海洋智能无人系统的测试工具和传感结构

1）REMUS AUV和Sea Fox USV

远程环境监测单元（remote enuronmental monitoring unit，REMUS）是由伍兹霍尔海洋研究所开发的AUV，由Hydroid，LLC进行商业销售。NPSCAVR拥有并运营两辆REMUS 100航行器，用于支持海军资助的各种研究项目。REMUS 100是一个模块化，直径为0.2 m的AUV，被设计用于在100 m深的沿海环境中作业。典型的配置长度小于1.6 m，重量不到45 kg，这使得整个系统可以很容易地在全球范围内运输并由两人小组部署（图11.10a）。REMUS主要用于水文测量，配备了侧扫声呐和其他用于收集海洋数据的传感器，如电导率、温度、深度或光学后向散射传感器等。REMUS 100系统使用一对外部转发器进行导航，用于长基线声学定位或超短基线终端归位，同时也使用声学多普勒电流剖面仪／多普勒速度测井（ADCP／DVL）进行导航。ADCP／DVL测量航行器固定坐标中的航行器高度、相对地面或水的航行速度和当前速度曲线。

为了支持正在进行的基于声呐的OA、地形相对导航和在杂乱环境中的多航行器操作的CAVR研究，对每个NPS REMUS航行器进行了改进，使其包含FLS、多波束测深声呐、声学通信调制解调器、导航级惯性测量系统，和用于悬停或精确操纵的前或后水平或垂直交叉体推进器。图11.10b提供了取下鼻盖的NPS REMUS FLS阵列的特写镜头。为了使REMUS系统作为研究平台的实用性最大，Hydroid开发了RECON通信接口，以便传感器有效载荷和计算机有效载荷能够与REMUS自动驾驶仪交互。使用该接口，NPS可有效载荷接收航行器传感器数据，并根据NPS声呐处理、轨迹生成和路径跟踪算法生成自动驾驶仪命令。

图11.10　NPSREMUS100

Sea Fox USV由华盛顿州西雅图设计和制造，作为情报、监视、侦察、反恐部队保护和海上拦截作战的远程控制平台。Sea Fox是一艘长4.88 m的铝制硬壳充气船，配有1.75 m长的横梁、0.25 m的吃水深度、折叠式通信桅杆和全封闭的电子设备和发动机舱。Sea Fox的喷水推进系统由JP5燃料，185-HPV-6 Mercury Racing发动机提供动力，最高速度可达74 km／h。标准传感系统包括三个日光和三个用于远程操作的低光导航摄像机，以及用于视频监控的双日光和红外陀螺稳定摄像机转台。所有视频都可以通过无线网络利用两个板载视频服务器进行访问。

通过将有效载荷计算机与主自动驾驶仪集成，修改了NPS Sea Fox以实现完全自主操作（图11.11）。同时，保留原有的遥控链接以提供紧急停止功能。在有效载荷计算机上运行的NPS算法生成方向舵和油门指令，这些指令直接发送到Sea Fox自动驾驶仪。最近的导航升级包括使用GPS导航服务获得精确航向信息的卫星罗盘、用于精确姿态估计的战术级惯性测量装置和用于水速度测量的可选ADCP／DVL。为了支持CAVR对自主河流导航的持续研究，NPSSea Fox进一步升级为可以部署可伸缩、杆式安装的FLS系统，用于水下障碍物探测和规避。图11.12显示了在河流上运行的Sea Fox USV其声呐系统在水线以下部署。

图11.11　Sea Fox传感器和控制结构

图11.12　Sea Fox USV在加利福尼亚州里奥维斯塔附近的萨克拉门托河上航行

2）声呐系统

NPS REMUS和Sea Fox航行器依靠FLS探测和定位其环境中的障碍物。两个平台都使用由Blue View Technologies制造的商用闪耀阵列声呐系统。这些声呐系统由一对或多对阵列组成，这些阵列组成声呐的“头”。每个声呐头在极坐标中生成水柱的二维横截面图像，通常绘制为图像平面的视场角度与范围的关系。由于声呐阵列的波束具有一定宽度，因此得到的FLS图像具有12°的平面外模糊度。REMUS FLS系统由两个固定声呐头组成，提供90°水平视场（field angle of view，FOV）和45°垂直视场。同样，Sea Fox FLS系统由安装在左舷和右舷平移／倾斜执行器上的双声呐头组成，在可调安装方向上为每侧提供45°FOV图像，通过扫过水柱以增加传感器覆盖范围。

