聶永芳 潘 爽 孫東平 施建禮

1. 海軍潛艇學(xué)院戰(zhàn)略導(dǎo)彈與水中兵器系，青島 266071 2. 清華大學(xué)自動(dòng)化系，北京 100084

自主式水下機(jī)器人(Autonomous Underwater Vehicle，AUV)在過(guò)去20年中得到迅速發(fā)展，逐步進(jìn)入主流的海洋探測(cè)工具行列，由于海洋環(huán)境的特殊性，常用于陸地和空中的一些傳感器(例如GPS)不能在水中使用；海洋環(huán)境本身的不定性和非結(jié)構(gòu)化，使聲納等距離傳感器的分辨率較低，所以，實(shí)現(xiàn)AUV的精確導(dǎo)航仍是一項(xiàng)艱難的任務(wù)。近年來(lái)，研究者們開(kāi)始對(duì)AUV運(yùn)用自身攜帶的掃描成像聲納,配合平臺(tái)傳感器(慣性測(cè)量器件(Inertial Measurement Units，IMU)、羅盤(pán)等)和多普勒測(cè)速儀(Doppler Velocity Log，DVL)等在航行過(guò)程中自主地探索、識(shí)別周邊環(huán)境同時(shí)在線地實(shí)現(xiàn)自身定位等問(wèn)題進(jìn)行研究。上述導(dǎo)航定位方法就是機(jī)器人領(lǐng)域研究熱點(diǎn)—同時(shí)定位與地圖構(gòu)建方法(Simultaneous Localization and Mapping，SLAM)。SLAM理論被研究者們一致認(rèn)為是移動(dòng)機(jī)器人在未知環(huán)境中實(shí)現(xiàn)真正自主導(dǎo)航的主要途徑。目前，SLAM理論大多應(yīng)用在室內(nèi)、室外和空中環(huán)境，應(yīng)用于水下環(huán)境的并不多。

以往對(duì)水下潛器導(dǎo)航技術(shù)進(jìn)行綜述的文獻(xiàn)[1-3]中，大多包括了對(duì)現(xiàn)有的水下導(dǎo)航技術(shù)(船位推算導(dǎo)航、慣性導(dǎo)航、水下聲學(xué)導(dǎo)航、視覺(jué)導(dǎo)航和地球物理導(dǎo)航方法)的全部綜述，SLAM技術(shù)只作為其中的一小部分，敘述簡(jiǎn)略。文獻(xiàn)[4-5]則是對(duì)SLAM理論進(jìn)行了總體論述，并沒(méi)有指明具體的應(yīng)用環(huán)境和應(yīng)用對(duì)象。文獻(xiàn)[6]雖然是針對(duì)水下SLAM的綜述，但只介紹了AUV-SLAM的幾種常用方法，其他方面并沒(méi)涉及，到目前為止，尚沒(méi)有文獻(xiàn)對(duì)AUV-SLAM問(wèn)題進(jìn)行全面綜述。近幾年隨著水下傳感器技術(shù)的進(jìn)步，應(yīng)用于水下SLAM問(wèn)題的研究也有了新進(jìn)展，因此，本文主要對(duì)SLAM導(dǎo)航方法在AUV上的應(yīng)用進(jìn)行綜述，主要內(nèi)容包括國(guó)內(nèi)外的研究現(xiàn)狀、水下SLAM的主要實(shí)現(xiàn)方法和存在的難點(diǎn)，并探討了AUV-SLAM未來(lái)的發(fā)展趨勢(shì)。

1 AUV-SLAM的研究現(xiàn)狀

水下機(jī)器人的導(dǎo)航問(wèn)題是許多國(guó)家的研究熱點(diǎn)，但研究用SLAM方法進(jìn)行AUV導(dǎo)航定位研究的國(guó)家并不多，國(guó)外的研究機(jī)構(gòu)主要集中在美國(guó)、西班牙、澳大利亞及英國(guó)等國(guó)家。

美國(guó)的MIT學(xué)院是以John Leonard為首的海洋機(jī)器人(Marine Robotics Group)研究團(tuán)隊(duì)，他們利用第三代Odyssey AUVs，并與MIT的水聲學(xué)團(tuán)隊(duì)和海格蘭特學(xué)院合作，主要側(cè)重于水下SLAM的應(yīng)用研究。他們提出了唯距離SLAM[7]，常時(shí)間SLAM[8]和遞增平滑與構(gòu)圖(Increamental Smooth and Mapping)[9]和視覺(jué)SLAM[10-11]等眾多理論。Leonard首次將EKF-SLAM運(yùn)用到基于特征的水下目標(biāo)識(shí)別中，另外，該團(tuán)隊(duì)也注重SLAM理論在多水下機(jī)器人協(xié)作定位和船艙檢測(cè)方面的研究。

