王 慧，李家銳，黃棟，黃平洋，許時(shí)鎮(zhèn)，孔祥峰，李慎德，陳春雷

(廣東海洋大學(xué)，廣東 湛江 524088)

0 引言

隨著科技的進(jìn)步，人類(lèi)在水下開(kāi)發(fā)與生產(chǎn)相關(guān)的產(chǎn)業(yè)中不斷加大投入。由于水下作業(yè)十分復(fù)雜，無(wú)纜水下機(jī)器人(Autonomous Underwater Vehicle，AUV)自主式水下潛器能代替人高效地完成危險(xiǎn)的工作，在特定水域下與人配合，改善人員的工作條件，提升水下作業(yè)的效率，因此，AUV的研發(fā)愈漸深入。新技術(shù)研發(fā)的核心離不開(kāi)識(shí)別技術(shù)和水下自主巡航技術(shù)兩大重要領(lǐng)域的發(fā)展，因?yàn)樽R(shí)別技術(shù)是能夠高效完成水下工作的前提，利用準(zhǔn)確的圖像信息，有利于AUV進(jìn)行快速、準(zhǔn)確、穩(wěn)定的響應(yīng)；自主巡航技術(shù)則進(jìn)一步拓展了水下作業(yè)的活動(dòng)空間，在沒(méi)有纜線的束縛下能夠更加靈活地適應(yīng)各種環(huán)境。

圍繞水下色塊識(shí)別技術(shù)和自主巡航技術(shù)，結(jié)合其他新技術(shù)可以滿足如水下探測(cè)作業(yè)、深水養(yǎng)殖管家等各種應(yīng)用需求。但是由于水下環(huán)境異常復(fù)雜，識(shí)別技術(shù)和水下自主巡航技術(shù)的發(fā)展顯得迫在眉睫。本研究將從AUV自主巡航要解決的兩大核心技術(shù)進(jìn)行研究，給出3種水下色塊識(shí)別常見(jiàn)的典型方法并進(jìn)行各自的優(yōu)缺點(diǎn)分析。

1 自主巡航的難點(diǎn)

AUV在水下自主巡航的實(shí)現(xiàn)，離不開(kāi)3個(gè)關(guān)鍵問(wèn)題：(1)AUV如何實(shí)現(xiàn)自主定位以及水下復(fù)雜環(huán)境建模的問(wèn)題。(2)預(yù)定目標(biāo)定位和環(huán)境的探索問(wèn)題。(3)決策規(guī)劃和行動(dòng)控制問(wèn)題。因此，將從自主巡航所要面臨的關(guān)鍵點(diǎn)展開(kāi)，探討如何進(jìn)行自主定位與地圖構(gòu)建以及如何實(shí)現(xiàn)AUV水下路徑規(guī)劃。

1.1 多傳感器融合同步自主定位與地圖構(gòu)建

因?yàn)橥阶灾鞫ㄎ慌c地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)在實(shí)際應(yīng)用中有關(guān)鍵性作用，還有嚴(yán)謹(jǐn)邏輯的理論，許多機(jī)器人研究者都喜歡將其作為機(jī)器人自主導(dǎo)航的重中之重。考慮到AUV在水下SLAM具有局限性，同時(shí)視覺(jué)會(huì)受到水環(huán)境的干擾，本研究著重介紹融合慣性測(cè)量單元的三維激光雷達(dá)SLAM的方式。

1.1.1 基于三維激光雷達(dá)的SLAM

SLAM采用三維激光雷達(dá)測(cè)距的方法在通過(guò)檢測(cè)柵格占有率來(lái)構(gòu)建三維柵格地圖的同時(shí)不斷進(jìn)行位置的更新，激光雷達(dá)測(cè)距原理普遍使用三角測(cè)距或飛行時(shí)差測(cè)距(Time of Flight Measurement，TOF)的方法，三角測(cè)距與TOF相比更多地應(yīng)用于短距離測(cè)量，因此也常使用于室內(nèi)。本研究的研究對(duì)象是3D激光雷達(dá)，基于TOF測(cè)距原理獲取探測(cè)方向上的點(diǎn)云數(shù)據(jù)，實(shí)現(xiàn)三維的立體掃描，相比于傳統(tǒng)的視覺(jué)傳感器，其優(yōu)點(diǎn)是抗干擾能力強(qiáng)、隱蔽性好、精確度高和測(cè)量區(qū)域大。

