夏英凱，朱明，曾鑫，王懿偲，齊湘洪

1.華中農(nóng)業(yè)大學工學院，武漢430070; 2.農(nóng)業(yè)農(nóng)村部長江中下游農(nóng)業(yè)裝備重點實驗室，武漢 430070

水產(chǎn)養(yǎng)殖是增加人類優(yōu)質(zhì)蛋白質(zhì)的重要渠道[1]，對保障人類食物安全發(fā)揮了重大作用。近年來，中國的水產(chǎn)養(yǎng)殖業(yè)發(fā)生了翻天覆地的變化，養(yǎng)殖規(guī)模逐年遞增，產(chǎn)量穩(wěn)居世界第一，但仍面臨著嚴峻的挑戰(zhàn)，包括水質(zhì)污染嚴重、養(yǎng)殖效率低下、機械化及自動化程度低、人工危機[2-3]等。因此，水產(chǎn)養(yǎng)殖業(yè)亟需從養(yǎng)殖模式、裝備等方面進行全面的轉(zhuǎn)型升級。

水下機器人作為水下工程裝備中的一支生力軍，與潛水員等傳統(tǒng)水下作業(yè)手段相比，在作業(yè)范圍、環(huán)境、模式等方面均有明顯優(yōu)勢，符合新型水產(chǎn)養(yǎng)殖裝備的需求，具有廣闊的應(yīng)用前景。發(fā)展水產(chǎn)養(yǎng)殖水下機器人是實現(xiàn)水產(chǎn)養(yǎng)殖業(yè)向資源節(jié)約、產(chǎn)出高效、生態(tài)安全、機器換人等方向發(fā)展的關(guān)鍵，有望為中國水產(chǎn)養(yǎng)殖業(yè)帶來新的發(fā)展機遇。

盡管水下機器人的研究及應(yīng)用已日趨成熟，在各行各業(yè)都取得了顯著成效[4-5]，但受養(yǎng)殖模式、成本、裝備適應(yīng)性等問題限制，水下機器人在水產(chǎn)養(yǎng)殖業(yè)的推廣應(yīng)用仍非常有限。本文將對水產(chǎn)養(yǎng)殖水下機器人的研究現(xiàn)狀及關(guān)鍵技術(shù)進行綜述，并展望其未來發(fā)展趨勢，以期提供綜合性參考。

1 水產(chǎn)養(yǎng)殖水下機器人應(yīng)用現(xiàn)狀

在水產(chǎn)養(yǎng)殖實踐中，水下機器人首先應(yīng)用于水產(chǎn)養(yǎng)殖監(jiān)測。通過搭載攝像機、聲吶、水質(zhì)傳感器等設(shè)備，借助水產(chǎn)養(yǎng)殖水下機器人機動靈活的運動能力，可實現(xiàn)對養(yǎng)殖環(huán)境及對象的大范圍監(jiān)測，典型的應(yīng)用場景如圖1所示[6-9]。Karimanzira等[6]在水下機器人上搭載了導電率、溶氧等傳感器，并設(shè)計了任務(wù)規(guī)劃及制導系統(tǒng)，實現(xiàn)了大范圍養(yǎng)殖水質(zhì)監(jiān)測。王潤田等[10]提出了一種深水網(wǎng)箱養(yǎng)殖的聲學監(jiān)測方法，將聲吶傳感器搭載于水下機器人，根據(jù)深水網(wǎng)箱規(guī)格預(yù)設(shè)巡視路線，實時監(jiān)測并上報透魚現(xiàn)象。Rundtop等[11]將超短基線定位系統(tǒng)和多普勒測速系統(tǒng)集成在水下機器人上，通過試驗驗證了其在水產(chǎn)養(yǎng)殖網(wǎng)衣檢查中的表現(xiàn)。F?re等[12]討論了水下機器人在精準漁業(yè)養(yǎng)殖方面的優(yōu)勢，并建議開發(fā)基于聲學和視覺的導航系統(tǒng)，以避免水下機器人在網(wǎng)箱中執(zhí)行監(jiān)視任務(wù)時碰撞養(yǎng)殖設(shè)施或魚類。Forst等[13]設(shè)計了一種用于水產(chǎn)養(yǎng)殖的ROV(remotely operated vehicle)，其搭載了視頻相機，可通過自動圖像處理實現(xiàn)養(yǎng)殖監(jiān)測。除了上述應(yīng)用外，還可以借助水產(chǎn)養(yǎng)殖水下機器人，完成水產(chǎn)品生長狀態(tài)評估[14]、行為研究[15]、攝食預(yù)測[16]等水產(chǎn)養(yǎng)殖監(jiān)測工作。

