公式来处理杂波现象。使用概率假设密度（probability hypothesis density，PHD）贝叶斯滤波器，用于多目标跟踪功能。
LIDAR传感器在海洋环境中的主要局限性与杂波有关.使用VelodyneHDL 64E3D-LIDAR提供三维范围扫描。
图7.13为激光雷达的扫描结果，可以发现水面有明显的杂波。
目前对于海杂波的处理有三种：第一种是一维随机模型处理方法，海面上存在两种波，表面张力波和重力波，他们的概率密度函数分别为Gamma型和Rayleigh型。但一维模型在实际处理时很难直截了当地确定概率密度函数，而增加未知参量会导致算法变得过于复杂；第二种方法是纹理实现，使用神经网络技术提取海杂波的特征进行分析，得出屏蔽滤波器，但这种方法需要足够多的数据建模及验证；第三种是混沌模型法，通过建立混沌模型的方式验证杂波的非随机性，但这个方法还需要对数据做进一步的验证。
图7.13 激光雷达的扫描结果
多目标跟踪问题的目的是在存在杂波的情况下基于被噪声破坏的对象的测量值来估计未知数量的对象的状态。解决该问题的经典方法是将随机滤波器（例如卡尔曼滤波器或其变体）应用于每个对象，并使用诸如最近邻域数据关联的数据关联技术来为每个对象分配适当的测量值并且分别跟踪每个对象。另一种更好的方法是将多对象集视为单个元对象，将传感器接收的测量值视为一组测量值，并将其建模为随机有限集（random finite set，RFS）。这允许在存在杂波的情况下估计多个对象，并且在贝叶斯过滤框架中投射任何数据关联不确定性。由于其计算复杂性，最优贝叶斯多目标跟踪尚不实用。替代方案是PHD滤波器，其传播完整多物体后验分布的一阶统计矩。原始算法是难以处理的，因此采用了传播后强度的递归算法，其涉及高斯混合。他们使用1.8 GHz Intel Core CPU在Velodyne LIDAR的记录数据模拟中测试了他们的算法。
Velodyne HDL-64E通过围绕其垂直轴旋转64个光束阵列，每秒产生约120万个点，提供3D范围扫描。通常，传感器安装在移动平台的顶部，提供在水平方向上具有完整市场的范围扫描。在LIDAR不稳定的情况下，使用IMU测量补偿USV的横摇和垂荡，GPS位置测量结果也是激光雷达输入的一部分。在水平方向上，阵列提供360°视场（field of view，FOV），角分辨率约为0.09°。垂直方向，俯仰角的范围在-24.8°～+2°。VelodyneHDL-64E激光雷达可以从100 m的距离探测到1 m长的目标，其测距精度通常在10 cm以内。
使用均值漂移技术对范围图像进行分割。它包括两个步骤：对原始范围图像数据进行平均漂移滤波，然后对滤波后的数据点进行聚类（即确定质心和区域中心的位置，再确定质心和区域中心的平均位移矢量）。利用分段聚类的质心作为测量Z轴值以更新PHD滤波器预测，并进行收敛。平均偏移量与核得到的归一化密度梯度估计成正比。
图7.14左图原始图像，右图均值漂移算法结果。
图7.14 均值漂移算法的第一个测试例
图7.15左图原始图像，右图均值漂移算法结果。
图7.15 均值漂移算法的第二个测试例
分别在两个测试例上演示了均值漂移算法的实现。未来的工作将集中在测试对海上记录的处理，以及进行使用激光雷达传感器和PHD滤波器的海上外场实验，对集成到小型USV中的算法效率和功耗进行测试和验证。
2）无线电雷达感知
适合于嵌入式舰船雷达目标监测系统的雷达图像目标监测算法。该平滑算法可以在噪声、边界和背景区域自适应选择滤波器，提高了效率和平滑效果。在迭代门限的基础上，通过直方图选择公差系数，保证了分割算法的鲁棒性。在连接元素标记后，可以从雷达图像中提取位置、面积和不变矩特征。
在海洋中雷达目标监测分为图像处理和特征提取两部分。雷达图像处理包括图像平滑和分割。通过图像平滑可以抑制由海杂波和内部噪声导致的特征提取误差，提高目标监测的准确性。图像分割的目的是使目标和背景值的灰度具有明显的差异，从而将目标与雷达图像分离。雷达目标提取包含目标标记和特征提取。通过分割雷达图像的连接元素标记，可以提取目标的位置和区域特征。目标识别也应该具有尺度，平移和旋转不变性，因此不变矩是目标的另一个主要特征。
图7.16为几种典型的海洋雷达图像，分别用于湖泊雷达图像（图7.16a）的避障测试；离港雷达图像（图7.16b）；海岸雷达图像（图7.16c）和海上避障轨迹雷达图像（图7.16d）。
图7.16 几种典型的海洋雷达图像
在船用雷达的工作过程中，雷达信号可能会受到很多杂波的干扰。虽然雷达信号会滤除接收器中的大部分干扰以恢复真实图像，但雷达图像的采集和保存可能会增加新的噪声。目标和噪声的灰度级相对接近，因此仅使用阈值分割方法难以获得满意的结果。图7.17显示了原始图像的分割结果。
