徐海彬，劉 暢，田建東，李小毛+

(1.上海大學(xué) 機電工程與自動化學(xué)院，上海 200444；2.中國科學(xué)院沈陽自動化研究所 機器人學(xué)國家重點實驗室，遼寧 沈陽 110016)

0 引 言

水面無人艇是一種在河道、湖面、海面航行的小型智能化水面移動平臺[1,2]。無人艇自主對接(回收)技術(shù)是無人艇的智能化作業(yè)的重要組成部分。浮動托架式自主回收為無人艇自主回收[3]方式的一種，即在無人艇完成指定任務(wù)后，自主規(guī)劃路徑到回收托架，以一定姿態(tài)駛?cè)胪屑?，完成二者對接，實現(xiàn)無人艇回收。托架式對接過程如圖1(a)～圖1(d)所示：遠距離時，可以通過GPS對無人艇進行導(dǎo)引，向回收托架不斷靠攏，但當(dāng)無人艇和回收托架距離縮小到15 m以內(nèi)時，普通GPS無法滿足對接精度要求。通常視覺導(dǎo)航是解決近距離高精度導(dǎo)航的一種重要手段。目前的視覺對接多用于對水下AUV的回收[4,5]，還沒有專門針對水面無人艇的視覺自主對接系統(tǒng)。日本的Tri-TON2[6,7]以及哈爾濱工程大學(xué)的WL-3[8]AUV視覺自主對接技術(shù)通過AUV頭部的攝像頭拍攝并提取對接口上的點光源位置，與實際點光源位置比較，不斷獲得對接裝置相對于AUV的位姿并對AUV進行導(dǎo)引。浙江大學(xué)[9]同樣依靠點光源實現(xiàn)單目單燈的近距離視覺導(dǎo)引。由于太陽光的直射、水面反射以及干擾物的存在，上述面向水下暗環(huán)境的傳統(tǒng)圖像處理方法無法直接用于海面無人艇視覺對接。如圖2所示，圖2(a)為包含點光源的原圖，圖2(b)為采用濾波、形態(tài)學(xué)處理等傳統(tǒng)圖像處理方法得到的提取點光源后的圖像，后者由于干擾物和水面反射的影響無法直接對無人艇進行視覺導(dǎo)引。圖2(c)為使用本文深度目標檢測算法檢測對接裝置的圖像，實現(xiàn)了對目標的精準定位和分類，能夠有效用于近距離視覺導(dǎo)引。

圖1 自主對接

圖2 傳統(tǒng)處理方法與深度方法效果對比

同時，不同于AUV水下靜態(tài)視覺對接時對接裝置固定于海底或者水池底部，懸浮托架漂浮于水面，在水流和推進器作用下會發(fā)生不同姿態(tài)的轉(zhuǎn)動，如圖3(a)所示。在托架開口未正對無人艇的情況下，采用AUV單方面檢測對接口的策略無法穩(wěn)定保證對接成功，如圖3(b)所示，托架開口未對準無人艇的情況下將導(dǎo)致對接失敗。因此，本文采用了艇、托架雙向視覺導(dǎo)引的策略。對接時托架開口需要始終對準目標艇，但視野中往往會存在與目標艇外形極為相似的干擾艇，會對檢測結(jié)果造成干擾，如圖4所示。

圖3 托架的不同姿態(tài)及開口方向

圖4 托架視角下的目標艇和干擾艇

為解決上述問題，本文最終提出了一種結(jié)合目標檢測、GPS位置定位信息、目標跟蹤的自主對接方法。具體貢獻如下：①本文提出了目標艇、懸浮托架雙向視覺導(dǎo)引的對接策略；②為了實現(xiàn)嵌入式平臺下實時高精度目標檢測，本文以Tiny-YOLOv3[10]為基礎(chǔ)，基于細節(jié)特征的要求以及艇、托架形狀的先驗信息，提出了一種定位增強輕量級檢測網(wǎng)絡(luò)；③本文提出了一種基于視覺和GPS位置定位信息排除干擾艇的方法。