其次，水產(chǎn)養(yǎng)殖水下機器人可搭載機械手、捕撈網(wǎng)、清洗裝置等工具，基于作業(yè)目標識別與定位、制導與控制，完成養(yǎng)殖產(chǎn)品收獲、網(wǎng)箱清洗、死魚撿拾、漏洞檢測及修補等復(fù)雜任務(wù)。房熊等[17]設(shè)計了不同形式的水產(chǎn)養(yǎng)殖水下機器人模型，搭載了水下機械手、捕撈網(wǎng)等，可用于捕撈作業(yè)。卜力群[18]設(shè)計了一種水下養(yǎng)殖作業(yè)機器人，搭載了2個機械手臂、餌料存儲箱及投料捕獲執(zhí)行機構(gòu)，具備多種作業(yè)能力。周建龍[19]設(shè)計了可實現(xiàn)飼料投喂及水草切割的新型水產(chǎn)養(yǎng)殖機器人。劉冠靈等[20]設(shè)計了一種履帶式深海網(wǎng)箱清洗機器人，依靠反沖裝置和2組三角履帶輪實現(xiàn)貼附網(wǎng)衣表面行走，同時清洗網(wǎng)衣，清洗效果良好。

此外，水產(chǎn)養(yǎng)殖水下機器人還可與其他的水面、水下、空中平臺(如水面船舶、水下探測節(jié)點、無人機等)靈活組網(wǎng)，并借助地面基站、衛(wèi)星等通信設(shè)備，構(gòu)建“水陸空天”一體化監(jiān)控系統(tǒng)。在此系統(tǒng)中，水產(chǎn)養(yǎng)殖水下機器人根據(jù)規(guī)劃路徑大范圍移動，并采集養(yǎng)殖設(shè)施及其他水下節(jié)點的信息，將其上傳至監(jiān)控網(wǎng)絡(luò)，從而實現(xiàn)對于大范圍水產(chǎn)養(yǎng)殖區(qū)域的長效動態(tài)監(jiān)控，同時還可根據(jù)實際需求開展多種養(yǎng)殖作業(yè)。

盡管水下機器人已經(jīng)逐步被應(yīng)用在水產(chǎn)養(yǎng)殖中，但其發(fā)展趨勢仍然較慢，推廣程度遠不如其他領(lǐng)域。在歐美等發(fā)達地區(qū)和國家，水產(chǎn)養(yǎng)殖水下機器人研究水平相對較高，少數(shù)公司甚至推出了系列產(chǎn)品。國內(nèi)起步較晚，相關(guān)研究較少，一些基礎(chǔ)性問題仍有待解決。下文將對水產(chǎn)養(yǎng)殖水下機器人的關(guān)鍵技術(shù)進行分析。

A:大范圍水質(zhì)監(jiān)測[6] Wide-range water quality monitoring; B:漁網(wǎng)監(jiān)測[7] Fish net monitoring; C:剩余餌料監(jiān)測[8] Residual fishing bait monitoring; D:魚類行為監(jiān)測[9] Fish behavior monitoring.

2 水產(chǎn)養(yǎng)殖水下機器人關(guān)鍵技術(shù)

在弱光照、多擾動、強耦合、時變、非結(jié)構(gòu)化的水下環(huán)境下，利用水產(chǎn)養(yǎng)殖水下機器人開展高效、精準的水產(chǎn)養(yǎng)殖監(jiān)測及作業(yè)，通常需解決水質(zhì)監(jiān)測、視頻監(jiān)控及傳輸、水產(chǎn)目標識別與定位、水下導航、智能規(guī)劃與控制、水下機器人-機械手協(xié)同作業(yè)等關(guān)鍵技術(shù)問題，如圖2所示。

圖2 水產(chǎn)養(yǎng)殖水下機器人關(guān)鍵技術(shù)Fig.2 Key technologies of aquaculture underwater vehicles

2.1 水質(zhì)監(jiān)測

水產(chǎn)養(yǎng)殖水質(zhì)易受生物、物理、化學、水文氣象和人類生產(chǎn)活動等多因素交叉影響，作用機制復(fù)雜，具有多變量、非線性、模糊不確定等特點[21]，直接影響著水產(chǎn)品的產(chǎn)量與品質(zhì)[22]，因此，開展水質(zhì)監(jiān)測意義重大。傳統(tǒng)的人工觀察或采樣監(jiān)測等方式時效性差、可靠性低、監(jiān)測范圍有限，不能及時反饋水質(zhì)的問題，嚴重影響水產(chǎn)品的成活率，可能造成不可挽回的經(jīng)濟損失[23]。隨著科技的進步，網(wǎng)絡(luò)化、自動化的監(jiān)測方式逐漸成為研究熱點[24]。但對于大型養(yǎng)殖水域而言，采用傳感網(wǎng)絡(luò)的監(jiān)測方式存在機動性不足、采樣區(qū)域有限的問題。

利用水產(chǎn)養(yǎng)殖水下機器人開展水質(zhì)監(jiān)測作業(yè)，能夠大大提升水質(zhì)監(jiān)測的機動靈活性、效率與監(jiān)測范圍。但是在機器人狹小的空間內(nèi)，所能安裝的水質(zhì)傳感器數(shù)目有限，必須解決水質(zhì)傳感器的有效性及配置優(yōu)化問題。隨著使用時間延長，水質(zhì)探頭上會附著各種污漬及雜物，使探測準確性變差，甚至無法使用，需要定期清洗乃至更換。在水下機器人上集成后，水質(zhì)傳感器的清洗及更換會更加麻煩，因此需要設(shè)計自動清污裝置，對水質(zhì)探頭進行定期清洗[25]。此外，為了解決傳感器設(shè)備故障問題，還可在空間允許的前提下，采用多傳感器配置方式[26]，以提升水質(zhì)監(jiān)測的可靠性。