结果中出现的许多错误细节（如假目标点，连接点或间断点）可以从图7.17b中看出，四个雷达图像中的噪声可能导致目标监测错误甚至失败。因此，应在目标监测和跟踪之前平滑雷达图像，以减弱噪声影响。
图7.17 原始图像的分割结果
平滑算法的可靠性和实时性对于图像处理非常重要。当中心像素受到干扰时，均值滤波器无法实现有效平滑。中值滤波器可能会导致图像边缘和细节模糊，并且计算量很大，很难满足实时要求。考虑到上述因素，他们综合了各种图像平滑算法的优点，改进了一种用于海洋雷达图像处理的实时平滑算法，通过自适应选择滤波方法提升滤波的效率。
在灰度值变化适中的区域（如背景和目标内部），并行中值滤波器不会损坏图像，当通过邻域的边界时，邻域中每个像素的灰度值会更大，均值滤波器可以抑制模糊边界效应。
第1步：计算3×3邻域中的平均值M和标准差σ。
第2步：如果灰度值变化较大，则转步骤3，否则转步骤4。
第3步：选择均值滤波器，转步骤5。
第4步：选择并行中值滤波器，转到步骤5。(www.xing528.com)
第5步：过滤后用灰度值替换邻域中心的灰度值。如果当前点是最后一个像素图像，则算法终止；否则转到步骤1验证算法的有效性。
对上述4图进行处理后发现，快速自适应滤波算法可以抑制原始雷达图像采集噪声的影响。自适应选择滤波算法可以保持图像清晰度和边缘细节，保证图像分割的准确性。同时，与传统的中值滤波算法相比，计算时间控制在0.25s以内，提高了计算效率，满足了系统的实时性要求。
在海洋雷达图像中，每个图像的回波强度可能不同因而导致图像亮度变化。雷达图像直方图双峰特性不明显；同时同一帧内的不同目标的亮度可能不同。基于这些特征，简单的单阈值分割并不能够很好地反映图像的特征，因此需要进行多阈值分割。根据海洋雷达图像的特点，他们采用自适应双阈值分割算法。
选择初始阈值T0，将雷达图像段分为前景和背景两部分。计算两个区域的灰度平均值μ1和μ2，并选择μ1和μ2的平均值作为新阈值。连续进行迭代计算，直到μ1和μ2的值不再变化。
图7.18为对上述4张雷达图处理后的结果，自适应双阈值图像分割算法取得了良好的效果。在保持目标完整性的基础上，该算法完成雷达图像二值化，可以更好地适应同一帧和帧间亮度的变化。二值化结果没有缺失和错误现象。
图7.18 雷达图处理结果
平滑和分割后的雷达图像，需要选择一个合适的连接元素标记算法，它可以标记属于相同连接元素的所有像素为相同值。海洋雷达图像目标监测系统具有很高的实时性要求，因此需要能够在短时间内完成有效的标记算法。本文采用了高的执行效率算法，结合了线标记和区域增长算法的优点。
该算法仅搜索附近两行种子段，将每个像素邻域的区域生长算法表示为8个种子点判断结果，大大提高了计算效率。同时该算法不会出现相同的连接元素标记冲突问题。
无论图像是简单的还是复杂的，算法都可以成功地对所有目标进行标记。即使图像复杂，计算时间可以控制在0.15 s以内，系统可以更好地满足实时性的要求。同时，该算法可以在一次扫描中完成所有的连接组件标记。
最后对这些目标提取计算不变矩，该算法在实际的USV海洋雷达图像目标监测中得到了验证。结果表明，基于上述算法的方法在基于USV船用雷达的实时目标监测系统中运行良好，对于目标监测任务是可行和有效的。
3）声呐感知
声呐是最常见的水下探测装置，在USV中，也有着非常好的应用价值。
这一部分将介绍用于USV障碍物监测和避障的机械扫描剖面声呐的实验研究。从回声返回中提取障碍物信息。通过模拟（由现场收集的数据）证明了USV仅依靠声呐数据导航并避开湖泊和港口环境中的障碍物的可能性。
与基于视觉的方法相比，声呐对照明条件没有要求，而相机可能无法正常工作。某些天气条件（例如下雨）会降低基于激光测距仪或基于相机的侦测方法的可靠性。
在USV上，声呐的工作地点就在水-气边界下方，这会导致一些问题。水体表面附近的热梯度会导致声呐难以精确测量。与此同时，USV在水面运动时会有横摇和纵摇，这导致声呐波束的方向会不断变化。经验表明，在水体表面收集的声呐数据比在深水收集的数据更嘈杂，这要求声呐数据处理对噪声具有鲁棒性。
在USV上安装前向单束机械扫描剖面声呐，剖面声呐具有锥形波束，非常适合监测与USV相关的近水面障碍物。AUV通常配备有成像声呐或具有扇形光束的侧扫声呐。但扇形波束对于USV并不是十分合适，因为它会从水底得到回波，但USV并不关心船体下方的情况，同时扇形波束的声呐可能在浅水中不能很好地工作。当在未知区域（例如港口或靠近珊瑚礁或河岸）移动时，声呐可以指向前方，然后在被认为安全的区域中重新定位以进行剖析。虽然先期研究的是单波束声呐，但通过引入多波束声呐应当可以提升性能，因此在算法中对多波束情况进行了兼容考虑。