基于上述方法，本文構(gòu)建了基于視覺和定位系統(tǒng)的無人艇浮動托架式自主對接系統(tǒng)。該系統(tǒng)在船模實驗水池中進行了有干擾艇下的對接測試，干擾艇排除率100%。在二級海況下回收對接實驗的對接成功率為90.9%，驗證了本文視覺自主對接系統(tǒng)能夠穩(wěn)定實現(xiàn)無人艇自主對接回收。

1 自主對接系統(tǒng)

1.1 系統(tǒng)實施機構(gòu)

自主對接系統(tǒng)包括“精?！?號無人艇和懸浮托架。無人艇長2.6 m，寬1.4 m，高0.5 m，懸浮托架長3.5 m，寬2.5 m，高0.8 m。二者搭載設(shè)備包括TQJ-0727R6天線、DGS680慣導(dǎo)GPS組合、200萬像素網(wǎng)絡(luò)攝像頭、工控機、底層控制箱、電源以及推進器(舵機)。天線用于接收自主對接指令以及與母船之間的信號傳輸。GPS用于獲取位置定位信息。高清攝像頭用于實時獲取圖像數(shù)據(jù)。工控機用于對獲取的位置信息、圖像數(shù)據(jù)做實時處理?？刂葡溆?2 V電源供電，內(nèi)含STM32F103單片機控制板，通過串口通信接收由工控機發(fā)送的舵角與油門信號并通過PWM脈沖控制調(diào)節(jié)無人艇尾部舵機和懸浮托架底部的6個推進器轉(zhuǎn)速。推進器(舵機)用于實現(xiàn)無人艇前進和托架開口的旋轉(zhuǎn)。

1.2 系統(tǒng)實施流程

當(dāng)目標無人艇和懸浮托架距離縮小達到20 m時，視覺自主對接系統(tǒng)開始工作。圖5為攝像頭和GPS在無人艇和懸浮托架上的安裝位置，攝像頭正中固定安裝。圖6為視覺自主對接系統(tǒng)的架構(gòu)，檢測網(wǎng)絡(luò)用于檢測懸浮托架和無人艇；CSR-DCF[11]跟蹤算法用于對目標艇進行跟蹤。

圖5 GPS和攝像頭安裝位置

圖6 視覺自主對接系統(tǒng)架構(gòu)

目標無人艇在對接過程中，通過檢測網(wǎng)絡(luò)實時檢測出懸浮托架，結(jié)合懸浮托架在圖像中的位置和相機內(nèi)參fx，實時計算托架相對于目標無人艇的偏轉(zhuǎn)角φ(計算過程見3.1節(jié))。

懸浮托架在對接過程中，針對視覺檢測目標，首先通過GPS位置定位信息排除干擾艇，隨后通過單目標CSR-DCF目標跟蹤算法對目標艇進行實時跟蹤，結(jié)合圖像中的跟蹤結(jié)果和相機內(nèi)參fx，實時計算目標艇相對于托架的偏轉(zhuǎn)角φ。

在得到偏轉(zhuǎn)角φ后，將其通過S面控制器轉(zhuǎn)化為舵角δ，轉(zhuǎn)化公式為

(1)

式中：k1,k2為控制參數(shù)。隨后將舵角發(fā)送到底層，在定油門下控制舵機和推進器運轉(zhuǎn)，直至對接完成。上述流程的重點在于檢測網(wǎng)絡(luò)和基于視覺以及GPS位置定位信息排除干擾艇的方法。

2 定位增強輕量級檢測網(wǎng)絡(luò)

在回收過程中，檢測算法的檢測精度和定位性能是能否成功對接的關(guān)鍵，比如在遠距離排除干擾艇前，懸浮托架不能漏檢目標艇；在懸浮托架和目標艇不斷靠近的過程中，目標艇需要準確定位懸浮托架以確保艇艏向始終對準托架開口。

本文檢測算法在Tiny-YOLOv3基礎(chǔ)上提出了一種定位增強輕量級檢測網(wǎng)絡(luò)。傳統(tǒng)Tiny-YOLOv3存在漏檢小尺度目標，對尺度變化大的目標定位性能不足的問題，如圖7黑色虛線框所示。本文通過增加小尺度預(yù)測分支、增加anchor數(shù)目、對anchor進行聚類及增大輸入分辨率的方式提升了網(wǎng)絡(luò)的檢測和定位性能，達到如圖7中黑色實線框的預(yù)測效果。圖中白色框表示真實框。