然而，3D激光雷達(dá)建立三維柵格地圖的同時(shí)，會(huì)產(chǎn)生柵格的不占有準(zhǔn)確度低的問(wèn)題。因?yàn)槭欠裾加惺歉鶕?jù)每一幀點(diǎn)云在該柵格上是否存在點(diǎn)從而進(jìn)行更新，會(huì)出現(xiàn)激光束穿過(guò)柵格的一小部分，比如邊緣部分，而被誤認(rèn)為該柵格不被占有，事實(shí)上該柵格有其他部分被占據(jù)，從而產(chǎn)生誤差，往往三維柵格地圖比二維柵格地圖出現(xiàn)這種誤差的可能性更大，影響更嚴(yán)重。從另一角度，或許可以嘗試用解決三維柵格地圖柵格不占有準(zhǔn)確度低的方法來(lái)解決2D中同樣存在的問(wèn)題，理論上也能起到一定的解決效果。已有的實(shí)驗(yàn)中給出了解決這個(gè)問(wèn)題的方法[1]，公式(1)中Np為柵格被占有的次數(shù)，Ne為不被占有的次數(shù)，當(dāng)Np=0時(shí)，明顯降低柵格被占據(jù)概率的必要條件是：目標(biāo)柵格不僅不被占有，還要多次不被占有。

(1)

1.1.2 融合慣性測(cè)量單元的三維激光雷達(dá)SLAM

慣性測(cè)量單元(Inertial Measurement Unit，IMU)，主要由慣性器件組成(陀螺、加速度計(jì)等)，用于輸出如加速度、角速度等最原始的數(shù)據(jù)。理論上，可以根據(jù)里程計(jì)和IMU或者激光雷達(dá)與地圖的匹配，計(jì)算出機(jī)器人的位姿，但在實(shí)際定位過(guò)程中，里程計(jì)、IMU、激光雷達(dá)與地圖都包含噪聲，因而選擇多傳感器的數(shù)據(jù)融合進(jìn)行取長(zhǎng)補(bǔ)短矯正誤差。

里程計(jì)雖然能快速估計(jì)機(jī)器人的位姿，但是估計(jì)的誤差會(huì)隨著時(shí)間逐漸積累；激光在初始化位姿時(shí)得到柵格的基礎(chǔ)上直接與地圖進(jìn)行匹配，會(huì)出現(xiàn)匹配效率較低，甚至?xí)霈F(xiàn)誤匹配。根據(jù)已有的實(shí)驗(yàn)發(fā)現(xiàn)，多傳感器的組合，先利用里程計(jì)和IMU的推算作為位姿的先驗(yàn)估計(jì)，激光雷達(dá)根據(jù)先驗(yàn)估計(jì)再進(jìn)行匹配矯正以保證機(jī)器人位姿估計(jì)的實(shí)時(shí)性和準(zhǔn)確性，將能自主定位并得到更精確的三維柵格地圖[2]。

1.2 基于模糊PID過(guò)程控制的局部路徑規(guī)劃

在同步自主定位與構(gòu)建的三維柵格地圖之上，類(lèi)比已有航向控制系統(tǒng)的模糊PID調(diào)節(jié)船舶轉(zhuǎn)向的研究[3]方法進(jìn)行改進(jìn)，基于模糊控制系統(tǒng)，局部進(jìn)行過(guò)程控制系統(tǒng)典型的自適應(yīng)比例-積分-微分(Proportion Integral Differential，PID)調(diào)節(jié)，對(duì)多輸入-多輸出的過(guò)程控制耦合系統(tǒng)進(jìn)行解耦[4]，成功解耦為3個(gè)單輸入-單輸出的控制系統(tǒng)，解決局部路徑規(guī)劃問(wèn)題。