澳大利亞悉尼大學(xué)的菲爾德機(jī)器人研究中心是世界上著名的水下SLAM研究機(jī)構(gòu)。Hugh Durrant-Whyte是SLAM理論的奠基人，他的團(tuán)隊(duì)利用Oberon AUV，主要開(kāi)展對(duì)經(jīng)典的EKF-SLAM理論的研究。在包含人造路標(biāo)(位置已知)的游泳池內(nèi)測(cè)試了基于幾何投影濾波器(Geometrical Projection Filter，GPF)的SLAM算法[12]。

西班牙的Girona大學(xué)計(jì)算機(jī)視覺(jué)和機(jī)器人組主要側(cè)重于對(duì)水下結(jié)構(gòu)性環(huán)境中SLAM方法的研究。西班牙Zaragoza大學(xué)的José Neira教授，是聯(lián)合相容分支定界算法(Joint Compatibility Branch and Bound，JCBB)的首次提出者[13]。他的學(xué)生David Ribas用Ictineu AUV在人造結(jié)構(gòu)性環(huán)境中使用機(jī)械掃描成像聲納(Mechanical Scanned Imaging Sonar，MSIS)獲取數(shù)據(jù)進(jìn)行導(dǎo)航定位研究，還使用立體照相機(jī)用EKF-SLAM算法對(duì)海底地形進(jìn)行了實(shí)地勘探[14]。David Ribas給出了著名的西班牙廢棄碼頭的數(shù)據(jù)集，為后來(lái)許多研究水下結(jié)構(gòu)性SLAM算法的學(xué)者提供了非常大的幫助。他們合作出版了水下SLAM方面的著作[15]。

中國(guó)開(kāi)展AUV-SLAM研究的高校和研究所也寥寥無(wú)幾，主要有哈爾濱工程大學(xué)、華中科技大學(xué)和中國(guó)海洋大學(xué)等。

表1列出了國(guó)內(nèi)外的主要研究機(jī)構(gòu)、主要研究方向和所用的AUV。

表1 研究AUV-SLAM技術(shù)的主要國(guó)家和組織機(jī)構(gòu)

2 應(yīng)用在AUV導(dǎo)航上的主要SLAM方法

SLAM方法大致可分為2類(lèi)：1)基于貝葉斯估計(jì)理論，基礎(chǔ)是貝葉斯法則和馬爾科夫假設(shè)的概率SLAM。目前應(yīng)用于AUV上的這類(lèi)SLAM主要是基于擴(kuò)展卡爾曼濾波器(Extended Kalman Filter，EKF)的EKF-SLAM和基于粒子濾波器(Particle Filter，PF)的FastSLAM；2)應(yīng)用在AUV上的是非概率SLAM，主要是graph-SLAM。

另一種分類(lèi)是根據(jù)對(duì)環(huán)境地圖的描述[1]，分為基于特征的SLAM和基于視覺(jué)的SLAM。在基于特征的SLAM中，特征由外部傳感器測(cè)得，AUV每運(yùn)動(dòng)一步，都會(huì)把新的位姿和新測(cè)得的特征加入到狀態(tài)向量中。非結(jié)構(gòu)的自然水下環(huán)境不適合基于特征的SLAM，海底的山峰和底谷這些特征在測(cè)量時(shí)對(duì)視角比較敏感，較難辨識(shí)和可靠的建模。而基于視覺(jué)的SLAM，AUV每運(yùn)動(dòng)一步，并不提取任何特征，只是把當(dāng)前看到的視圖和上一次看到的視圖作比較。狀態(tài)向量中可以包括一步或多步的位姿。圖1(b)中，在位姿P3時(shí)，用V3和V2對(duì)比來(lái)發(fā)現(xiàn)視角的變化。

圖1 a) 基于特征的SLAM； b)基于視覺(jué)的SLAM

2.1 EKF-SLAM

由于AUV的運(yùn)動(dòng)模型與觀測(cè)模型是非線性的，因此常采用基于EKF的EKF-SLAM。EKF-SLAM的計(jì)算分為4個(gè)過(guò)程[16]：預(yù)測(cè)、觀測(cè)更新、數(shù)據(jù)關(guān)聯(lián)和狀態(tài)擴(kuò)維，其具體的運(yùn)算過(guò)程不在本文贅述，有興趣的讀者可參閱文獻(xiàn)[16]。