圖7 Tiny-YOLOv3和本文檢測算法定位性能對比

2.1 網(wǎng)絡(luò)性能改進

(1)增加小尺度預(yù)測分支。在特征提取的過程中，深層特征圖感受野更大，對大尺度目標更敏感，淺層特征圖細節(jié)性更強，更有利于小目標的定位。傳統(tǒng)的Tiny-YOLOv3只在最深層的兩種尺度的特征圖上對目標進行預(yù)測，如圖8(a)所示，使得網(wǎng)絡(luò)對遠距離小尺度目標的檢測和定位性能不足。本文在Tiny-YOLOv3的基礎(chǔ)上增加了小尺度預(yù)測分支，并將網(wǎng)絡(luò)低層輸出的高分辨率特征圖和上采樣后的高層特征圖采用通道數(shù)疊加的方式融合，彌補了低層語義信息的不足，如圖8(b)所示。

圖8 多尺度預(yù)測對比

(2)聚類方式設(shè)置anchor。傳統(tǒng)的Tiny-YOLOv3在兩種尺度下分別產(chǎn)生(10×14)、(23×27)、(37×58)和(81×82)、(135×169)、(344×319)的anchor用于目標檢測。Tiny-YOLOv3中的anchor大小是針對普適性目標進行設(shè)置的，包含了大量寬高比小于1的細長情況，而無人艇、托架在圖像中呈扁平狀或方形，寬高比大于或等于1。因此，本文利用目標形狀先驗信息，針對無人艇數(shù)據(jù)集、懸浮托架數(shù)據(jù)集中的目標分別進行K-means聚類，各設(shè)置9種聚類輸出，以聚類結(jié)果設(shè)置anchor。聚類的距離量度為

d=1-IOU[(xj,yj,wj,hj),(xj,yj,Wi,Hi)]

j=1,2,…,N,i=1,2,…,9

(2)

式中：d表示距離，N表示真實框的數(shù)目，xj，yj，wj，hj表示真實框的中心坐標和寬、高，Wi，Hi表示聚類框的寬、高。最終檢測無人艇的模型在小尺度下的anchor設(shè)置為(17×17)、(20×14)、(28×18)，中尺度下為(37×27)、(52×36)、(60×60)，大尺度下為(95×50)、(127×101)、(288×203)，檢測懸浮托架的模型在小尺度下的anchor設(shè)置為(16×14)、(22×22)、(46×32)，中尺度下為(60×52)、(103×86)、(175×154)，大尺度下為(201×168)、(327×283)、(400×332)。

(3)權(quán)衡檢測速度與精度。傳統(tǒng)的Tiny-YOLOv3使用416×416大小作為輸入，在該分辨率下檢測速度為40 FPS，檢測速度超出預(yù)期。因此，本文在滿足嵌入式平臺下實時運行的前提下，使用更大的輸入圖像分辨率以提供更多的圖像細節(jié)信息提升檢測的精度。本文通過多組實驗權(quán)衡檢測的精度和速度，比較不同分辨率下檢測無人艇、懸浮托架的平均精度(APUSV、APbracket)和檢測速度(FPSUSV、FPSbracket)，見表1。最終，檢測模型選擇輸入分辨率為512×512，此時檢測速度達到23 FPS，保證了實時條件下的精度最優(yōu)。

表1 不同輸入分辨率下的精度實時性對比

2.2 網(wǎng)絡(luò)結(jié)構(gòu)細節(jié)

下面將結(jié)合圖9對本文的檢測網(wǎng)絡(luò)整體結(jié)構(gòu)做描述。

圖9 檢測模型結(jié)構(gòu)

首先，將原始圖像縮放到512×512的大小作為輸入，接著通過由4個卷積層、3個池化層的輕量級骨架網(wǎng)絡(luò)對輸入圖像進行特征提取。隨后，進一步通過卷積提取更深層次的特征，得到8倍、16倍、32倍下采樣的3個尺度的特征圖。接著，將高維的特征圖上采樣到2倍大小并拼接到低維特征圖上增強低層的語義信息。然后，將拼接后3種尺度下的特征圖通過卷積逐步降維到18個通道，得到64×64×18，32×32×18，16×16×18的3種大小的特征圖，分別對小尺度目標、中等尺度目標和大尺度目標進行預(yù)測，最終再通過非極大值抑制(NMS)去除多余的檢測結(jié)果。(NMS閾值和Tiny-YOLOv3相同，依舊為0.45)