除了提升傳感器的可靠性外，還需解決水質(zhì)數(shù)據(jù)分析及處理問題。受復(fù)雜養(yǎng)殖環(huán)境等因素影響，水質(zhì)傳感器采集的數(shù)據(jù)面臨缺失、失真、冗余、異常波動、噪聲干擾大等諸多問題。因此，需要根據(jù)實際需求對傳感器采集的數(shù)據(jù)進行降噪、特征提取、修復(fù)、重構(gòu)等處理[27]，才能得到準確的水質(zhì)分析結(jié)果。樊春春[28]設(shè)計了一套基于物聯(lián)網(wǎng)的水產(chǎn)養(yǎng)殖智能監(jiān)控系統(tǒng)，采用小波變換算法對采集到的參數(shù)進行降噪處理，并采用基于RBFNN的模糊控制算法解決了數(shù)據(jù)滯后的問題。劉雙印[29]針對水質(zhì)監(jiān)測數(shù)據(jù)缺失和噪聲問題，通過線性插值法、相似數(shù)據(jù)的水平和垂直處理均值法對數(shù)據(jù)進行修復(fù)，并采用改進小波分析方法進行降噪和特征提取。Yu等[30]采用融合小波分析和獨立分量分析方法對水質(zhì)參數(shù)進行了特征提取，有效減少了噪聲干擾。

水質(zhì)預(yù)測是水質(zhì)監(jiān)測中的另一關(guān)鍵環(huán)節(jié)，是根據(jù)已掌握的資料和監(jiān)測數(shù)據(jù)，對水質(zhì)在未來空間和時間上的變化規(guī)律及發(fā)展趨勢進行估計和推測，為防止養(yǎng)殖水質(zhì)進一步惡化和制定水質(zhì)改善措施提供決策依據(jù)[31]。目前，應(yīng)用較多的方法包括以經(jīng)典數(shù)學為基礎(chǔ)的傳統(tǒng)預(yù)測方法及以計算智能為基礎(chǔ)的現(xiàn)代預(yù)測方法等。傳統(tǒng)預(yù)測方法主要包括：Markov法[32]、回歸分析預(yù)測法[33]、時序分析預(yù)測法[34]及函數(shù)模型預(yù)測法[35]等。傳統(tǒng)的預(yù)測方法自適應(yīng)能力較弱，且部分方法在建模時需要龐大的數(shù)據(jù)量支撐，嚴重影響了預(yù)測的效率和精度。結(jié)合計算智能的現(xiàn)代預(yù)測方法有效地解決了傳統(tǒng)方法存在的問題，常見的現(xiàn)代預(yù)測方法包括灰色理論法、人工神經(jīng)網(wǎng)絡(luò)法、最小二乘SVR預(yù)測法等?？紤]到不同水質(zhì)參數(shù)之間具有很高的耦合性，作用機制難以簡單分析，應(yīng)用單一的預(yù)測方法可能存在局限性，因此基于計算智能的組合預(yù)測法將成為未來的重要發(fā)展趨勢。

綜上，利用水產(chǎn)養(yǎng)殖水下機器人開展水質(zhì)監(jiān)測時，必須妥善解決傳感器優(yōu)化配置與清污、數(shù)據(jù)融合分析以及水質(zhì)預(yù)測等問題。

2.2 弱可視條件下視頻監(jiān)控及傳輸

傳統(tǒng)水產(chǎn)養(yǎng)殖業(yè)的增氧、投飼、用藥等幾乎全部依靠經(jīng)驗，對工人的素質(zhì)要求較高，實際生產(chǎn)中往往為了達到較好的效果，多增氧、多投飼、多用藥，造成了不必要的浪費，也影響了水產(chǎn)品的健康品質(zhì)。利用水產(chǎn)養(yǎng)殖機器人開展水下視頻監(jiān)控，能夠有效監(jiān)測水產(chǎn)品成活率、生長情況及養(yǎng)殖環(huán)境，及時發(fā)現(xiàn)水產(chǎn)品逃逸或死亡情況，以及殘留飼料，底質(zhì)腐臭、板結(jié)、青苔和其他池塘污染問題，從而有的放矢地采取相關(guān)措施。同時，借助于水下機器人靈活的運動能力，可實現(xiàn)移動式全方位的視頻監(jiān)控，對于水產(chǎn)養(yǎng)殖業(yè)而言意義重大。但是，利用水產(chǎn)養(yǎng)殖水下機器人開展視頻監(jiān)控作業(yè)，不僅需克服弱光照、渾濁水質(zhì)以及水產(chǎn)品隨機運動等困難，實現(xiàn)圖像準確捕捉及采集，還需適應(yīng)不同傳輸介質(zhì)，實現(xiàn)高效、高質(zhì)量、高可靠性的水下視頻傳輸。