声呐通常以矢量的形式返回数据，其中每个元素对应于给定时间间隔的回声返回强度，这个距离是根据回声的飞行时间来确定的。间隔沿着声呐的配置范围等分，声呐范围可以通过改变声呐的频率和脉冲长度以及一些信号处理参数来改变。
对于声呐的回波信号处理方式为：首先，将回波信号分成低强度值和高强度值。与分割图像类似，创建一个平滑的数据直方图，并查看分布模式。通常在低回波强度下存在一个显著的模式。如果声呐波束中有目标，通常也会有一些较小的模式。在数据中找到第二大模式，并在初始模式和第二模式之间选择一个阈值。如果数据中只有一个模式，将查找第一个平台并使用其位置作为阈值。（第一非负差值）。利用所选值对声呐返回数据进行阈值处理。然后求出被一些小值分隔开的局部极大值。
为了确保不会出现例如由于湍急的水体所引发的零星的高回声，将与之前的声呐返回进行比较。对两个返回以及整个返回的窗口位置应用相似性度量。使用相似性度量的比值作为被监测障碍的置信度量。如果最大值是零星出现的，则不应在两个回波信号中出现，因此相似性较低。
然后根据返回信号数和上述影响距离的声呐波参数计算出障碍物的距离。最后，利用USV的GPS定位、IMU的方位信息和探测到障碍物时声呐头的角度，求出障碍物在全局坐标系中的坐标。
多波束声呐可以一次返回整个扇形极坐标图像，而单波束声呐只能一次测量一个角度。声呐头通常是可机械旋转的，因此可以在多个角度进行测量，一次一个角度。这样做的一个缺点是声呐在收集周围环境时的扫描速度相对较慢，尤其是采用窄锥形声呐波束时更为明显。为了解决这个问题，可以将声呐的扫描扇区限制为仅在USV前扫描。这可以通过用USV的速度改变扇形宽度来进一步解决，当快速移动时使扇区更窄，并且当移动慢时扩大扇区，这样做来保持USV前面的扫描之间行进的距离相对恒定并且在安全的情况下从周围环境中收集更多数据。
该扫描策略的另一个补充是在USV上安装高级控制器或避障算法，根据目标位置向声呐提供方向提示。例如，如果USV正向着某个长障碍物行驶，由于障碍物阻挡而无法笔直朝目标方向行驶，则可以将扫描扇区稍微对准障碍物而不是直接对着。这将更好地覆盖障碍物，并可能减少遗漏扫描到障碍物中可穿越间隙的机会。
实验平台是由南加州大学机器人嵌入式系统实验室设计的USV，长度为2.1 m，最宽处为0.7 m。USV由两个电动马达和方向舵驱动，速度可达1.6 m／s。USV配备板载1.6 GHz Intel Atom计算机。对于导航方面，它配备了u-blox EVK-5H GPS装置，位置刷新率为2 Hz，Microstrain 3DM-G惯性测量装置，内置磁力计／指南针，采样频率为50 Hz。USV还具有wi-Fi以与其他USV进行通信并方便对其进行操作。为了操作安全，USV配备了RC故障安全装置，因此操作员可以在必要时始终通过遥控器接管控制装置。扫描使用的是Imagenex 881L型声呐，其扫描范围在1～100 m。
图7.19 实验识别的Echo Park湖中的结果图
在洛杉矶的Echo Park湖中进行了测试，湖的北方有一些在水中的链接于浮点上的网，会影响USV的顺利通过，而水面照相机和激光测距仪很难识别它们。实验结果可以发现声呐正确地探测到湖岸。同样值得注意的是，在湖的北端，声呐探测到网和浮子并正确识别为障碍物，因此证明了使用声呐进行障碍物感测的一个好处。如图7.19所示。
随后在加利福尼亚州雷东多海滩的King Harbor Marina河口进行了进一步的实验，先行通过声呐进行采样，最后在岸上后期进行数据识别。港口有许多由支柱支撑的浮船坞，以及墙壁、岩石堤岸和船只，相比于湖面，更多船只的环境要更复杂；另一个不同之处在于由于波浪作用导致的USV倾斜，但实验结果显示这对监测环境中的障碍的能力没有显著影响。如图7.20所示。
图7.20 在GoogleEarth的卫星图像上绘制的监测到的障碍物
上图显示了在GoogleEarth的卫星图像上绘制的监测到的障碍物。监测到的障碍物与图像之间存在良好的匹配，除了被圈出的标记点外，几乎没有虚警，这显示了该算法对于噪声的有效抑制。被圈出的标记点代表经过的大型船只的回波返回，由于船只的速度低，因此连续测量一致，所以识别为障碍物。
通过对外场实验数据的分析，验证了声呐扫描障碍物系统的可行性，且该系统对于水下障碍物的识别具有得天独厚的优势。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