1.2.1 測(cè)量變送器

反復(fù)讀取陀螺儀的角度修正前進(jìn)方向，軟件模擬IIC接口并對(duì)陀螺儀3個(gè)發(fā)展方向的原始數(shù)據(jù)進(jìn)行讀取。再將能夠通過(guò)算法得到3個(gè)方向角度的數(shù)據(jù)管理平臺(tái)(Data Management Platform，DMP)無(wú)縫移植到STM32上。因?yàn)樗聶C(jī)器人的航向在水下會(huì)受到洋流、水流速度等因素的干擾，路徑規(guī)劃會(huì)存在偏差，基于過(guò)程控制系統(tǒng)的常規(guī)思路，可先對(duì)采樣值進(jìn)行程序判斷濾波，再通過(guò)算術(shù)平均濾波或一階慣性濾波等數(shù)字濾波[5]的方法對(duì)當(dāng)前角度φ′進(jìn)行處理，使測(cè)量值更加真實(shí)。

1.2.2 參數(shù)模糊自整定PID控制器

圖1 含模糊PID調(diào)節(jié)的過(guò)程控制系統(tǒng)

1.2.3 執(zhí)行器

當(dāng)前角度與初始角度的不同偏差會(huì)產(chǎn)生不同的結(jié)果，若結(jié)果為0，改變轉(zhuǎn)向電機(jī)的占空比；若結(jié)果為1，則機(jī)器人直行。在三維柵格地圖上，行駛過(guò)程中可通過(guò)判別激光雷達(dá)等傳感器接收到的信息，躲避前方緊急出現(xiàn)柵格占有率較高的三維柵格，到達(dá)新的柵格后此標(biāo)記點(diǎn)將作為新一輪的起點(diǎn)[7]。

目前，在水下AUV應(yīng)用的領(lǐng)域模糊PID調(diào)節(jié)運(yùn)用比較廣泛且多數(shù)應(yīng)用于無(wú)人艇等水下機(jī)器人推進(jìn)器、浮力推進(jìn)系統(tǒng)等領(lǐng)域的研究。基于過(guò)程控制系統(tǒng)典型的PID調(diào)節(jié)，魯棒性高，調(diào)節(jié)速度快，可以有效消除水下洋流等環(huán)境因素的干擾。結(jié)合模糊控制系統(tǒng)與過(guò)程控制系統(tǒng)的典型PID調(diào)節(jié)應(yīng)用于水下AUV具有十分明顯的優(yōu)勢(shì)，能夠使非線性系統(tǒng)無(wú)限逼近于線性系統(tǒng)(基于模糊控制的特性)的處理，但是加入模糊控制器也會(huì)存在一些弊端，相比于原來(lái)的PID調(diào)節(jié)，開(kāi)始會(huì)產(chǎn)生比較明顯的震蕩，可采用模糊滑?？刂破鞯姆椒╗8]進(jìn)行改善。

2 色塊識(shí)別的典型方法

AUV的識(shí)別技術(shù)在海洋領(lǐng)域具有十分廣闊的應(yīng)用和前景，但是在水下復(fù)雜的環(huán)境中，受到水的色散、折射、流速等環(huán)境因素的干擾異常嚴(yán)重，色塊識(shí)別更是要解決的核心問(wèn)題。以下將講解3種分別基于樹(shù)莓派的OpenCV、基于神經(jīng)網(wǎng)絡(luò)的Tensorflow以及基于STM32的OpenMV在水下實(shí)現(xiàn)色塊識(shí)別的典型方法。

2.1 基于樹(shù)莓派的OpenCV色塊識(shí)別

無(wú)需高昂花費(fèi)即可輕易完成水下色塊識(shí)別的計(jì)算機(jī)視覺(jué)庫(kù)工具OpenCV，用高效簡(jiǎn)潔的語(yǔ)言進(jìn)行源代碼的編寫(xiě)，實(shí)時(shí)實(shí)現(xiàn)計(jì)算機(jī)視覺(jué)。擁有基于BSD許可的API在各平臺(tái)得到了廣泛的運(yùn)用。同時(shí)結(jié)合樹(shù)莓派占用空間不大、運(yùn)算速度快等優(yōu)勢(shì)，可觀的處理速度與優(yōu)越的性能彌補(bǔ)了水下色塊識(shí)別的復(fù)雜性與計(jì)算量的需求短缺并為其帶來(lái)了巨大的優(yōu)勢(shì)，在水下色塊識(shí)別領(lǐng)域得到充分的展現(xiàn)。

