水面无人艇环境感知系统研究

关键词：水面无人艇；环境感知；艇载传感器

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2024）28-0099-03

0 引言

水面无人艇（Unmanned Surface Vehicle，USV） 作为一种新质海上力量，它的研究和发展对维护我国海洋权益具有重要意义。USV是一种具有自主导航、自主避障和自主决策控制等功能的无人平台，主要包括动力与推进系统、决策控制系统、环境感知系统、导航系统、通信系统等[1]。其中，决策控制系统、环境感知系统是其最核心的系统，决定了无人艇自主等级和智能程度。决策控制系统的运行需要环境感知系统提供必要信息，因此，环境感知系统是无人艇自主控制的第一步。

本文在对国内外多型无人艇装备调研基础上，系统概述了USV环境感知系统结构，总结并分析了USV 常用的传感器设备和各自优缺点，剖析了USV在复杂海面环境下实现精确感知存在的挑战和关键技术，对其发展方向进行了展望，为我国无人艇环境感知技术研究提供了思路。

1 无人艇环境感知系统

环境感知系统类比于人类和高等动物的感觉系统，通过安装在平台上的各类传感器获取自身信息以及周边环境数据。对这些原始数据进行处理和分析，将融合的态势信息传送给决策控制系统，为其提供环境态势信息。

1.1 USV 环境感知系统的作用

1.1.1 为自主决策系统提供环境信息

无人系统之所以能够“无须”操作者的干预，其关键在于它具有一定程度的自主性[2]。USV的路径规划能力是其自主化水平的直接体现。在航行前， USV可利用电子海图获取全局环境信息，以进行全局路径规划。然而，当USV按已规划的全局路径航行，遇到动态障碍物时，就需要根据当前传感器感知的局部环境进行动态局部路径规划。只有感知系统对局部环境做到快速精准地感知，自主决策系统结合避碰规则实时避障，才能提高USV的生存能力和任务执行效率，这也是环境感知系统最核心的功能。

1.1.2 基于载荷任务的其他功能

无人艇可以根据任务需求搭载不同的环境感知载荷。在巡逻警戒、侦察监视等任务中，通过搭载光电相机、红外探测等设备获取信息；在执行水下目标探测任务时，搭载不同类型的声呐设备；在编队行动时，需要毫米波雷达、激光雷达等设备精确定位。总之，环境感知系统对无人艇任务执行具有重要作用。

1.2 USV 环境感知系统结构

无人艇环境感知系统由硬件系统和软件系统两方面组成。其中，硬件系统包括传感器设备和感知工控机，软件系统安装在感知工控机中用于对采集的环境数据进行不同需求的处理，按照部署位置不同可分为艇载端和岸基端。

1.2.1 硬件系统

表1列出了各国主要型号USV的载荷情况。USV 上常用的传感器设备主要包括雷达设备、视觉传感器和声呐探测设备。雷达设备分为激光雷达与导航雷达两类，能够结合定位设备精确计算周边水面目标的位置，有助于无人艇进行自主避碰与路径规划。视觉传感器则包括可见光摄像头与红外摄像头，能够同时捕捉场景的光学图像与红外图像。声呐探测设备分为主动式与被动式，分别用于对水下环境进行测量与监听。各传感器采集的数据在工控机中进行处理与融合，自动识别无人艇周边的各类目标，建立周边环境态势。

航海雷达是无人水面艇最主要的感知设备，为无人艇路径规划和自主航行提供重要信息。航海雷达相较其他传感器，探测距离远、范围广，探测距离能够达到几十甚至上百公里，是无人艇不可或缺的感知设备。但其探测精度不高，存在小目标漏检、近距离盲区等问题，通常与其他传感器搭配使用，形成互补。

激光雷达测距精度高，能够以较高的频率提供周围环境的三维点云信息，与其他距离传感器相比，能兼顾精度要求和速度要求，这使其特别适用移动无人平台。此外，激光雷达对工作环境光没有要求，而且在黑暗中测量效果更好。但是，激光雷达无法获得环境的色彩信息，不利于目标的精确识别，在雨雪烟尘环境中其测量精度也会受到影响。

可见光摄像头是当前无人平台环境感知系统必备的传感器，具有采集速度快、信息丰富等特点，且数据利用率高。近年来，随着机器视觉和人工智能技术的发展，基于图像和视频的目标识别、场景理解等任务越来越可靠，使其成为无人系统必不可少的传感器。它的缺点主要是容易受到光线的干扰、距离信息估计精度较低。

红外摄像头是一种非接触式被动测量传感器，它通过感受红外光线成像。红外传感器对环境无特殊要求，能够全天候工作，在夜晚、逆光、强光等环境下可以弥补可见光摄像头的短板，更好地对目标进行探测，使其成为无人系统中不可或缺的传感器。

声呐探测设备是利用声波在水下的传播特性，通过电声转换和信息处理进行测距和通讯的电子设备，广泛应用于海洋勘探、水文测量、海底地质地貌勘测等领域。声呐设备种类繁多，按工作方式可以分为被动声呐和主动声呐；按安装位置不同可分为舰壳声呐、拖曳声呐、吊放声呐及声呐浮标等[3]，另外还可以分为单波束声呐和多波束声呐，不同吨位的USV根据其使命任务组合配置一种或多种声呐。