在水下圖像捕捉及采集方面，利用視頻采集系統(tǒng)可以直接對目標實現(xiàn)高速成像且圖像細節(jié)清晰、分辨率高，能夠獲得豐富的目標特性和水下環(huán)境特性，相對于聲學手段而言更加直觀，近年來在水產(chǎn)養(yǎng)殖業(yè)上得到越來越多的應(yīng)用。張金泉等[36]設(shè)計了一種搭載視頻監(jiān)控系統(tǒng)的框架式AUV(autonomous underwater vehicle)，用于海上網(wǎng)箱網(wǎng)衣檢測，可獲得清晰的視覺圖像，從而方便地判斷網(wǎng)衣破損情況。但是由于水對光的吸收特性使得光在傳輸過程中能量發(fā)生嚴重的衰減，造成成像質(zhì)量下降，因此視頻監(jiān)控技術(shù)適合近距離水產(chǎn)目標信息的獲取[37]。此外，水有較強的散射特性，導致水下圖像中水產(chǎn)品目標和背景的對比度降低，造成圖像模糊[38]，同時光學圖像也會受到弱光照條件及渾濁養(yǎng)殖環(huán)境的影響，因此利用水下視頻監(jiān)控獲取高質(zhì)量的水下光學圖像面臨很大的挑戰(zhàn)，不僅需要對攝像、補光等硬件設(shè)備進行改進，還需設(shè)計合理的圖像處理算法[39]。

水下視頻傳輸是水產(chǎn)養(yǎng)殖視頻監(jiān)控的另一個關(guān)鍵環(huán)節(jié)。實時、清晰、穩(wěn)定的視頻傳輸將會給水產(chǎn)養(yǎng)殖監(jiān)控帶來極大的便利。針對ROV和AUV這兩種不同類型的水產(chǎn)養(yǎng)殖水下機器人[40]，視頻傳輸?shù)奶幚矸绞接兴煌OV采用有線工作模式，其水下載體與岸基之間通過光電復(fù)合纜連接，水下視頻信息可借助光電復(fù)合纜進行實時、可靠、穩(wěn)定、長期的傳輸。典型的ROV視頻光纖傳輸系統(tǒng)主要包括水下攝像機、照明燈、艇載控制單元、艇載光端機、水面光端機、水面控制單元等，如圖3所示。艇載控制單元可根據(jù)養(yǎng)殖水體內(nèi)的可視條件完成燈光亮度調(diào)節(jié)、攝像機調(diào)焦和聚焦控制等[41]，從而彌補水質(zhì)混濁和光線暗淡的影響。AUV與水面支持系統(tǒng)之間沒有光電復(fù)合纜相連，因此水下視頻只能通過無線傳輸。一般而言，AUV多采用水聲傳輸，但是水聲信道具有時變多徑特性且易受噪聲影響，帶寬較窄，容易產(chǎn)生誤碼。為達到實時的效果，必須將圖像數(shù)據(jù)在傳輸之前進行大幅度壓縮[42]，并進行抗誤碼處理[43]。早期的水聲信道圖像傳輸系統(tǒng)，多采用靜態(tài)圖像壓縮方法，壓縮比不高，一般一幀圖像需要幾秒來完成傳輸[44]。在視頻動態(tài)壓縮編碼方法的研究方面，文獻[45]提出一種基于小波變換的壓縮算法，水聲信道傳輸速率20 kbps，以10幀/s的速率傳輸144像素×176像素的灰度圖像；文獻[46]研制的水下視頻傳輸系統(tǒng)，水聲信道的數(shù)據(jù)傳輸速率可達128 kbps，采用MPEG-4壓縮，速率為10幀/s。

圖3 典型的ROV視頻光纖傳輸系統(tǒng)Fig.3 Typical video optical fiber transmission system of ROV

2.3 多擾動下水產(chǎn)目標準確識別與定位

水產(chǎn)目標的準確識別與定位是養(yǎng)殖作業(yè)的基礎(chǔ)。要實現(xiàn)高效、精準的養(yǎng)殖作業(yè)，必須準確、快速識別水產(chǎn)品的種類及生長狀態(tài)等。但是，在水產(chǎn)目標的準確識別定位過程中，往往面臨以下問題：(1)養(yǎng)殖產(chǎn)品狀態(tài)隨機性強，無規(guī)律可循，難以捕捉及預(yù)測目標動態(tài)；(2)養(yǎng)殖產(chǎn)品往往處于快速運動狀態(tài)，對目標識別及定位的實時性提出了較高要求；(3)養(yǎng)殖產(chǎn)品生長狀態(tài)參差不齊，外形差異較大，難以用統(tǒng)一的標準來評估及識別；(4)水體環(huán)境差，受飼料殘渣、糞便等眾多干擾物及水體散射作用影響，圖像采集效果差，質(zhì)量不穩(wěn)定，會產(chǎn)生多陰影、噪點多及對比度下降等不利效果，影響目標定位識別。總之，上述因素可能導致水下機器人“看不清”“找不到”“抓不準”，為水產(chǎn)目標的準確識別與定位帶來巨大的困難。