OpenCV識(shí)別檢測(cè)通常采用的兩種模型分別為紅—綠—藍(lán)(Red-Green-Blue，RGB)模型和色相-飽和度-明度(Hue-Saturation-Value，HSV)模型，RGB模型在電腦和電視機(jī)等屏幕上得到了廣泛應(yīng)用，但HSV模型更加適用于色塊分析，更加自然且直觀?；贏UV處于較為復(fù)雜的水域環(huán)境，要想實(shí)現(xiàn)水下色塊識(shí)別，離不開(kāi)以下幾個(gè)步驟。

(1)根據(jù)已有的實(shí)驗(yàn)研究，可將讀取的圖片或每一幀圖像轉(zhuǎn)為HSV模型(見(jiàn)圖2)并進(jìn)行均衡化處理(見(jiàn)圖3)[9]。(2)用in range(輸入陣列src，輸入陣列l(wèi)owerb，輸入陣列支援dst)函數(shù)檢測(cè)顏色，輸入圖像(src)的各像素是否在lowerb(下邊界)和upput(上邊界)之間能夠被有效檢測(cè)出來(lái)，若在該范圍內(nèi)該像素就被置為255并且保存于輸出圖像(dst)中，不是就置為0。(3)對(duì)得到的目標(biāo)顏色二值圖像進(jìn)行開(kāi)操作與閉操作(見(jiàn)圖4)，同時(shí)連接一些連通域。

圖2 RGB模型轉(zhuǎn)換為HSV模型

圖3 彩色圖均衡化處理

圖4 二值圖像開(kāi)操作與閉操作

AUV通過(guò)樹(shù)莓派調(diào)用OpenCV，雖然計(jì)算機(jī)視覺(jué)在圖像處理方面含有大量函數(shù)且涉及面廣，在色塊識(shí)別方面有所成效，但存在許多缺陷，如十分依賴(lài)攝像頭等硬件的精度、閾值分割、方式單一、辨識(shí)度低等問(wèn)題，算法處理速度會(huì)受到無(wú)用信息運(yùn)行的影響。

根據(jù)已有研究，可以在直方圖分割條中運(yùn)用微小的輪廓亮度和預(yù)處理閾值的方法，選取適當(dāng)?shù)臈l分割處理，然后運(yùn)用滑塊得到理想的預(yù)處理結(jié)果[10]。該方法能有效解決水域環(huán)境中背景顏色與目標(biāo)物極為相似的難題，減少如藍(lán)色金槍魚(yú)的顏色與海水極為相似導(dǎo)致色塊區(qū)分不清的情況，極大提高了色塊識(shí)別的辨識(shí)度和準(zhǔn)確度。

2.2 基于神經(jīng)網(wǎng)絡(luò)的Tensorflow色塊識(shí)別

神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)深度學(xué)習(xí)的有用工具(神經(jīng)網(wǎng)絡(luò)可以良好地實(shí)現(xiàn)深度學(xué)習(xí)功能)，而且神經(jīng)網(wǎng)絡(luò)在圖片識(shí)別中具有良好的作用。神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元可以通過(guò)已知屬性特征的不同權(quán)值計(jì)算出所需的目標(biāo)，因此使得整個(gè)神經(jīng)網(wǎng)絡(luò)可以通過(guò)深度學(xué)習(xí)算法提取圖片中的圖像特征，從而完成圖像的識(shí)別。神經(jīng)網(wǎng)絡(luò)的基本神經(jīng)元如圖5所示[11]。卷積神經(jīng)系統(tǒng)可以在TensorFlow上進(jìn)行構(gòu)建并能夠隨時(shí)被修改，增加神經(jīng)網(wǎng)絡(luò)深度，使模型的抽象能力更強(qiáng)，提高圖片識(shí)別的準(zhǔn)確率。