通過上述定位增強輕量級檢測網(wǎng)絡(luò)分別對無人艇和懸浮托架進行檢測。由于干擾艇的存在，懸浮托架視角下會檢測出多個目標，需要進一步結(jié)合GPS位置定位信息去除干擾艇。

3 基于視覺和GPS位置定位信息排除干擾艇

為了實現(xiàn)對干擾艇的排除，首先，結(jié)合相機內(nèi)參fx計算各個視覺檢測目標相對于托架中心的偏轉(zhuǎn)角；接著，基于GPS位置定位信息計算目標艇相對于托架中心的偏轉(zhuǎn)角；最后，以后者為基準排除干擾艇并對目標艇進行跟蹤直至對接完成。

3.1 基于視覺的無人艇偏轉(zhuǎn)角計算

如圖10所示，當(dāng)懸浮托架和目標艇相距20 m時，懸浮托架通過定位增強輕量級檢測網(wǎng)絡(luò)檢測得到一系列像素坐標系下的目標，(ui,vi,wi,hi)分別表示第i個目標的中心坐標、寬高的像素值。其中XcYcZc表示相機坐標系，xoy表示圖像坐標系，u-v表示像素坐標系，圖10中檢測出兩個目標，位置信息分別為(u1,v1,w1,h1)和(u2,v2,w2,h2)。實際前者為干擾艇，后者為目標艇。

圖10 基于視覺的偏轉(zhuǎn)角

首先，將像素坐標系下目標u方向的位置坐標ui轉(zhuǎn)化到圖像坐標系下，公式為

xi=(ui-W/2)dx

(3)

式中：xi表示轉(zhuǎn)化到xoy圖像坐標系下的坐標，i表示第i個視覺檢測目標，W表示圖像寬度，dx表示單位像素到單位長度的轉(zhuǎn)換，1pixel=dx mm。

“你是想到山上找龍洞吧?傳說龍洞里藏了很多寶物，是長毛藏進去的，很多人找過，把命丟了還是沒找到……這山上有個大碉堡，我年輕時常爬進去，在碉堡里能看見進村和出村的路口，看見村西的大田畈和楊梅溪……”

隨后計算得到各個視覺檢測目標相對于光軸的水平偏轉(zhuǎn)角，即相對于托架中心的偏轉(zhuǎn)角φi

(4)

式中：f表示相機焦距，fx表示相機內(nèi)參中x方向的焦距，實際通過網(wǎng)格標定法獲得。

本小節(jié)的偏轉(zhuǎn)角計算同樣適用于無人艇對懸浮托架的檢測。

3.2 基于GPS位置定位信息的偏轉(zhuǎn)角計算

懸浮托架和目標無人艇上各裝有一對GPS，通過GPS分別獲得懸浮托架中心G1的經(jīng)緯度(xfirst,yfirst)和目標無人艇中心G2的經(jīng)緯度信息(xnext，ynext)，如圖11所示，其中G1位置和攝像頭位置重合。

圖11 基于GPS的偏轉(zhuǎn)角

根據(jù)經(jīng)緯度信息計算得到G1G2和正北方向的夾角α，其計算公式為

(5)

(6)

進一步得到目標艇中心相對于懸浮托架中心的偏轉(zhuǎn)角ψ為

ψ=α-β

(7)

式中：β為懸浮托架的艏向角。

3.3 干擾艇排除

εi=|ψ-φi|

(8)

式中：取εi最小值對應(yīng)的無人艇為目標艇，其余為干擾艇。

排除干擾艇后，托架使用CSR-DCF單目標跟蹤算法跟蹤目標艇，實時調(diào)整開口方向，直至對接完成。

4 實 驗

自主對接核心算法均采用C++語言編寫，實驗過程中使用的嵌入式計算平臺為CPU Intel Core i7-6820EQ、主頻2.8 GHz，運行內(nèi)存8 GB；圖像采集設(shè)備選用?？低?00萬像素高清網(wǎng)絡(luò)攝像頭。