3）避障框架

图11.2和图11.3结构中构建的OA框架如图11.13所示。它由环境地图、规划模块、定位模块、传感器和执行器组成。环境地图可以包含先验知识，例如绘制水下障碍物的位置，还可以包含声呐发现的意外威胁。在定位模块的帮助下，最终在航行器中心坐标系中解决所有障碍物的位置。规划模块负责生成航行器应遵循的无碰撞轨迹。该参考轨迹可能与参考控制一起用于激励执行器。

(www.xing528.com)

图11.13　NPSOA框架的组件

提出的OA框架支持谨慎性和反应性避障行为。谨慎性OA涉及生成和跟踪轨迹的能力，该轨迹避免了任意起始位置和期望目标位置之间的所有已知障碍，而反应性OA涉及避免在跟踪该轨迹时监测到任何先前未知障碍的能力。由于声呐系统不断地对环境进行重新采样，只要：①它的执行速度足以包含来自声呐的所有新障碍物信息；②它能产生从航行器当前状态向量开始的可行轨迹，就可以通过规划器实现这种反应行为。具体来说，由于REMUS和Sea Fox FLS在两个图像平面中的范围有限，视野有限，因此在执行当前操作期间必须连续生成新的轨迹（例如，在固定的时间间隔或在监测到新障碍物时）以确保对新障碍的反应性。

假设REMUS航行器在排雷行动前用侧扫声呐绘制雷区图，对于该任务，目标位置由典型割草调查模式组成的航点序列提供。如果沿着指定的轨道线监测到障碍物，则此任务的首选OA操作是最大限度地减少与该轨道线的累积偏差，因为希望测量区域的传感器覆盖率达到100%。因此慎重的OA意味着一些性能指标的优化。同样，虽然数字航海图或以前的工具调查可以用来预先确定一些障碍物，但这些数据通常是不完整或过时的。航行器应该能够将在任务中发现的任何未知障碍物的位置存储在存储器中，以便后续的轨迹可以避开这些障碍物，即使它们不再位于声呐的当前视场中。因此，谨慎OA还需要创建和维护障碍地图。

4）避障物监测和测绘

从声呐图像中探测障碍物是具有挑战性的，因为若干因素影响声呐对水柱中物体的反射强度。这些因素包括物体相对于声呐头的尺寸、材料和几何结构、来自其他声学传感器的干扰，以及声学背景的组成（例如底部类型、沉积物量等）等。一旦监测到障碍物，其他图像处理算法必须测量其大小并计算其在导航参考系内的位置。虽然通过嵌入在声呐图像中的范围和方位数据来定位障碍物很简单，但是计算障碍物的真实尺寸非常困难。首先，对于REMUS FLS只有当障碍物位于航行器正前方12°×12°的狭小“窗口”内时，两个声呐头才能直接测量障碍物的高度和宽度。由于波束宽度较窄，大多数障碍物不能同时被水平声呐和垂直声呐成像。此外，FLS图像不包含障碍物前沿后面区域的信息，由于该部分图像被遮挡，因此必须从同一物体的多个视图中推导出每个障碍物的真实水平和垂直范围。对于像RENUS带有固定传感器的航行器，可以通过故意诱导航行器运动来改变声呐角度或通过生成轨迹来实现，该轨迹将在稍后的时间内从不同位置成像。对于这些情况，需要平衡OA行为和探索行为以最大限度地扩大传感器覆盖范围并生成更完整的障碍地图。这样，提出的轨迹生成框架就可以产生更精确地测量探测到的障碍物大小和范围的探索轨迹。然而，由于环境因素、传感器几何结构或障碍物遮挡导致声呐图像的不确定性，在获得其他信息之前，谨慎地对障碍物边界进行保守假设。