圖5 神經(jīng)網(wǎng)絡(luò)的基本神經(jīng)元

卷積神經(jīng)系統(tǒng)網(wǎng)絡(luò)的基本結(jié)構(gòu)設(shè)計(jì)主要有輸入層、卷積層、池化層、激勵(lì)層等[12]，如圖6所示。輸入層直接輸入圖片；卷積層和池化層對(duì)圖片進(jìn)行全局感知，然后對(duì)特征進(jìn)行降維，卷積層通過(guò)卷積核讀取圖片特征的像素點(diǎn)；池化層壓縮輸入圖片，使輸出圖片的像素等于卷積核的大小。激勵(lì)層則把各層的運(yùn)算結(jié)果加入非線性因素提高模型的表達(dá)能力；分類(lèi)器則是直接對(duì)圖片中的物體進(jìn)行分類(lèi)[12]。

圖6 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

總的來(lái)說(shuō)，水下機(jī)器人簡(jiǎn)單運(yùn)行的過(guò)程如下：(1)通過(guò)機(jī)器學(xué)習(xí)建立一個(gè)水下物體的庫(kù)。(2)水下機(jī)器人通過(guò)攝像頭捕抓物體的圖像信息并將其傳輸?shù)竭_(dá)上位機(jī)分析處理圖像，處理時(shí)通過(guò)卷積和池化，對(duì)圖像特征進(jìn)行感知、降維等操作，傳遞給分類(lèi)器進(jìn)行分類(lèi)。(3)最后對(duì)提取的圖像與TensorFlow搭建的訓(xùn)練庫(kù)進(jìn)行特征比較，從而實(shí)現(xiàn)對(duì)水下物體的識(shí)別。

TensorFlow在水下進(jìn)行色塊識(shí)別時(shí)由于其具有十分適用的API，尤其像由谷歌開(kāi)發(fā)的圖像檢測(cè)器object detection API，有利于機(jī)器人對(duì)圖像進(jìn)行分類(lèi)以及特征的提取，容易實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別?？梢岳肁PI收集到的數(shù)據(jù)使水下機(jī)器人通過(guò)深度學(xué)習(xí)建立物體識(shí)別模型，從而識(shí)別物體的功能。

基于Tensorflow進(jìn)行深度學(xué)習(xí)的水下圖像識(shí)別具有顯著的優(yōu)勢(shì)，可隨時(shí)填充機(jī)器人的數(shù)據(jù)庫(kù)，根據(jù)需求識(shí)別不同的物體。但是也存在一定的缺陷，圖像識(shí)別需要大量數(shù)據(jù)，而水下圖像數(shù)據(jù)太少。由于水下拍攝難度大，且網(wǎng)上關(guān)于水下物品的圖片太少，很難使機(jī)器人形成自己的庫(kù)[13]。此外，水下亮度不夠，很容易導(dǎo)致機(jī)器人“色盲”，影響機(jī)器人的顏色識(shí)別，只能通過(guò)物體形狀去識(shí)別。

2.3 基于STM32的OpenMV色塊識(shí)別

憑借C語(yǔ)言可完成核心算法的機(jī)器視覺(jué)模塊OpenMV，具有低成本、靈活且易使用的優(yōu)點(diǎn)。OpenMV基于STM32提供了用python語(yǔ)言的編譯接口，并且能通過(guò)I2C、ADC、UART、GPIO等接口進(jìn)行硬件擴(kuò)展，硬件資源十分豐富。

色塊識(shí)別更完整地描述應(yīng)該是顏色識(shí)別與追蹤，具體流程如下：(1)首先，要使用圖像分割的一種最簡(jiǎn)單的方法——二值化處理圖像顏色；其次，把最小灰度值以及最大灰度值遍歷并用類(lèi)間方差原理[14]得出最佳閾值，實(shí)現(xiàn)目標(biāo)和背景分離。把灰度圖像轉(zhuǎn)換成二值圖像后主體像素能有效凸顯，輪廓分明，有助于進(jìn)行圖像識(shí)別。(2)明確了二值化處理，需要選擇顏色空間來(lái)實(shí)現(xiàn)閾值處理的進(jìn)行二值化。采用并不常用Lab顏色空間，但在眾多設(shè)計(jì)圖像計(jì)算中應(yīng)用廣泛。(3)運(yùn)用聯(lián)通域檢索，把輸入圖像逐行掃描找出對(duì)象的個(gè)數(shù)，同時(shí)計(jì)算出所有區(qū)域像素的個(gè)數(shù)，換算成要測(cè)算區(qū)域的面積大小，最后進(jìn)行聯(lián)通閾檢索，就可以把目標(biāo)凸顯出來(lái)，實(shí)現(xiàn)識(shí)別。

