《自主水下机器人实时避碰方法》聚焦于如何设计一个完整的AUV实时避碰系统，分别介绍实时避碰系统中涉及的各个部分，主要包括：如何根据不同类别避碰声呐输出信息进行避碰场景的表达和判断(第2、3章)；如何根据避碰场景和系统状态实时决策避碰行为(第4、5章)；如何实时更新地图并进行实时路径规划(第6章)；*后，针对避碰性能评价提出一种实时避碰能力的定量评价方法(第7章)。

1 绪论
1.1 引言
国际机器人联合会(International Federation of Robotics，IFR)将机器人定义为一种半自主或全自主工作的机器，它能完成有益于人类的工作。其中应用于水下环境的机器人称为水下机器人。水下机器人以操作者(人)与被操作对象(机器人水下载体)之间的相对位置可以分为三类：人位于机器人载体内部(属直接操作方式)称为载人潜水器(human operated vehicle，HOV)；人在机器人载体外部(如母船上)通过脐带缆操作则称为遥控水下机器人(remotely operated vehicle，ROV)；由载体内的计算机控制系统代替人自动/自主操作称为自主水下机器人(autonomous underwater vehicle，AUV)[1]。AUV是一种具有独立推进系统、传感器和自动驾驶单元，能够在极少干预或无人干预下自主完成采样、测量等任务的智能水下运载/作业平台。与HOV和ROV相比，AUV更适用于搭载探测传感器和采样工具进行大范围、远距离的探测与作业。
历经数十年的发展，AUV单体技术日趋成熟，市场上在售的中小型AUV能自主执行大部分探测类任务(即以搜集数据为主，不使用作业工具，不采集水样)。但是目前AUV产品的智能水平和适应复杂海洋环境的能力还非常有限；即使具备自主避碰能力，也多仅能应对障碍稀疏(探测范围内仅有一个障碍)的简单场景。未来随着各种应用需求的日益增长，对AUV复杂环境适应能力要求将越来越高：从已知地图、平坦海底区域向近岸、近海底的未知复杂地形海区扩展。实际未知环境给AUV引入大量不确定性，其中对其产生昀大危险的是未知障碍。那些海底突起的山脊、珊瑚礁、沉船、水雷、系泊平台、人工结构物，以及潜艇、大型海洋生物都可能给AUV带来致命的伤害。如何规避实际海洋环境中的未知障碍是制约AUV广泛应用的关键问题之一。
机器人要实时躲避未知障碍，必须具备两种能力：一是感知和识别环境中障碍的能力，即环境建模——处理和融合探测传感器数据、提取和描述障碍物特征、更新环境地图；二是以实时环境中的障碍为约束进行避碰决策和规划的能力，即实时避碰规划——为避开未知障碍不断规划机器人运动行为的过程。两者紧密相连，环境建模是基础和前提，为实时避碰提供实时障碍物约束；实时避碰是核心，根据障碍物约束、系统当前状态，以优化的方式选择避开障碍物的行为。
实际未知环境中的环境建模与实时避碰是智能机器人面临的共性难题。目前，针对结构化、准结构化环境中的实时避碰技术已取得显著进展，一些智能移动机器人已具备在室内或道路环境中自主执行任务的能力。但是，AUV与移动机器人、无人机等其他智能机器人相比，具有一定的特殊性。首先，AUV的作业空间是一种典型的非结构化的三维动态空间，空间尺度可达几十公里乃至数百公里，空间中的障碍物有的是有规则外形的结构物，有的是不规则的复杂洋中脊地形，此外还存在海流、潮汐、内波、风暴潮等其他未知因素。其次，AUV所携带的探测传感器受外界环境影响较大，传感器感知信息存在较大的不确定性。比如海水温度、盐度的变化将导致声速的不确定性，进而影响声呐探测距离等。另外，AUV多属于欠驱动的载体，虽然其运动是三维空间的六自由度运动，但可控自由度通常只有三到四个(没有横滚角和侧移控制)，使得避碰行为执行的效果具有不确定性。AUV通常也没有悬停能力，不能像移动机器人遇到危险障碍时可以紧急刹车、停下来看清楚后再决定向哪个方向前进，AUV必须在航行过程中决策和执行避碰行为。由此，AUV环境建模与实时避碰方法研究更具有创新性且面临非常大的挑战。