文獻(xiàn)[15]論述了EKF-SLAM理論在水下人造環(huán)境(港口、船塢、海事平臺(tái)及大壩等)的應(yīng)用，依靠機(jī)械掃描成像聲納數(shù)據(jù)和Hough變換理論來(lái)提取線特征，產(chǎn)生了一幅基于特征的2D地圖。數(shù)據(jù)相關(guān)使用的是典型的最近鄰法則，并引入了局部地圖的概念。文獻(xiàn)[17]論述了EKF-SLAM理論在非結(jié)構(gòu)的淺水中利用前向聲納提取人造點(diǎn)特征，使用GPS提供真實(shí)數(shù)據(jù)，使用DVL和FOG進(jìn)行航位推算。在淺水區(qū)域，圖像聲納會(huì)受到由地面折射、水面折射和反射引起的噪聲的嚴(yán)重影響，這些影響會(huì)使計(jì)算能力有限的AUV得不到魯棒的圖像特征和數(shù)據(jù)相關(guān)。當(dāng)AUV提取到魯棒的圖像特征時(shí)，EKF-SLAM可以有效地糾正由航位推算帶來(lái)的誤差。文獻(xiàn)[18]給出了一種選擇性子地圖連接SLAM，論述了EKF-SLAM理論在非結(jié)構(gòu)環(huán)境中利用側(cè)掃聲納提取3D的點(diǎn)特征，2個(gè)子地圖之間的數(shù)據(jù)相關(guān)使用了JCBB算法，并用來(lái)自REMUS-100 AUV上獲得的真實(shí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)證明，選擇性的子地圖SLAM可以降低地圖的計(jì)算代價(jià)并保證在大尺度下的構(gòu)圖一致性，且每個(gè)子地圖所包括的路標(biāo)數(shù)在10～15個(gè)之間時(shí)所需的計(jì)算代價(jià)最少，當(dāng)2個(gè)子地圖之間共享的路標(biāo)數(shù)為子地圖路標(biāo)數(shù)的50%時(shí)，可將2個(gè)子地圖進(jìn)行合并。

表2列出了3種比較典型的用不同傳感器測(cè)量路標(biāo)時(shí)使用EKF-SLAM為AUV導(dǎo)航定位的情況。

表2 典型的EKF-SLAM導(dǎo)航在AUV中的應(yīng)用

由表2可以看出，EKF-SLAM通常用在結(jié)構(gòu)性的環(huán)境中。在非結(jié)構(gòu)的環(huán)境中，必須有顯著的點(diǎn)特征或人工加入點(diǎn)特征才能使用。EKF-SLAM繼承了EKF算法的優(yōu)缺點(diǎn)，算法原理簡(jiǎn)單，易于實(shí)現(xiàn)，但由于系統(tǒng)非線性化引起的誤差可能會(huì)使算法不收斂，且計(jì)算代價(jià)大。

2.2 基于粒子濾波器的FastSLAM

FastSLAM的基礎(chǔ)是PF[19]，PF的核心思想是利用一系列隨機(jī)抽取的樣本和樣本的權(quán)重表示狀態(tài)的后驗(yàn)概率分布，當(dāng)樣本的個(gè)數(shù)足夠多時(shí)，通過(guò)這樣的隨機(jī)抽樣，可以很好地近似真實(shí)的后驗(yàn)分布。

FastSLAM算法把聯(lián)合SLAM狀態(tài)分成運(yùn)動(dòng)部分和條件地圖部分以縮小采樣空間，機(jī)器人的位姿用不同權(quán)值的粒子表示，地圖用獨(dú)立的高斯分布解析表示，機(jī)器人位姿狀態(tài)的遞歸估計(jì)采用PF方法，地圖狀態(tài)的遞歸估計(jì)采用EKF方法。而且在給定機(jī)器人位姿的條件下，路標(biāo)之間是相互獨(dú)立的。

FastSLAM算法的一般包括4個(gè)步驟： 1)對(duì)每一個(gè)粒子，從提議分布中采樣； 2)計(jì)算重要性權(quán)重； 3)進(jìn)行將權(quán)重低的粒子由權(quán)重高的粒子來(lái)代替的重采樣過(guò)程； 4)對(duì)每一個(gè)粒子，在已知機(jī)器人位姿的條件下通過(guò)測(cè)量模型對(duì)觀測(cè)的路標(biāo)進(jìn)行EKF更新。

FastSLAM1.0算法和2.0算法的區(qū)別在于所選的提議分布模型不同。前者用運(yùn)動(dòng)模型當(dāng)作提議分布進(jìn)行采樣，而后者的提議分布包括了當(dāng)前的觀測(cè)。

2.0算法的重采樣過(guò)程會(huì)帶來(lái)“粒子耗盡”問(wèn)題。文獻(xiàn)[20]對(duì)2.0算法進(jìn)行了改進(jìn)，采用單個(gè)粒子最大似然算法和改進(jìn)的“反面證據(jù)”相結(jié)合的數(shù)據(jù)關(guān)聯(lián)方法；采用基于等級(jí)的重采樣方法克服粒子退化問(wèn)題。利用C-Range AUV真實(shí)數(shù)據(jù)驗(yàn)證了改進(jìn)FastSLAM算法比標(biāo)準(zhǔn)FastSLAM算法有著更好的準(zhǔn)確性和一致性。文獻(xiàn)[21]利用AUV DEPTHX在墨西哥的薩卡通灰?guī)r洞進(jìn)行了試驗(yàn)，驗(yàn)證了FastSLAM方法的有效性。