水產(chǎn)目標的準確識別與定位總體上可分為目標信息獲取及識別定位2個環(huán)節(jié)。在目標信息獲取方面，常用的手段主要有視覺、水聲、激光等。視覺依賴于水體的可見度，在清水環(huán)境中，最大可視距離可達10 m左右，但在混濁的水域，最大可視距離往往會大幅縮短。水聲作業(yè)距離遠、分辨率高，目前仍是水下目標定位的主要方法，但容易受到復(fù)雜水體環(huán)境干擾，增加了目標識別的難度。激光是近年來發(fā)展起來的新方法，體積、功耗都較小，比較適合水下機器人使用，但目前尚不成熟。由于采用單一的目標獲取手段均有一定的缺陷，在實際應(yīng)用中，可以采用多手段融合的探測方法[47]。

在有限的探測手段基礎(chǔ)上，設(shè)計良好的識別定位方法是提升水產(chǎn)目標識別能力的關(guān)鍵。一般的水下目標識別與定位流程包括圖像濾波、邊緣提取、特征量提取和目標識別判斷等[48]。圖像濾波一般分為線性濾波和非線性濾波兩類。線性濾波原理簡單、易于實現(xiàn)，但當圖像中含有信號與噪聲彼此相關(guān)的非疊加性噪聲時，線性濾波方法不再適用，此時需依賴于非線性濾波技術(shù)。皮志鋒[49]針對海參捕撈任務(wù)，設(shè)計了改進中值濾波算法，并對圖像進行模糊增強，提升了圖像處理的效果。特征提取及匹配是目標識別過程中的另一重要環(huán)節(jié)，其通過計算機提取圖像上的關(guān)鍵信息點進行特征分析，并依據(jù)分析結(jié)果對目標進行匹配、識別和分類[50]。由于水下特殊的成像環(huán)境，紋理特征和顏色特征損失嚴重，因此通常采用基于形狀特征的目標識別方法[51]。并且，隨著圖像識別等技術(shù)的發(fā)展，近年來深度學習、機器視覺等新方法開始逐步應(yīng)用到水下目標識別領(lǐng)域。王衛(wèi)華等[52]研究了如何在海底管線檢測維修工作中，應(yīng)用機器視覺實現(xiàn)管線快速識別與精確定位。Kim等[53]提出了一種面向多幀不交疊R標序列圖像識別的Snake跳躍模型，在疊加應(yīng)用識別中能完成對快速移動物體的判別。

盡管水下目標識別技術(shù)近年來已取得了長足的進步，但其在針對動態(tài)移動目標的在線識別方面還存在一定的缺陷。尤其對于水產(chǎn)養(yǎng)殖業(yè)而言，不僅會面臨動、靜態(tài)多目標的快速識別及特征精確分析任務(wù)，而且還面臨弱光照、時變浪/流影響、復(fù)雜水質(zhì)、機器人不確定狀態(tài)等多源復(fù)合擾動影響，難度更大。綜合利用多源融合探測手段，結(jié)合水產(chǎn)品特性開展目標識別技術(shù)研究，是在多擾動環(huán)境下實現(xiàn)水產(chǎn)目標準確識別與定位的關(guān)鍵。

2.4 復(fù)雜養(yǎng)殖環(huán)境中水下機器人高精度導航技術(shù)

導航是水產(chǎn)養(yǎng)殖水下機器人的關(guān)鍵技術(shù)。機器人的水下定位、跟蹤控制、養(yǎng)殖作業(yè)等都依賴于精確的導航參數(shù)。但是，考慮到未知、非結(jié)構(gòu)化的水下養(yǎng)殖環(huán)境，以及復(fù)雜的水產(chǎn)養(yǎng)殖任務(wù)，實現(xiàn)長效而精確的導航定位難度很大。考慮到水對電磁信號的衰減作用，陸基常用的導航技術(shù)在水下并不完全適用，使得水下導航成為了一項頗具挑戰(zhàn)的課題[54-55]?，F(xiàn)有的水下導航技術(shù)，主要包括船位推算、聲學導航、慣性導航、視覺導航、地球物理導航等。這些導航技術(shù)都可以單獨應(yīng)用于水下機器人開展水產(chǎn)養(yǎng)殖作業(yè)，但它們各有優(yōu)缺點[56-58]，如表1所示。

表1 常用的單一水下導航技術(shù)Table 1 The commonly used single underwater navigation technology

在上述水下導航技術(shù)中，慣性導航因其突出的技術(shù)優(yōu)勢，往往被用作水產(chǎn)養(yǎng)殖水下機器人的核心導航技術(shù)。但是，慣性導航裝置只能維持短時間內(nèi)的高精度測量，在執(zhí)行長時間水產(chǎn)養(yǎng)殖作業(yè)任務(wù)時，定位誤差隨時間延長而累積嚴重，因此需要其他導航傳感器(如DVL、GPS、APS等)的輔助[59-60]，并進行多傳感器組合導航。借助卡爾曼濾波、粒子濾波等融合算法[61-62]，有效融合不同導航傳感器數(shù)據(jù)，不僅可以取長補短，大大提高導航精度，提升系統(tǒng)可靠性和容錯能力，而且可以適當降低單一傳感器的精度要求，降低設(shè)備成本和技術(shù)難度，目前已在水下機器人中廣泛應(yīng)用。Liu等[63]利用DVL對慣性導航系統(tǒng)進行定期修正，以彌補慣性導航的誤差累積影響，仿真結(jié)果表明，SINS/DVL組合導航比純慣性導航有更高的定位精度。Lü等[64]為了提高導航的魯棒性并避免DVL數(shù)據(jù)丟失的影響，基于最優(yōu)極限學習方法提出了一種智能速度模型來輔助導航。Zhang等[65]提出了一種基于聲音的測距和定位方法，通過不同工況下的誤差分析準確補償航位推算誤差，提高了導航精度。Sun等[66]提出了一種基于反向超短基線的AUV導航系統(tǒng)，具備多用戶容納、隱蔽巡航、長航程有效等諸多優(yōu)勢。