实时避碰是指AUV基于传感器信息在线判别前方是否有阻碍航行的障碍，若发现障碍则制订出规避障碍的行动方案。因而，实时避碰是AUV具有环境适应能力的一种具体体现，也是其在未知海洋环境中作业所必需的一种智能行为能力；它不仅关系到是否能顺利完成作业使命，而且直接关系到AUV自身**。因此，无论是从实际应用前景还是从理论研究意义方面看，AUV实时避碰方法都具有重要的研究价值。
实时避碰是利用环境传感器提供的局部环境信息产生下一时刻机器人期望行为的决策过程。它的前提是AUV在航行过程中具有感知和识别环境变化的能力，这取决于避碰传感器及其数据融合方法。它的核心是基于传感器信息的在线行为决策或轨迹规划，这取决于实时避碰规划方法。由此，一个完整的AUV实时避碰系统包括避碰传感器、传感器数据处理和实时避碰算法三个部分。避碰传感器是AUV感知环境变化的手段，数据处理用于从传感器数据中获得可靠的障碍信息，实时避碰算法是应用实时障碍信息实现躲避障碍、到达给定目标的方法。本章将从上述三个方面分别概述国内外发展现状。
1.2 AUV避碰传感器
避碰传感器是AUV探测障碍的手段，是实现实时避障行为的前提和基础。在航行过程中AUV完全依赖避碰传感器提供的数据来确定是否出现阻碍其前行的障碍和障碍的基本信息。避碰传感器单位时间内所能提供的信息量将直接影响实时避碰的结构和方法。在AUV实时避碰过程中，避碰传感器起着举足轻重的作用。
声波是目前在海洋中**能够远距离传播的能量辐射形式，因此声呐是常用的AUV避碰传感器。按照功能可将声呐划分为测距声呐、机械扫描声呐和多波束成像声呐。早期测距声呐(有时把高度计用于测距)是AUV常用的避碰传感器。2010年以后，随着成像声呐技术和产品的成熟和不断发展，机械扫描声呐和多波束图像声呐(可统称为成像声呐)更多地应用于AUV避碰系统之中。近年来，大多数AUV选用多波束图像声呐作为避碰传感器。
1.2.1 测距声呐
测距声呐通常是指主动发射单个波束、能够测量波束范围内*近障碍的相对距离的回声测距仪。如图1.1所示，测距声呐波束以换能器为**，呈一定开角的圆锥状向外辐射，当遇到障碍时产生回波，通过计算接收回波的时间测算与障碍的距离[2]。因而，测距声呐只输出障碍距离信息。由于测量方向的单一性，测距声呐多成组使用，且以矢量布置在AUV艏部居多。例如，7个开角为10°的测距声呐可覆盖AUV正前方向.35°至35°的范围；艏部布置4个、艉部布置2个可实现前后照应[3]。
图1.1 测距声呐工作原理[2]
测距声呐具有简单、经济、实用等优点。根据测距声呐输出的与昀近障碍的距离信息可直接判断该方向上碰撞的危险度，而无须复杂的处理过程。因此，测距声呐在早期的AUV避碰中应用较多。但是，每个测距声呐只能获得一个固定方向上的障碍距离信息，要让AUV具有覆盖整个前进方向的视野，需要在空间布置多个测距声呐才能实现。而随着测距声呐个数的增加，所需的安装空间也增大。此外，测距声呐在实际海洋环境中虚警率较高，会导致AUV频繁误入避碰状态的问题。
1.2.2 机械扫描声呐
机械扫描声呐(图1.2)采用机械旋转装置使得波束旋转起来，能完成整周360°的扫描；将每次扫描所获得的信息拼接到一幅声呐图像上，则呈现出扫描平面上障碍的基本信息。Kongsberg Maritime EM 2000和英国Marine Electronics Ltd.生产的Dolphin Model 6201声呐即属于这类声呐。