FastSLAM算法用樹(shù)結(jié)構(gòu)表示路標(biāo)位置的不確定性，并在此基礎(chǔ)上完成采樣集合的更新處理，最終算法復(fù)雜度相比于EKF-SLAM顯著降低。其缺點(diǎn)是存在著粒子“蛻化”問(wèn)題，而使用重采樣又不可避免地帶來(lái)樣本枯竭問(wèn)題，同時(shí)用于生成粒子的建議分布函數(shù)即重要性密度函數(shù)難以找到一個(gè)通用的選擇標(biāo)準(zhǔn)。

2.3 Graph-SLAM

Graph-SLAM處理數(shù)據(jù)的方式和濾波的方法不同，它不是在線糾正位姿，而是把所有數(shù)據(jù)記下來(lái)，進(jìn)行離線處理。在Graph-SLAM中，機(jī)器人的位姿是一個(gè)節(jié)點(diǎn)或頂點(diǎn)，位姿之間的關(guān)系構(gòu)成邊。所以Graph-SLAM問(wèn)題分解成2個(gè)任務(wù)[22]：

1)構(gòu)建圖

機(jī)器人位姿當(dāng)作頂點(diǎn)，位姿間關(guān)系當(dāng)作邊，這一步常常被稱(chēng)為前端，往往是傳感器信息的堆積。

圖2 基于圖優(yōu)化的 SLAM 框架

2)優(yōu)化圖

調(diào)整機(jī)器人位姿頂點(diǎn)盡量滿足邊的約束，這一步稱(chēng)為后端。

圖3 GraphSLAM的模型

Graph-SLAM的目的就是建立好圖以后，采用非線性最優(yōu)算法求解機(jī)器人位姿，使得誤差平方函數(shù)最小。

文獻(xiàn)[23]提出了一種新的NAPS(Negative and Positive Scoring)數(shù)據(jù)算法，實(shí)驗(yàn)證明該算法比JCBB匹配性能好。在使用Graph-SLAM時(shí)為避免不斷增加的圖形帶來(lái)的計(jì)算復(fù)雜度，每隔一定的時(shí)間周期對(duì)前面產(chǎn)生的節(jié)點(diǎn)進(jìn)行邊緣化處理，只保留1個(gè)節(jié)點(diǎn)。如圖4所示，當(dāng)AUV往前運(yùn)動(dòng)時(shí)，節(jié)點(diǎn)和觀測(cè)的特征在每一次迭代后加入到圖形中，形成稠密的路徑，這種稠密的路徑很大。因此，邊緣化一部分節(jié)點(diǎn)最終形成綠色的綜合觀測(cè)作為Graph-SLAM的輸入。時(shí)間周期與AUV的運(yùn)動(dòng)速度和觀測(cè)到的特征之間的距離有關(guān)。文獻(xiàn)[24]使用前視的雙頻辨識(shí)聲納提取圖像數(shù)據(jù)，并利用NDT(Normal Distribution Transform,NDT)算法對(duì)數(shù)據(jù)進(jìn)行成對(duì)注冊(cè)，該算法可以給出緊湊的掃描圖像而無(wú)需獲得點(diǎn)與點(diǎn)之間的對(duì)應(yīng)關(guān)系。

圖4 Graph-SLAM計(jì)算時(shí)的數(shù)據(jù)綜合測(cè)量

基于圖優(yōu)化的方法被認(rèn)為太耗費(fèi)時(shí)間，無(wú)法滿足SLAM的實(shí)時(shí)性要求，但隨著高效求解方法的出現(xiàn)，基于圖優(yōu)化的方法重新得到重視．在經(jīng)歷一個(gè)復(fù)興后，其成為當(dāng)前SLAM研究的一個(gè)熱點(diǎn)。

上述3種算法，根據(jù)能處理的路標(biāo)數(shù)量、可達(dá)區(qū)域、計(jì)算需求和靈活度等特點(diǎn)[6]，總結(jié)在表3中。表中m表示特征數(shù)量，N表示采樣的粒子數(shù)。

表3 3種AUV-SLAM算法對(duì)比

3 AUV-SLAM存在的難點(diǎn)問(wèn)題

目前，理論上比較成熟的水下SLAM方法主要限定在結(jié)構(gòu)化的人工環(huán)境或小尺度的淺海中，若要擴(kuò)大航程或?qū)崿F(xiàn)更大尺度自然水下環(huán)境中的實(shí)時(shí)導(dǎo)航定位，首先要解決的是隨著特征數(shù)量的增加造成的地圖過(guò)大、計(jì)算復(fù)雜問(wèn)題；其次，要提高SLAM運(yùn)行時(shí)的魯棒性，觀測(cè)特征和地圖中的已有特征必須要有正確的數(shù)據(jù)關(guān)聯(lián)。這2個(gè)問(wèn)題也是普遍存在于整個(gè)SLAM研究領(lǐng)域中的2大難點(diǎn)。