本文主要實驗如下：實驗1：在艇、托架數(shù)據(jù)集上將本文檢測算法和其它輕量級檢測算法進行性能對比；實驗2：通過人為在實驗水池中設(shè)置干擾艇的方式測試基于視覺和GPS位置定位信息對干擾艇的排除率；實驗3：在二級海況下測試本文自主對接系統(tǒng)的對接成功率和穩(wěn)定性。(為預(yù)防對接不成功導(dǎo)致無人艇無法回收的情況，無人艇運動模式在緊急情況下可以由無人自主航行模式切換至手動遙控操作模式，通過人為方式引導(dǎo)無人艇回收。)

4.1 檢測性能對比實驗

4.1.1 訓(xùn)練策略

本文首先基于公有的COCO[12]數(shù)據(jù)集進行預(yù)訓(xùn)練，隨后分別用無人艇、懸浮托架訓(xùn)練集對檢測模型進行微調(diào)。初始學(xué)習(xí)率均為0.001，迭代60 000次，當(dāng)?shù)螖?shù)達20 000、30 000、480 000時降低學(xué)習(xí)率到le-4、le-5和le-6。在訓(xùn)練過程中，通過增加圖像旋轉(zhuǎn)、調(diào)整圖像飽和度的方式對數(shù)據(jù)集做進一步擴充。

4.1.2 無人艇、懸浮托架數(shù)據(jù)集

本文構(gòu)建了多樣化數(shù)據(jù)集用于檢測算法的訓(xùn)練和測試。為了提高檢測算法的泛化性，在不同海域、湖泊實地采集無人艇和懸浮托架的圖像，如圖12(a)～圖12(d)所示。對接過程中，無人艇和托架不斷靠近，檢測目標物的尺度會發(fā)生劇烈變化，為了適應(yīng)目標的尺度變化，以不同距離采集無人艇和懸浮托架的圖像，如圖12(e)～圖12(h)所示。對接過程中，受到風(fēng)力和海浪作用的無人艇和懸浮托架會發(fā)生一定的姿態(tài)變化，為了適應(yīng)檢測過程中目標物的尺度變化，以不同角度、高度采集不同姿態(tài)的無人艇、懸浮托架圖像，如圖12(i)～圖12(l)所示。最終得到2842張無人艇數(shù)據(jù)集，3743張懸浮托架數(shù)據(jù)集，前者2500張用于訓(xùn)練，342張用于測試，后者3059張用于訓(xùn)練，684張用于測試。

圖12 艇和懸浮托架數(shù)據(jù)集

4.1.3 綜合定位性能比較

本文檢測網(wǎng)絡(luò)相比于傳統(tǒng)的Tiny-YOLOv3定位性能更高，為了定量比較二者的定位性能，在無人艇、懸浮托架測試集上分別進行平均重疊度mIOU的計算，計算公式如下

(9)

式中：Rdi和Rgi表示第i幀圖像的預(yù)測目標框和真實標定框，T表示檢測總幀數(shù)。mIOU越大，表示預(yù)測目標框和真實標定框更加貼合，定位性能越高，具體和Tiny-YOLOv3的對比結(jié)果見表2。由表可知，本文檢測網(wǎng)絡(luò)對艇、托架的綜合定位性能比傳統(tǒng)的Tiny-YOLOv3高3.48% mIOU和4.32% mIOU，驗證了本文檢測網(wǎng)絡(luò)定位性能更優(yōu)。

表2 mIOU對比結(jié)果

4.1.4 不同檢測算法結(jié)果對比

本文檢測網(wǎng)絡(luò)還與其它幾種輕量級目標檢測算法進行了精度和實時性對比，如表3所示，其中包括MobileNet-SSD[13]、YOLO-LITE[14]、Tiny-YOLOv3。圖像輸入均為512×512大小，采用平均精度(AP)和運行速度(FPS)來衡量各個算法在無人艇測試集、懸浮托架測試集下的綜合檢測表現(xiàn)，其中AP和FPS的計算公式如下