在本节的其余部分中，将重点介绍了将障碍物大小、位置和不确定性合并到障碍物地图中的不同表示，以便在轨迹优化阶段进行有效的碰撞监测。这些表示可以根据工作环境进行定制。例如，对于在海带森林中进行的作业，海带茎秆通常在水平平面声呐图像中显示为点状特征（图11.14），但很少在垂直平面图像中显示。通过合理假设（对于这种环境），这些障碍物从海底垂直延伸到水面，在这种障碍物场景下执行水平面OA可能更简单。然而，当构建主要由点特征组成的障碍物地图时，映射算法必须考虑到声呐图像固有的不确定性。一种简单但有效的方法是为存储在障碍物图中的每个点特征上添加球面（3D）或圆形（2D）不确定性边界。穿透这些边界的候选OA轨迹违反了约束式（11.7）。在此结构下，碰撞监测计算简化为一个简单的测试，以确定离散化轨迹中的线段是否与地图中每个障碍物的不确定圆（2D）或球体（3D）相交。一般来说，在检查线段与圆或球体的交叉时，需要考虑五种不同的测试案例。然而这里的应用只需要两个计算上有效的测试来确定：①沿离散化轨道的哪一条线段包含到障碍物的最接近点（CPA）；②该CPA是否位于障碍物的不确定性界限内。

图11.14　海带森林的水平FLS图像

图11.15　保守碰撞监测计算中使用的边界框示例

大多数物体不是以点为特征而是以复杂的形状出现在声呐图像中。与点特征不同的是，要完全确定候选航行轨迹是否会与这些形状发生碰撞，既困难又昂贵。相反，可以用一个最小面积矩形（或3D方框）来绑定任意形状物体，该矩形与物体的主轴对齐（图11.15）。这种类型的物体称为定向边界框，广泛应用于视频游戏的碰撞监测算法中。基于从复杂几何体中分离轴定理的一种技术，对带有定向边界框的线段交叉点进行了非常快速的测试。稍微修改一下，这个测试也可以用来监测轨迹何时直接通过边界框上方。在该应用中，使用Open CV计算机视觉库在水平图像平面中监测到的每个对象周围生成一个边界框，然后计算每个盒子相对于航行器导航框架的中心点、长度范围和角度。由于遮挡，此矩形产生的宽度范围不能准确地表达障碍物的真实大小，因此假定此参数为常量。为了在物体周围创建一个三维（实际上是2.5D）边界框，根据垂直声呐图像计算其垂直范围。此时，假设障碍物从海底延伸至其底部以上的测量高度，该方法可推广到悬浮在水柱中的障碍物或从水面延伸至测量深度的障碍物（即海港中的船舶）。

虽然定向边界框适用于在开阔水域环境中绘制离散障碍物，但它们需要额外的图像处理步骤，并且不容易适应受限水道中的作业。对于这些环境，概率占用网格更适合于对大型连续障碍物（如港口防波堤）或自然地形（如河岸）进行鲁棒映射。占用网格将环境划分为一个单元格网格，并为每个单元格分配被障碍物占用的概率。给定一个概率传感器模型，利用贝叶斯定理计算了基于电流传感器数据的给定单元被占用的概率。通过扩展，可以使用包含所有先前测量的迭代技术来不断更新每个单元的占用状态估计。图11.16a显示了Sea Fox FLS系统生成的河流占用网格图。在这幅图像中，每个像素对应一个1 m2的网格单元，其颜色表示该单元被占用（红色）或空（绿色）的概率。为了比较，占用网格图的插入部分覆盖了图11.16b中定向边界框的障碍图。显然，随着越来越多的框的需要，使用离散边界框来表示一条长的、连续的海岸线很快变得难以处理。占用网格框架是一种更有效的障碍物图表示，适用于受限水道中的广域作业。

图11.16　Sea Fox FLS系统生成的河流占用网格

NPS已经为BlueView FLS开发了概率声呐模型，并成功地组合了单独的二维占用网格，以便重建由REMUS UUV水平和垂直声呐阵列成像的障碍物的三维几何结构。使用这个占用网格框架，每个候选轨迹的障碍物碰撞风险都是使用它所经过的网格单元的占用概率（直接查找操作）来计算的。OA的轨迹优化需要最小化整个轨迹上的累积碰撞风险。