用Camshift算法可以使AUV在水下消除捕捉目標(biāo)運(yùn)動(dòng)所帶來(lái)的影響，Camshift的特點(diǎn)是能根據(jù)目標(biāo)像素塊的面積自動(dòng)調(diào)節(jié)搜索窗的大小，從而得到連續(xù)的追蹤效果，且搜索時(shí)間相對(duì)較短。捕捉運(yùn)動(dòng)物體時(shí)(注意物體運(yùn)動(dòng)不能過(guò)快，有可能會(huì)導(dǎo)致捕捉失敗)該算法擁有優(yōu)秀的魯棒性，十分適用于水下機(jī)器人。算法流程如圖7所示，根據(jù)HSV顏色空間對(duì)光線亮度的不敏感性，將攝像頭獲取的圖像轉(zhuǎn)換為HSV圖像后作出色調(diào)H的直方圖后作反向投影，直方圖的值就是顏色分布概率，最后，以Meanshift原理不斷重復(fù)搜索水下AUV想要尋找捕捉的色塊。

圖7 Camshift算法流程

由于OpenMV本質(zhì)上是擁有圖像識(shí)別功能的STM32單片機(jī)，利用其豐富的接口資源可以操控外部硬件單元，甚至能通過(guò)串口通信受其他單片機(jī)模塊控制，如樹(shù)莓派等，也可以增加擴(kuò)展版進(jìn)一步增強(qiáng)擴(kuò)展能力。因此，OpenMV簡(jiǎn)單易用，在嵌入式系統(tǒng)僅需要增加一個(gè)小小的模塊就可以擁有機(jī)器視覺(jué)能力，從而實(shí)現(xiàn)更加復(fù)雜的功能。

盡管OpenMV結(jié)構(gòu)簡(jiǎn)單、體積小巧，但受限于其物理分辨率，有的只有500萬(wàn)，其成像質(zhì)量并不如人意，加上模塊體積限制，CMOS面積較小，進(jìn)光量不足，例如在水下光線不充足的工作環(huán)境中，有時(shí)也導(dǎo)致識(shí)別率失準(zhǔn)。模塊本身沒(méi)有防抖結(jié)構(gòu)，水下作業(yè)時(shí)機(jī)器人一般處于不穩(wěn)定狀態(tài)，可能會(huì)導(dǎo)致色塊捕捉丟失，可考慮利用類(lèi)似微云臺(tái)等器件保持畫(huà)面平滑穩(wěn)定。

3 歸納與展望

自主定位與地圖構(gòu)建、路線規(guī)劃以及色塊識(shí)別是AUV能夠在水下高效完成水下作業(yè)的重難點(diǎn)，許多文獻(xiàn)都對(duì)此進(jìn)行了探討與研究，并優(yōu)化與升級(jí)方法。經(jīng)過(guò)整理，將從以下3個(gè)角度進(jìn)行歸納并展望。

3.1 激光SLAM點(diǎn)云的精度優(yōu)化

AUV由于在水域環(huán)境遇到障礙物，視線被遮擋，點(diǎn)云采集路線受限嚴(yán)重，在激光SLAM點(diǎn)云采集過(guò)程中不同位置之間難以通視，只能形成少量閉合環(huán)。在這種情況下，無(wú)論是實(shí)時(shí)的SLAM點(diǎn)云精度，還是優(yōu)化后的點(diǎn)云精度，都會(huì)受到一定影響。因此，除了制定合理的數(shù)據(jù)采集路線外，讀者可以研究一種在少量閉合環(huán)情況下更高效地提高點(diǎn)云精度優(yōu)化方法，目前針對(duì)這種特殊情況的研究還有待挖掘。