3.1 計(jì)算復(fù)雜度

子地圖方法是目前機(jī)器人領(lǐng)域?qū)W者們解決大尺度SLAM計(jì)算復(fù)雜度問(wèn)題的主要思路[25]。分離隨機(jī)地圖構(gòu)建(Decoupled Stochastic Mapping，DSM)方法是一種高效的大尺度SLAM解決方法[26]，它將環(huán)境分成很多個(gè)有重疊區(qū)域的子地圖，降低傳統(tǒng)隨機(jī)地圖構(gòu)建算法的計(jì)算壓力。DSM方法雖然可以極大降低SLAM算法的計(jì)算復(fù)雜度，卻切斷了地圖間的關(guān)聯(lián)關(guān)系，因此獲得的地圖都有可能不一致。Williams等人提出的約束局部子地圖濾波器[27]提出構(gòu)建相對(duì)于局部參考坐標(biāo)系的隨機(jī)地圖，并且確保局部地圖在統(tǒng)計(jì)上是完全獨(dú)立的。由于大部分更新運(yùn)算都在各局部子地圖內(nèi)進(jìn)行，因此能改善計(jì)算復(fù)雜度問(wèn)題，但不能保證全局一致性。Atlas[28]在計(jì)算時(shí)間上有所改善，但在本質(zhì)上是一種逼近方法，通過(guò)犧牲估計(jì)精度換取計(jì)算復(fù)雜度的降低。條件獨(dú)立局部地圖方法[29]通過(guò)分享連續(xù)子地圖間環(huán)境特征及機(jī)器人狀態(tài)等信息建立最終全局地圖，而且最終地圖中不會(huì)引入不必要的近似計(jì)算。但該方法需要根據(jù)先驗(yàn)知識(shí)對(duì)每一幅新的子地圖進(jìn)行初始化。

3.2 數(shù)據(jù)關(guān)聯(lián)

在基于特征的SLAM算法中，數(shù)據(jù)關(guān)聯(lián)是一個(gè)最為關(guān)鍵也最為困難的問(wèn)題，特別是在水下復(fù)雜多變的環(huán)境中，可靠的數(shù)據(jù)關(guān)聯(lián)顯得尤為重要。數(shù)據(jù)關(guān)聯(lián)是對(duì)2個(gè)環(huán)境特征的檢驗(yàn)進(jìn)行匹配，確定它們是否對(duì)應(yīng)環(huán)境中的同一個(gè)特征。水下SLAM問(wèn)題中，常用的數(shù)據(jù)關(guān)聯(lián)算法有獨(dú)立兼容最近鄰算法(Individual Compatibility Nearest Neighbor，ICNN)、聯(lián)合相容分支定界算法(Joint Compatibility Branch and Bound，JCBB)和多假設(shè)跟蹤算法(Multi-Hypothesis Tracker，MHT)。

3.2.1 ICNN算法

ICNN算法[30]是一種具有固定記憶并能工作于多回波環(huán)境的關(guān)聯(lián)方法，該方法將特征預(yù)測(cè)位置和有效回波間的統(tǒng)計(jì)距離即馬氏距離作為度量對(duì)象，在落入檢驗(yàn)門(mén)之內(nèi)的觀測(cè)值中“唯一性”選取與被觀測(cè)目標(biāo)的預(yù)測(cè)位置間統(tǒng)計(jì)距離最小的觀測(cè)值作為關(guān)聯(lián)對(duì)象。

ICNN算法概念簡(jiǎn)單，計(jì)算復(fù)雜度低，許多文獻(xiàn)中都采用該方法。當(dāng)AUV位姿不確定性相對(duì)于特征間距足夠小或是存在較少雜波時(shí)，ICNN算法可以表現(xiàn)出較好的工作性能，AUV位姿估計(jì)的精度也會(huì)較高，在工程上有廣泛的應(yīng)用。但是當(dāng)AUV處在復(fù)雜多變的水下環(huán)境中，ICNN的性能急劇下降，不正確的特征匹配會(huì)使整個(gè)SLAM算法失敗。所以ICNN僅適用于特征稀疏和結(jié)構(gòu)性的環(huán)境中。