盡管多傳感器組合導航技術(shù)顯著提升了導航的精度，然而對于水產(chǎn)養(yǎng)殖而言，水產(chǎn)養(yǎng)殖水下機器人導航技術(shù)不僅涉及機器人沿預(yù)定路徑行進過程中的導航問題，還包括水產(chǎn)養(yǎng)殖作業(yè)問題。以網(wǎng)衣監(jiān)測和水產(chǎn)品捕獲為例，水產(chǎn)養(yǎng)殖水下機器人在執(zhí)行此類作業(yè)任務(wù)時，需依據(jù)作業(yè)目標實時調(diào)整運動軌跡和姿態(tài)，因此需要兼顧水產(chǎn)養(yǎng)殖水下機器人特性、環(huán)境影響及作業(yè)目標影響。視覺同步定位與映射(VSLAM)[67]是一種新興的導航定位技術(shù)，對于水產(chǎn)養(yǎng)殖水下機器人而言，將VSLAM技術(shù)與常用的水下組合導航技術(shù)相結(jié)合，可以在提升導航精度的同時兼顧水產(chǎn)品的視覺感知，將有助于動態(tài)養(yǎng)殖作業(yè)任務(wù)的實現(xiàn)，是未來重要的發(fā)展方向。此外，一般而言，光纖慣性導航的精度與其內(nèi)部光纖陀螺的尺寸成正比，想要獲得高精度的導航數(shù)據(jù)，需要相對較大的慣性導航設(shè)備，這與水產(chǎn)養(yǎng)殖業(yè)對機器人小型化、低成本化的需求相矛盾。因此，小型化、低成本、高精度的導航設(shè)備研發(fā)將是水產(chǎn)養(yǎng)殖水下機器人導航技術(shù)的另一重要研究方向。

2.5 內(nèi)外環(huán)境強擾動下水下機器人智能規(guī)劃與控制

在開展水產(chǎn)養(yǎng)殖監(jiān)測及捕撈作業(yè)過程中，為了使機器人的行進路徑覆蓋關(guān)鍵的監(jiān)測區(qū)域，并使其位置、姿態(tài)、速度等滿足準確捕撈的作業(yè)需求，需要對機器人的運動參數(shù)進行嚴格約束，因此水產(chǎn)養(yǎng)殖水下機器人必須具備良好的規(guī)劃及控制能力。但是，考慮到水下機器人存在強交叉耦合、非線性、參數(shù)攝動等特性，與復(fù)雜養(yǎng)殖環(huán)境交互時還面臨著時變且不易觀測的持續(xù)浪、流等外部干擾，同時在作業(yè)過程中還必須準確感知并避開養(yǎng)殖產(chǎn)品及設(shè)施，實現(xiàn)準確的規(guī)劃與控制非常不易。根據(jù)水產(chǎn)養(yǎng)殖作業(yè)需求及工作環(huán)境，可將水產(chǎn)養(yǎng)殖水下機器人的規(guī)劃與控制劃分為路徑規(guī)劃、運動控制及動態(tài)避障等3個環(huán)節(jié)，其邏輯關(guān)系如圖4所示。

圖4 水產(chǎn)養(yǎng)殖水下機器人規(guī)劃與控制Fig.4 Planning and control of aquaculture underwater vehicle

在路徑規(guī)劃方面，水產(chǎn)養(yǎng)殖水下機器人需結(jié)合養(yǎng)殖作業(yè)任務(wù)、水體環(huán)境及機器人特性，設(shè)計覆蓋關(guān)鍵養(yǎng)殖區(qū)域的合理路徑。在設(shè)計路徑時，需考慮空間約束、機器人運動約束、水流擾動、空間遍歷性、不重復(fù)性及能源消耗等多重因素。目前，水下機器人路徑規(guī)劃算法總體上可分為三類：幾何模型搜索、人工勢場法以及人工智能方法[68]。幾何模型搜索方法需在建立環(huán)境模型的基礎(chǔ)上設(shè)計搜索策略，對環(huán)境模型的精細程度依賴性強。環(huán)境建模方法包括可視圖、Voronoi圖、單元分解法等，常用的搜索策略包括A*、D*算法[69]等。其中，A*算法比較適合靜態(tài)路徑規(guī)劃，在規(guī)劃空間范圍較大時，A*算法搜索效率不足，D*算法比較適用于進行動態(tài)路徑規(guī)劃。人工勢場法是創(chuàng)建一個虛擬的力場，并通過建立引力場函數(shù)、斥力場函數(shù)來進行路徑規(guī)劃，其優(yōu)點是規(guī)劃的路徑一般比較平滑，算法模型實現(xiàn)簡單，但當?shù)匦芜^于復(fù)雜時，完全遍歷路徑規(guī)劃有可能陷入局部最優(yōu)解，從而產(chǎn)生遺漏區(qū)域[70]。人工智能算法參考動物行為進行尋優(yōu)設(shè)計，目前主流的人工智能規(guī)劃算法包括粒子群算法、蟻群算法、進化計算、遺傳算法、神經(jīng)網(wǎng)絡(luò)、機器學習等[71]，采用智能算法不需要精確的環(huán)境模型，搜索能力強且能夠得到全局最優(yōu)解。