通过对机械扫描声呐图像的融合处理，不仅可以获得障碍的距离信息，还可以提取出障碍方位和声呐波束内的障碍轮廓信息等。机械扫描声呐用于避碰的缺点是扫描一周的时间较长，使得AUV正前方向数据更新较慢，难以满足高速航行时实时判断AUV航行方向**的需求。另外，如图1.2(b)所示，声呐的工作原理使其“看”近处的、较小的障碍没有阴影，“看”远处的、较大的障碍可能有阴影，在接近海底或障碍时视距会变得非常小。
图1.2 机械扫描声呐工作原理[4]
1.2.3 多波束图像声呐
为了在距离和角度方向上均获得更高的分辨率，多波束成像技术不断发展，并在近些年逐渐发展成为小型化低功耗的多波束成像声呐产品。如图1.3所示，波束多个换能器之间相差较小的角度，通过触发多个换能器发射较窄的波束达到覆盖一定角度范围的目的。因而，多波束图像声呐可实时获得开角范围内回波强度的伪彩色处理的图像信息。据此，通过声呐图像处理算法可提取出障碍的位置、轮廓等信息。
图1.3 多波束图像声呐原理图[2]
与机械扫描声呐相比，多波束图像声呐的优点是显而易见的：多个波束同时测量使得实时性更好，并且不同波束对同一物体的回波处理也使得测量分辨率和准确性更高。当然，多波束声呐输出图像需要专门的采集和处理系统来实现实时障碍判别，但这在微处理器运算和存储能力日益强大的今天是没有问题的。多波束图像声呐已成为当今AUV避碰传感器的**。
1.2.4 其他避碰传感器
除上述声学传感器外，一些研究者也尝试将其他原理的传感器用于水下机器人避碰，如红外传感器[5]、水下摄像机[6]、激光测距仪[7]、超声传感器[8]等。但由于这些传感器在水下的作用距离比较有限——例如，水下摄像机在良好水质中**作用距离仅十几米，在浑浊水质中可视距离可能仅有1～2m；超声传感器在水中作用距离是几英尺(1英尺=0.3048米)——常在室内水池试验中用于验证避碰方法，而无法在实际海洋中作为AUV避碰传感器应用。
1.2.5 小结
每种声呐都有自身的优势和局限。表1.1为测距声呐、机械扫描声呐和多波束图像声呐的典型货架产品的主要技术指标对比。从表中可以看出，声呐的**探测距离主要由工作频率来决定，通常来说工作频率越高，**探测距离越小。
因而在选择避碰传感器时，首先应根据水下机器人的巡航速度测算所需的昀大探测距离，从而选定声呐的工作频率。
表1.1 三类声呐避碰特性对比
测距声呐和机械扫描声呐在距离分辨率指标方面具有优势，但是对于识别较大尺度的水中障碍物来说意义并不大。它们结构简单、尺寸较小，在2010年以前是AUV的主流避碰传感器。后来随着多波束图像声呐技术的成熟，并考虑到其低功耗、小型化的特点，目前越来越多的AUV采用多波束图像声呐作为避碰传感器。而基于声呐图像的障碍自主判别对AUV的处理速度和存储能力提出了较高要求，通常采用单独的图像处理单元来实现。
无论是哪一类声呐，受水声特性和海洋环境影响，其输出数据均具有较大的不确定性，均需一定的数据融合方法从原始传感器数据中提取出准确、可靠的障碍信息。
1.3 避碰声呐数据融合方法
1.3.1 测距声呐数据融合方法
测距声呐是一种低分辨率的避碰声呐，只输出与障碍的相对距离信息，因此，测距声呐常成组、空间分布使用。用于多个测距声呐的数据融合方法致力于将各个方向的障碍距离信息加以综合，从而降低单个测距声呐的不确定性。
测距声呐与移动机器人常用的超声测距仪类似，都属于在一定角度范围内测量与物体相对距离的测距传感器。所测得的距离属于一维信息，要借助传感器模