3.2.2 JCBB算法

Neira等人[13]在NN數(shù)據(jù)關(guān)聯(lián)的基礎(chǔ)上，將單個(gè)觀測(cè)、馬氏距離和檢驗(yàn)門(mén)限結(jié)合起來(lái)，提出了能夠解決一組觀測(cè)數(shù)據(jù)的關(guān)聯(lián)問(wèn)題的聯(lián)合相容性檢驗(yàn)(Joint Compatibility Test，JCT)數(shù)據(jù)關(guān)聯(lián)方法。其基本思想是對(duì)同一時(shí)刻獲得的一幀觀測(cè)中所有觀測(cè)值和全部環(huán)境特征間關(guān)聯(lián)假設(shè)的聯(lián)合相容性進(jìn)行檢驗(yàn)，從中選取相容性最大的關(guān)聯(lián)假設(shè)作為關(guān)聯(lián)結(jié)果。由于算法在最優(yōu)關(guān)聯(lián)假設(shè)的搜索過(guò)程中使用了分支界定(Branch and Bound，BB)法，所以也被稱(chēng)為聯(lián)合相容性分支界定關(guān)聯(lián)。

JCBB算法通過(guò)縱向和橫向遍歷搜索測(cè)量—地圖特征空間組成的解釋樹(shù)尋找最大的聯(lián)合關(guān)聯(lián)數(shù)據(jù)集，是一種約束性更強(qiáng)的數(shù)據(jù)關(guān)聯(lián)算法，關(guān)聯(lián)結(jié)果正確率很高。但一方面在噪聲或雜波對(duì)觀測(cè)影響較大時(shí)，特征的實(shí)際觀測(cè)值和估計(jì)值間可能存在較大偏差，過(guò)為嚴(yán)格的關(guān)聯(lián)假設(shè)判斷條件可能會(huì)丟棄正確的關(guān)聯(lián)假設(shè)；另一方面其計(jì)算復(fù)雜度隨環(huán)境特征個(gè)數(shù)呈指數(shù)型增長(zhǎng)，因此不適用于大尺度環(huán)境。許多學(xué)者一直在ICNN和JCBB的基礎(chǔ)上進(jìn)行改進(jìn)，以得到更合適的水下SLAM數(shù)據(jù)關(guān)聯(lián)方法。

3.2.3 MHT算法

MHT算法[31]通過(guò)一個(gè)有限長(zhǎng)度的時(shí)間滑窗建立多個(gè)候選關(guān)聯(lián)假設(shè)，通過(guò)假設(shè)產(chǎn)生、假設(shè)概率計(jì)算和假設(shè)管理技術(shù)實(shí)現(xiàn)多目標(biāo)的跟蹤。MHT的魯棒性強(qiáng)，特別適于大尺度的復(fù)雜環(huán)境[5]。但由于該算法中可行關(guān)聯(lián)假設(shè)的個(gè)數(shù)隨著路標(biāo)個(gè)數(shù)和測(cè)量個(gè)數(shù)的增加呈指數(shù)增長(zhǎng)，由此帶來(lái)存儲(chǔ)量和計(jì)算量的迅速增長(zhǎng)。所以在大規(guī)模關(guān)聯(lián)問(wèn)題中，該方法的使用受到了極大的限制，一般用于稀疏和局部子地圖中。

4 發(fā)展趨勢(shì)

AUV-SLAM的發(fā)展已經(jīng)歷了十多年，但目前的研究結(jié)果基本局限于人工結(jié)構(gòu)、小尺度的淺海和深海的局部區(qū)域的水下環(huán)境，且大多數(shù)為理論成果，工程實(shí)現(xiàn)的很少。將來(lái)，AUV-SLAM主要以大尺度、自然環(huán)境的實(shí)用化智能化發(fā)展為重點(diǎn)，具體表現(xiàn)在：

1)隨著AUV可利用能源的不斷發(fā)展進(jìn)步，結(jié)合圖像處理和模式識(shí)別的最新進(jìn)展，使用雙目立體視覺(jué)傳感器獲得更多更準(zhǔn)確3D環(huán)境特征的水下Visual-SLAM將成為該領(lǐng)域?qū)崿F(xiàn)水下精確導(dǎo)航的重點(diǎn)研究方向[25,32]；

2)基于隨機(jī)有限集理論(Random Finite Set,RFS)的RFS-SLAM[33]，將各時(shí)刻機(jī)器人位姿、傳感器觀測(cè)信息以及環(huán)境地圖表示為隨機(jī)有限集，能更好地描述觀測(cè)噪聲、視場(chǎng)、檢測(cè)概率及虛警等多種傳感器信息，避免了數(shù)據(jù)關(guān)聯(lián)過(guò)程，在模型建立上更加準(zhǔn)確，能實(shí)現(xiàn)機(jī)器人位姿和地圖狀態(tài)的同時(shí)估計(jì)。對(duì)復(fù)雜多變、噪聲未知的水下環(huán)境非常適用，具有較大的發(fā)展?jié)摿?，將成為未?lái)AUV-SLAM問(wèn)題的一個(gè)研究熱點(diǎn)；