在運動控制方面，水產(chǎn)養(yǎng)殖水下機器人往往面臨如下難題[72]：模型高度非線性和時變水動力特性；變負載影響；附加質(zhì)量大，運動慣性大；精確的水動力系數(shù)難以獲??；復(fù)雜養(yǎng)殖環(huán)境帶來時變擾動且難以直接測量等。為了克服上述內(nèi)外環(huán)境強擾動，運動控制器設(shè)計必須兼具良好的制導[73]以及魯棒控制[74]能力。常用的運動控制算法包括PID控制、自適應(yīng)控制、滑?？刂?、反演控制、模糊專家控制、神經(jīng)網(wǎng)絡(luò)控制等，如表2所示。由于每種算法都存在不足之處，在運動控制器設(shè)計過程中往往根據(jù)實際養(yǎng)殖作業(yè)需要，將各種算法融合使用。

表2 常用的水產(chǎn)養(yǎng)殖水下機器人運動控制算法Table 2 The commonly used motion control algorithm for aquaculture underwater vehicle

動態(tài)避障是水產(chǎn)養(yǎng)殖作業(yè)中另一項關(guān)鍵技術(shù)。水產(chǎn)養(yǎng)殖水下機器人在按照預(yù)規(guī)劃路徑開展養(yǎng)殖作業(yè)時，可能會遭遇養(yǎng)殖設(shè)施、產(chǎn)品及環(huán)境中的不確定動態(tài)障礙物，設(shè)計合理高效的動態(tài)避障策略，對于提升養(yǎng)殖作業(yè)可靠性和安全性而言非常重要。動態(tài)避障一方面依賴對養(yǎng)殖環(huán)境及對象的實時感知建模，另一方面取決于動態(tài)避障策略的優(yōu)劣[75]。在養(yǎng)殖環(huán)境感知建模方面，可基于聲吶[76-77]、圖像[78]、視頻[79]等手段獲取的信息，建立養(yǎng)殖環(huán)境及障礙物模型。在避障策略研究方面，除傳統(tǒng)的人工勢場方法外，新興的動態(tài)避障算法可大體分為兩類：一類從水產(chǎn)養(yǎng)殖水下機器人的運動特性及限制出發(fā)[80]，另一類采用神經(jīng)網(wǎng)絡(luò)和模糊推理為代表的智能決策方法[81]。

盡管規(guī)劃與控制技術(shù)近年來取得了長足的進步，但對于水產(chǎn)養(yǎng)殖這種特殊的應(yīng)用場合而言，現(xiàn)有的規(guī)劃與控制技術(shù)需要結(jié)合實際應(yīng)用需求做出適應(yīng)性調(diào)整及補償，尤其是需要充分考慮動態(tài)養(yǎng)殖產(chǎn)品、設(shè)施及未知復(fù)雜養(yǎng)殖環(huán)境的影響，提高作業(yè)的效率、安全性與可靠性。

2.6 多體耦合約束下水下機器人-機械手協(xié)同精準作業(yè)

搭載機械手的水產(chǎn)養(yǎng)殖水下機器人能完成除養(yǎng)殖監(jiān)測外更復(fù)雜的作業(yè)任務(wù)，大大提升了水產(chǎn)養(yǎng)殖作業(yè)能力。但是，水下機器人與機械手構(gòu)成了多體耦合的水下機器人-機械手系統(tǒng)(underwater vehicle-manipulator system,UVMS)，建模與控制非常復(fù)雜[82]。

對于UVMS建模而言，需要在水產(chǎn)養(yǎng)殖水下機器人和機械手建模的基礎(chǔ)上，分析兩者間耦合關(guān)系并兼顧復(fù)雜養(yǎng)殖環(huán)境影響。常用的動力學建模方法包括Kane方法、Lagrange方法和Newton-Euler方法等。Kane方法所建方程數(shù)少，效率較高，但需計算各部分加速度以獲得慣性力；Lagrange方法從能量的角度出發(fā)構(gòu)建模型，避開了力、速度和加速度等矢量的復(fù)雜運算，但要對能量方程進行繁瑣的偏導運算；Newton-Euler方法建模直觀，易于計算，但需要計算出系統(tǒng)所有相互作用力，相對繁瑣[83]。在建立理論模型后，還需通過數(shù)值計算或試驗的方式獲取UVMS的水動力系數(shù)。此外，對于水產(chǎn)養(yǎng)殖作業(yè)而言，養(yǎng)殖環(huán)境的分析與建模至關(guān)重要。在實際建模過程中，可通過歷史數(shù)據(jù)和離線信息首先建立養(yǎng)殖環(huán)境的名義模型，此后依據(jù)實際工作過程中的數(shù)據(jù)采集或狀態(tài)估計對名義模型進行在線修正，為UVMS的精準作業(yè)提供依據(jù)。