感知工控机按照配置位置可分为艇载和岸基两类。艇载工控机能直接与感知设备和控制器相连，无须远程通信，数据处理反馈及时，能大大提高控制系统的决策速度。岸基工控机与感知设备和控制器之间通过无线连接，通信距离和速度有限，不能实时响应，但能让人直观了解无人艇周围环境态势，便于人员操作控制。

1.2.2 软件系统

环境感知系统的软件组成形式多样，不同功能的无人艇对感知功能需求不同，常见软件模块如图1所示。其中，感知设备数据处理分析模块部署在艇载工控机上，目的是快速分析周围目标属性、位置；综合信息监控模块、综合信息管理模块则部署在岸基工控机上，综合信息监控模块主要作用是对无人艇周边环境态势建模和可视化，综合信息管理模块主要是对环境数据流存储和管理等。

2 环境感知系统关键技术

USV通过其搭载的各类传感器来获得周围环境的观测数据，这是无人艇“感”的过程。然而，这些原始数据往往具有庞大的数据量和高度复杂性，包含大量冗余和无效信息，无法直接被自主决策系统利用。要想实现无人艇可靠的“知”觉，必须依靠感知系统对原始环境数据进行处理、分析和理解，最终形成实时的场景态势信息，指导无人艇自主航行和任务决策。环境感知系统通常涉及多种技术，如数字图像处理、雷达数据处理、点云数据处理、计算机视觉和信息融合等[4]。

2.1 数字图像处理

数字图像处理技术是指利用计算机对图像进行处理分析的技术，主要包括图像变换、图像增强、图像复原、图像编码、图像压缩、图像分割、图像描述和分类识别等方面，是计算机视觉技术的基础，被广泛应用于各行业。在无人平台上，诸多传感器数据以图像形式展现，如摄像头采集的可见光图像、红外图像，导航雷达生成的雷达图像，图像声呐生成的声图。基于图像数据的感知，旨在通过一些处理算法，从图像、视频中提取目标，理解环境。

2.2 雷达数据处理

雷达数据处理和雷达信号处理一样，都是现代雷达系统的重要组成部分。信号处理用于检测目标，利用一定的方法获取目标的距离、速度和目标形状等信息；而数据处理则可以进一步对目标的点迹和航迹进行处理，预测目标未来时刻的位置，形成可靠的目标航迹，从而实现对目标的实时跟踪。

2.3 点云数据处理

无人艇上的激光雷达与多波束声呐等传感器，其探测数据常以三维点云形式呈现。点云数据的主要研究内容包括点云数据预处理、点云分割、目标检测等。由于设备性能和环境随机因素，采集的数据难免存在一些异常点，点云数据预处理就是通过滤波技术去除这些孤立点，降低其对后续处理精度的影响；点云分割是将属性相近且空间邻域的点划分为一类，从而在大量的点云数据中提取感兴趣的对象；目标检测则是在分割的基础上，根据对象的特征识别不同的目标。

2.4 计算机视觉

计算机视觉（Computer Vision，CV）是一门用计算机模拟生物视觉的学科，就是让计算机代替人眼实现对目标的识别、分类、跟踪和场景理解。计算机视觉是人工智能的重要分支，涉及图像处理、机器学习和模式识别等技术，是目前人工智能最为热门的研究方向之一，在无人驾驶中发挥重要作用。

2.5 信息融合

单一类型的传感器某一采样时刻只能获取环境的1个片面数据。图像数据颜色信息、纹理信息丰富，目标识别能力强，能够让无人艇具有“画面感”，点云数据可以获得目标空间位置和三维信息，能够让无人艇具有“空间感”。不同的传感器感知范围和能力有所不同，因此实现多种传感器信息融合，能够克服单一传感器的缺点，形成互补。不同的融合层次涉及不同的算法和模型，目前，多传感器信息融合算法有加权平均法、卡尔曼滤波法、贝叶斯推理法、统计决策理论、模糊理论法、神经网络法等[5]。

3 结论与展望

环境感知、智能决策和控制执行是无人驾驶的关键技术。其中，环境感知是其他技术的基础，为智能决策和控制执行提供依据，环境感知能力的强弱直接决定了无人艇自主能力。本文围绕USV环境感知系统功能、软硬件结构和关键技术进行了系统分析。为适应未来瞬息万变、多域立体的海战场环境，USV应朝着以下几个方面研究发展：

3.1 高智能化

当前，USV已展现出一定的自主能力，如目标识别与跟踪、自主避障等，但在复杂环境或任务中，其自主性仍有待提升。要实现USV的高智能化，还需要从提升传感器信息融合算法性能、动态环境建模与预测和编队协同态势构建等方向着手。总之，无人艇环境感知系统的高度智能化是未来发展的必然趋势。

3.2 高模块化

首先，通过制定系统标准化设计和接口规范，使得各个模块能够按照统一的标准研发集成，让更多技术人员参与研发，能大大缩短装备迭代周期，降低风险和成本。其次，模块化的设计可以提高系统的可扩展性，让无人艇成为一个通用平台，不同的模块集成可以执行不同的任务，大大提高了无人艇装备的作战能力。

3.3 强环境适应能力

海战场环境复杂多变对环境感知来说是巨大挑战，因此，须加强感知技术的适应性研究，确保感知系统能够应对各种气候与环境变化，具备一定的自适应能力，以稳定可靠地执行任务。

3.4 强自学习能力

深度学习模型大都依赖训练数据，一次性训练成型的方式难以满足复杂多变的海面环境变化。针对该问题，可以考虑改进模型训练方式，尝试研究自学习式、迭代式的训练方式，以更好地适应海面环境的动态变化。