3)多個(gè)AUV進(jìn)行的協(xié)同導(dǎo)航(Cooperative SLAM，C-SLAM)是未來(lái)解決水下中間層區(qū)域AUV導(dǎo)航定位的重要方法。隨著水下通信技術(shù)的飛速發(fā)展，多個(gè)AUV之間將通過(guò)共享傳感器信息和各自的位姿信息，利用SLAM進(jìn)行協(xié)同導(dǎo)航。與單AUV相比，通過(guò)AUV之間的相互協(xié)調(diào)與合作以及信息共享，C-SLAM可以提高地圖創(chuàng)建的效率，提高定位與地圖的精度，使多個(gè)AUV都具有誤差有界能力。2015年，MIT的J.J.Leonard團(tuán)隊(duì)首次實(shí)現(xiàn)了在低帶寬通信條件下的多AUV C-SLAM算法[34]。針對(duì)特征稀疏的大尺度水下環(huán)境的開(kāi)發(fā)和利用，協(xié)同的AUV C-SLAM必將是各國(guó)重點(diǎn)發(fā)展的水下導(dǎo)航技術(shù)；

4)擴(kuò)展AUV-SLAM的應(yīng)用環(huán)境一直是水下機(jī)器人導(dǎo)航的研究熱點(diǎn)。將目前局限于2D靜態(tài)水下結(jié)構(gòu)性環(huán)境中的研究與應(yīng)用擴(kuò)展到與自然非結(jié)構(gòu)環(huán)境契合的動(dòng)態(tài)環(huán)境，結(jié)合平滑子地圖技術(shù)構(gòu)建復(fù)雜水下環(huán)境的精確3D地圖，解決水下檢測(cè)任務(wù)中的避碰和精確對(duì)接任務(wù)[35]。

參 考 文 獻(xiàn)

[1] Liam Paull, Sajad Saeedi, Mae Seto et al. AUV Navigation and Localization-a Review[J]. IEEE Journal of Oceanic Engineering,2014,39(1):131-149.

[2] P.Miller, J.Farrell, Y.Zhao et al. Autonomous Underwater Vehicle Navigation[J]. IEEE Journal of Oceanic Engineering,2010,35(3):663-678.

[3] L.Stutters,H.liu,C.Tiltman et al. Navigation Technologies for Autonomous Underwater Vehicle[J]. System, man, Cybernetics, Part C:Application and Reviews, IEEE Transactions on,2008，38(4): 581-589.

[4] H.Durrant-Whyte, T.Bailey. Simultaneous Localization and Mapping (SLAM):Part I The Essential Algorithms [J]. IEEE Robotics & Automation Magazine,2006,13(2): 99-110.

[5] T.Baile, H.Durrant-Whyte. Simultaneous Localization and Mapping(SLAM):Part II State of the art[J]. IEEE Robotics & Automation Magazine, 2006,13(3):108-117.

[6] F.Hidalgo， T. Braunl. Review of Underwater SLAM Techniques[C]// Proceedings of the 6th International Conference on Automation, Robotics and Applications. Queenstown, New Zealand,2015:306-311.

[7] P.Newman, J.J.Leonard. Pure Range-only Sub-sea SLAM[C]// IEEE International Conference on Robotics and Automation (ICRA), Taipei, Taiwan ,2003:1921-1926.

[8] P.M.Newman, J.J.Leonard, R.J.Rikoski. Towards Constant-time SLAM on an Autonomous Underwater Vehicle Using Synthetic Aperture Sonar[C]// Proceedings of the 11th International Symposium on Robotics Research, Sienna, Italy , 2003:409-420.

[9] M.Kaess, H.Johannsson, R.Roberts et al. iSAM2: Incremental Smoothing and Mapping Using the Bayes Tree[J]. International Journal of Robotics Research,2012,31(2), 216-235.

[10] R.M.Eustice, H.Singh, J.J.Leonard, et al. Visually Mapping the RMS Titanic: Conservative Covariance Estimates for SLAM Information Filters[J]. International Journal of Robotics Research, 2006,25(12), 1223-1242.

[11] O.Pizarro, R.M.Eustice, H.Singh. Large area 3d Reconstructions from Underwater Optical Surveys[J]. IEEE Journal of Oceanic Engineering, 2009,34(20), 150-169.

[12] P.Newman. On the Structure and Solution of the Simultaneous Localization and Map Building Problem[D]. Australian, University of Sydney, 1999.

[13] J.Neira, J.D.Tardos. Data Association in Stochastic Mapping Using the Joint Compatibility Test[J]. IEEE Transactions on Robotics and Automation, 2001:17(6):890-897.

[14] D.Ribas, P.Ridao, J.D.Tardos et a1．Visual SLAM for 3D Large-Scale Seabed Acquisition Employing Underwater Vehicles[C]//IEEE/RSJ Intemational Conference on Intelligent Robots and Systems，Nice，F(xiàn)rance,2008：1011-1016.