3.2 模糊PID的過(guò)程控制系統(tǒng)優(yōu)化

利用模糊PID調(diào)節(jié)的優(yōu)勢(shì)，結(jié)合工業(yè)生產(chǎn)中的過(guò)程控制系統(tǒng)的思維，對(duì)整個(gè)系統(tǒng)進(jìn)行優(yōu)化，就如AUV在路線規(guī)劃的過(guò)程中，極易受到水流因素的干擾，讀者可以嘗試是否可以加入前饋控制器(見(jiàn)圖8)，根據(jù)進(jìn)入過(guò)程的擾動(dòng)量進(jìn)行控制，可以有效減少被控量的偏差。又或者當(dāng)對(duì)AUV轉(zhuǎn)動(dòng)電機(jī)方向的控制存在時(shí)間滯后問(wèn)題時(shí)，系統(tǒng)受到的干擾作用無(wú)法根據(jù)所要控制的3個(gè)方向的角度而及時(shí)判別出來(lái)，使得超調(diào)穩(wěn)定性大大降低，是否可以加入Smith預(yù)估補(bǔ)償器[15]，從而消除純滯后特性在閉環(huán)的影響。

圖8 前饋-反饋控制系統(tǒng)

3.3 色塊識(shí)別3種典型方法的比較

(1)OpenCV庫(kù)在圖像處理方面含有大量已有的函數(shù)且涉及面廣，但閾值分割、方式單一的情況嚴(yán)重，無(wú)用的函數(shù)內(nèi)部宏定義等信息嚴(yán)重影響了水下的圖像處理速度。(2)Tensorflow可根據(jù)需求填充數(shù)據(jù)庫(kù)識(shí)別不同的物體，可以良好地優(yōu)化訓(xùn)練模型，通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行重建和訓(xùn)練對(duì)圖像識(shí)別有較高的精度要求，但需要大量數(shù)據(jù)，水下亮度不夠還易導(dǎo)致“色盲”。(3)OpenMV體積小，簡(jiǎn)單易用，易于控制其他硬件，也易被其他硬件模塊控制，但受限于其物理分辨率與模塊體積，無(wú)防抖結(jié)構(gòu)，AUV不穩(wěn)定狀態(tài)易導(dǎo)致色塊捕捉丟失，需要輔助器件保持畫(huà)面平滑穩(wěn)定。

使用者需要根據(jù)AUV作業(yè)環(huán)境的需求來(lái)選擇不同的色塊識(shí)別方式，達(dá)到在復(fù)雜水域環(huán)境中實(shí)現(xiàn)不同色塊的識(shí)別的目的，尤其是在養(yǎng)殖環(huán)境中，如綠色塊圍欄養(yǎng)殖網(wǎng)衣生物的辨別與清理、不同顏色養(yǎng)殖種類(lèi)如魚(yú)群的辨識(shí)、養(yǎng)殖生物發(fā)生病變產(chǎn)生的色塊異常的及時(shí)發(fā)現(xiàn)與清理、及時(shí)發(fā)現(xiàn)水中微量元素異常導(dǎo)致的浮游生物異常增殖如紅海等，這3種色塊識(shí)別的方法均具有十分可期的應(yīng)用前景，將帶來(lái)巨大的經(jīng)濟(jì)價(jià)值與社會(huì)利益。

4 結(jié)語(yǔ)

文章圍繞AUV在水下復(fù)雜的環(huán)境中，一是探討如何實(shí)現(xiàn)自主巡航的問(wèn)題，從同步自主定位與地圖構(gòu)建和路徑規(guī)劃兩個(gè)難點(diǎn)展開(kāi)。采用融合慣性測(cè)量單元的三維激光雷達(dá)SLAM的方式進(jìn)行AUV的定位與環(huán)境建模，在得到較為精確的三維柵格地圖之上，提出基于模糊控制系統(tǒng)，局部進(jìn)行過(guò)程控制系統(tǒng)典型的自適應(yīng)PID調(diào)節(jié)解決路徑規(guī)劃的問(wèn)題，同時(shí)能夠在穩(wěn)定性、抗干擾性及響應(yīng)快速等方面進(jìn)行良好的優(yōu)化。二是對(duì)基于樹(shù)莓派的Opencv色塊識(shí)別、神經(jīng)網(wǎng)絡(luò)的Tensorflow色塊識(shí)別以及STM32的Openmv色塊識(shí)別3種典型的色塊識(shí)別方法，進(jìn)行了各自的優(yōu)劣勢(shì)的分析并加以比較，進(jìn)行歸納和總結(jié)，并給出了今后這3種典型方法的應(yīng)用前景與改進(jìn)方向。