表3 不同檢測算法結(jié)果對比

(10)

(11)

(12)

(13)

其中，precision表示查準率，recall表示查全率，TP表示實際為正樣本且預(yù)測為正樣本的目標數(shù)目，F(xiàn)P表示實際為負樣本但預(yù)測為正樣本的目標數(shù)目，F(xiàn)N表示實際為正樣本但預(yù)測為負樣本的目標數(shù)目，AP表示precision-recall曲線下的面積，precisionmax(i)表示最大的precision，T表示檢測幀數(shù)，t表示檢測T幀所需的時間。

本文檢測網(wǎng)絡(luò)對艇、托架的檢測精度分別為90.4% AP和95.88% AP，比傳統(tǒng)的Tiny-YOLOv3高出4.97%AP和6.17%AP，同時比YOLO-LITE和MobileNet-SSD均高出4% AP以上，且本文檢測網(wǎng)絡(luò)在嵌入式平臺上的檢測速度在23 FPS以上，滿足實際海面檢測的實時性要求，該實驗驗證了本文檢測網(wǎng)絡(luò)綜合檢測性能更優(yōu)。

4.2 干擾艇排除實驗

為了驗證本文基于視覺和GPS位置定位信息排除干擾艇方法的有效性，在長60 m、寬25 m的船模實驗水池內(nèi)進行了干擾艇排除實驗。在實驗水池內(nèi)額外布放一艘與目標無人艇極為相似的干擾無人艇。首先，懸浮托架通過檢測網(wǎng)絡(luò)檢測出了兩艘無人艇，如圖13(a)所示；隨后，結(jié)合視覺和GPS位置定位信息對干擾艇進行排除并保留目標艇，如圖13(b)所示；接著，對目標艇進行跟蹤，保證開口對準目標艇，過程如圖13(c)～圖13(e)所示；直至對接成功，如圖13(f)所示。

圖13 水池中懸浮托架視角下的對接過程

在水池中對接9次，實驗結(jié)果見表4，失敗0次，干擾艇排除率100%，該實驗驗證了基于視覺和GPS位置定位信息能夠有效對干擾艇進行排除。

表4 有干擾艇下的對接結(jié)果

4.3 海上對接實驗

為了驗證本文視覺自主對接系統(tǒng)在海上的實際性能，在港口海域二級海況下進行了多組自主對接實驗。首先，通過吊機下放懸浮托架到海面。隨后，通過無線通訊給無人艇和托架下達自主對接指令，同時啟動二者的對接程序，當(dāng)二者距離縮短到20 m時視覺自主對接系統(tǒng)開始工作。實際二級海況下托架視角下的對接過程如圖14(a)～圖14(c)所示，無人艇視角下的對接過程如圖14(d)～圖14(f)所示。無人艇、懸浮托架在不同速度下對接11次，失敗1次，對接成功率90.9%，具體結(jié)果見表5。海上對接實驗充分驗證了本文自主對接系統(tǒng)能夠?qū)嶋H用于對海面無人艇的回收。

表5 海上對接結(jié)果(油門代表速度)

圖14 海上對接過程

5 結(jié)束語

本文采用雙向視覺導(dǎo)引策略，設(shè)計了一種基于視覺和定位系統(tǒng)的無人艇浮動托架式自主對接系統(tǒng)。在Tiny-YOLOv3的基礎(chǔ)上提出了一種定位增強輕量級檢測網(wǎng)絡(luò)用于檢測無人艇和懸浮托架。針對托架視覺檢測目標，使用視覺和GPS位置定位信息排除非目標艇。本文通過實驗驗證了檢測網(wǎng)絡(luò)對艇、托架的定位性能，排除干擾艇的成功率以及整個系統(tǒng)在二級海況下對接的穩(wěn)定性和成功率。實驗結(jié)果表明本文檢測網(wǎng)絡(luò)的定位性能和檢測精度更優(yōu)，干擾艇排除方法有效，對接系統(tǒng)穩(wěn)定性好并能夠用于無人艇浮動托架式自主回收。下一步的工作是進一步提升檢測網(wǎng)絡(luò)的定位性能和精度，實現(xiàn)更高海況下的自主對接。