目录 丛书前言一 丛书前言二 前言 1 绪论 1 1.1 引言 1 1.2 AUV避碰传感器 3 1.2.1 测距声呐 3 1.2.2 机械扫描声呐 4 1.2.3 多波束图像声呐 4 1.2.4 其他避碰传感器 5 1.2.5 小结 5 1.3 避碰声呐数据融合方法 6 1.3.1 测距声呐数据融合方法 6 1.3.2 图像声呐数据融合方法 7 1.3.3 小结 8 1.4 实时避碰方法 8 1.4.1 人工势场法 9 1.4.2 人工智能方法 9 1.4.3 强化学习方法 11 1.4.4 优化搜索方法 11 1.4.5 其他方法 12 1.4.6 小结 13 参考文献 14 2 基于测距声呐的碰撞危险度估计 19 2.1 引言 19 2.2 测距声呐数据不确定性分析 19 2.2.1 测距声呐数据的不确定性 19 2.2.2 测距声呐数据不确定性对AUV航行的影响 20 2.3 D-S证据理论概述 21 2.4 基于D-S证据理论的测距声呐数据融合方法 22 2.4.1 测距声呐动态模型 23 2.4.2 基于占有栅格的环境建模 26 2.4.3 一致性决策规则 27 2.4.4 改进的证据融合公式 28 2.5 仿真和湖试数据验证 32 2.5.1 仿真验证 32 2.5.2 湖试数据验证 36 2.6 基于传感器信息的海底地形估计 38 2.6.1 扩展卡尔曼滤波 38 2.6.2 *小二乘法 39 2.6.3 仿真验证 41 参考文献 43 3 基于声呐图像的水下障碍特征提取 45 3.1 引言 45 3.2 图像声呐成像原理及特点 45 3.3 声呐图像处理方法 49 3.3.1 声呐图像滤波方法 50 3.3.2 声呐图像分割 55 3.3.3 声呐图像形态学处理方法 67 3.3.4 障碍物特征提取 68 参考文献 77 4 自主水下机器人实时避碰决策方法 78 4.1 引言 78 4.2 自主水下机器人模糊避碰决策 79 4.2.1 自主水下机器人模糊避碰规划 80 4.2.2 输入输出变量的模糊化 81 4.2.3 建立模糊控制规则 82 4.2.4 输出变量的去模糊化 84 4.3 基于有限自动机的三维避碰过程建模 84 4.3.1 奔向目标行为 87 4.3.2 紧急转向行为 88 4.3.3 紧急上浮行为 89 4.3.4 保持距离行为 89 4.3.5 保持高度行为 91 4.4 基于事件反馈的避碰监控器 91 4.4.1 监控器自动机的设计 93 4.4.2 受控自动机的设计 94 参考文献 96 5 自主水下机器人实时避碰学习方法 97 5.1 引言 97 5.2 神经网络原理 97 5.2.1 人工神经元简述 98 5.2.2 人工神经网络模型 100 5.2.3 人工神经网络学习 101 5.3 基于BP算法的避碰神经网络设计 101 5.3.1 BP算法原理 101 5.3.2 避碰神经网络设计 103 5.3.3 避碰神经网络训练 104 5.4 仿真验证 106 5.4.1 垂直面避碰场景 106 5.4.2 水平面避碰场景 108 5.4.3 两个障碍避碰场景 109 5.4.4 多障碍避碰场景 110 参考文献 111 6 自主水下机器人实时路径规划方法 112 6.1 引言 112 6.2 基于免疫遗传算法的实时路径规划 113 6.2.1 实时路径规划问题的遗传表示 113 6.2.2 改进的小生境遗传实时路径规划算法 114 6.2.3 免疫遗传算法 119 6.2.4 仿真验证 124 6.3 基于改进蚁群算法的实时路径规划 125 6.3.1 蚁群算法基本原理 125 6.3.2 改进算法 127 6.3.3 仿真分析 128 参考文献 131 7 实时避碰系统的评价与验证 132 7.1 引言 132 7.2 实时避碰系统的结构模型 132 7.2.1 感知子系统 133 7.2.2 决策规划子系统 134 7.2.3 推进子系统 136 7.3 AUV实时避碰能力综合评价体系 137 7.3.1 建立AUV实时避碰能力综合评价体系的原则 137 7.3.2 建立AUV实时避碰能力综合评价体系的步骤 138 7.3.3 AUV实时避碰能力综合评价方法 139 7.4 实时避碰系统验证 142 7.4.1 障碍的含义 143 7.4.2 典型障碍场景设计 143 参考文献 145 索引 146 彩图