[15] D. Ribas， P. Ridao，J. Neira. Underwater SLAM for Structured Environments.Using an Imaging Sonar[M]. Springer Tracts in Advanced Robotics, B. Siciliano, O. Khatib, and F. Groen, Eds. Heidelberg, Alemania: Springer Verlag, August 2010, no. 65.

[16] I.Tena. Enhanced Concurrent Mapping and Localization Using Forward-looking Sonar[D].England, Heriot-Watt University, 2001.

[17] ACT.Koh, WS.Wijesoma, SL. Pua et al. Shallow waters SLAM Experiments on Meredith AUV Using Forward Looking Sonar[C]//.IEEE Oceans,Biloxi,MS,2009:1-6.

[18] J.Aulinas, X.Lladó, X.Lladó et al. Selective Submap Joining for Underwater Large Scale 6-DOF SLAM[C]//IEEE International Conference on Intelligent Robots & System，2010,6219(1):2552-2557.

[19] M.Montemerlo, S.Thrun, D.Roller et al．FastSLAM 2.0:An Improved Particle Filtering Algorithm for Simultaneous Localization and Mapping that Provably Converges[C]//Proceedings of the International Conference on Artificial Intelligence. Califomia, CA,USA, 2003:115l-1156.

[20] Bo He, Yan Liang, Xiao Feng et al. AUV SLAM and Experiments Using a Mechanical Scanning Forward-Looking Sonar[J].Sensors,2012,12(7):9386-9410.

[21] N.Fairfield, G.Kantor, D.Wettergreen. Towards Particle Filter SLAM with Three Dimensional Evidence Grids in a Flooded Subterranean Environment[C]//IEEE International Conference on Robotics and Automatio. Orlando, Florida 2006:3575-3580.

[22] G.Grisetti, R.Kummerle, C.Stachniss et al. A Tutorial on Graph-based SLAM[J]．IEEE Intelligent Transportation Systems Magazine, 2010,2(4):31-43.

[23] M.F.Fallon, J.Folkesson, H.McClelland et al. Relocating Underwater Features Autonomously Using Sonar-based SLAM[J]. IEEE Journal of Oceanic Engineering, 2013,38(3):500-513.

[24] H. Johannsson, M. Kaess, B. Englot et al. Imaging Sonar-aided Navigation for Autonomous Underwater Harbor Surveillance[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems,2013:4396-4403.

[25] 張書(shū)景.大尺度環(huán)境中自主式水下機(jī)器人同時(shí)定位與地圖構(gòu)建算法研究[D].青島，中國(guó)海洋大學(xué)，2014.(Zhang Shujing, Simultaneous Localization and Mapping for AUVs in Large Scale Environments [D].Qingdao,Chinese Marine University.)

[26] J.J.Leonard, H.J.S.Feder. Decoupled Stochastic Mapping for Mobile Robot & Auv Navigation[J]. IEEE Journal of Oceanic Engineering, 2001,26(4): 561-571.

[27] S.B.Williams, G.Dissanayake, H.Durrant-Whyte. An Efficient Approach to the Simultaneous Localization and Mapping Problem[C]//IEEE International Conference on Robotics and Automation (ICRA), Washington, DC, USA 2002:406-411.

[28] M.Bosse, P.Newman, J.J.Leonard, et al. Simultaneous Localization and Map Building in Large-scale Cyclic Environments Using the Atlas Framework[J]// International Journal of Robotics Research, 2004,23(12):1113-1139.

[29] P.Piniés，J.D.Tardós. Large-scale Slam Building Conditionally Independent Local Maps: Application to Monocular Vision[J]. IEEE Transactions on Robotics,2008, 24(5):1094-1106.

[30] Y.Bar-Shalom, T.E.Fortmann. Tracking and Data Association[M].Boston, MA: Academic, 1988.

[31] I.J.Cox, J.J.Leonard. Modeling a Dynamic Environment Using a Bayesian Multiple Hypothesis Approach[J]. Artificial Intelligence, 1994,66(2):311-344.

[32] F. Bonin-Font, A. Cosic, P. Lluis Negre et al. Stereo SLAM for Robust Dense 3D Reconstruction of Underwater Environments[C]// IEEE Oceans, Genoa,2015:1-6.

[33] J.Mullane, BN.Vo, M.D.Adams et al. A Random-Finite-Set Approach to Bayesian SLAM[J]. IEEE Transactions on Robotics,2011,27(2):268-282.

[34] L.Paull, Guoquan Huang, M.Seto et al. Communication-constrained Multi-AUV Cooperative SLAM[C]// IEEE International Conference on Robotics and Automation (ICRA),Seattle, Washington, 2015:26-30.

[35] M.VanMiddlesworth, M.Kaess, F.Hover et al. Mapping 3D Underwater Environments with Smoothed Submaps[J]. Springer Tracts in Advanced Robotics,2015,105:17-30.