實現(xiàn)精準化水產(chǎn)養(yǎng)殖作業(yè)，UVMS必須具備穩(wěn)定且高精度的運動控制、姿態(tài)調(diào)整及力控制能力。但是，UVMS具有時變、耦合、非線性、冗余等特點[84]，高精度控制非常困難。尤其是當機器人處于懸停狀態(tài)時，UVMS控制必須同時處理養(yǎng)殖水體內(nèi)復(fù)雜擾流及機械手反作用力擾動，精準養(yǎng)殖作業(yè)難度更大。UVMS通常有兩種控制方式：(1)將機器人和機械手視為兩個單獨系統(tǒng)，在單系統(tǒng)的控制過程中處理耦合作用的影響；(2)將機器人和機械手視為一個整體，設(shè)計整體運動控制策略。UVMS的控制算法主要包括滑?？刂?、模糊專家控制、神經(jīng)網(wǎng)絡(luò)控制、模型預(yù)測控制等。Hachicha等[85]面向船體清潔任務(wù)設(shè)計了攜帶2只機械手的UVMS，克服了機器人清潔工況的不穩(wěn)定影響，實現(xiàn)了姿態(tài)穩(wěn)定控制。Heshmati-Alamdari等[86]提出了一種UVMS力/位置跟蹤控制方法，不需要依賴精確動力學、干擾及接觸剛度模型，具有良好的魯棒性。Londhea等[87]面向深海干預(yù)任務(wù)，提出了一種具有干擾估計功能的非線性模糊控制方法，實現(xiàn)了UVMS的任務(wù)空間魯棒控制。

此外，為避免在抓取過程中對魚類等軟體水產(chǎn)生物造成傷害，水產(chǎn)養(yǎng)殖水下機器人所搭載的機械手也應(yīng)進行特殊設(shè)計。采用柔性機械手是一種良好的解決方案[88-89]。相較于傳統(tǒng)的剛性機械手，柔性機械手多采用液態(tài)金屬、橡膠等軟體材料，或采用多指抓取、類章魚觸手卷曲抓持和基于負壓變形的薄膜抓持等結(jié)構(gòu)形式。Ilievski等[90]研制了一種新型6指軟體機械手，主要用于生物化學領(lǐng)域，具有良好的柔順性、適應(yīng)性。Wang等[91]設(shè)計了一種全部采用軟體材料3D打印技術(shù)制作的3指軟體機械手，提出了手指彎曲變形的動力學模型，并進行了抓取實驗。然而，柔性機械手在夾持水產(chǎn)品的過程中可能面臨很多問題：軟體材料在應(yīng)力、壽命和撕裂強度等方面的性能難以滿足頻繁、長期使用的需求；柔性軟體機械手在夾持水產(chǎn)品時，可能會產(chǎn)生柔性變形，很難建立精確的模型；柔性結(jié)構(gòu)、負載變化等對抓取性能影響十分明顯，可能會產(chǎn)生水產(chǎn)品抓取不穩(wěn)定的現(xiàn)象。因此，如何兼顧抓取的準確性、可靠性及安全性將是柔性機械手設(shè)計中必須解決的問題。

3 展 望

近年來，水下機器人飛速發(fā)展，且由于其突出的裝備與技術(shù)優(yōu)勢，在水產(chǎn)養(yǎng)殖業(yè)中有著廣闊的應(yīng)用空間。但是，目前受限于成本、裝備適用性等問題，水產(chǎn)養(yǎng)殖水下機器人的應(yīng)用仍十分有限。未來，在養(yǎng)殖監(jiān)測及作業(yè)方面，水產(chǎn)養(yǎng)殖水下機器人還有很多問題亟待解決。具體表現(xiàn)在如下方面：

1)養(yǎng)殖環(huán)境智能綜合感知?，F(xiàn)有的水產(chǎn)養(yǎng)殖監(jiān)測手段單一、可靠性低、靈活性差。基于水下機器人、無人機、傳感器節(jié)點和物聯(lián)網(wǎng)等技術(shù)，構(gòu)建立體式綜合探測網(wǎng)絡(luò)，從空中、水面、水下三個方向，運用定點與巡檢、遙測與接觸式測量等多種手段，實現(xiàn)養(yǎng)殖環(huán)境的智能綜合感知，將是未來的重要發(fā)展方向。

2)養(yǎng)殖對象生理及行為特征提取與辨識。水產(chǎn)養(yǎng)殖水下機器人搭載聲吶、激光等多種探測設(shè)備，借助聲、光、電等多元手段，采用模式識別與人工智能算法，實現(xiàn)養(yǎng)殖對象種類、數(shù)量、體質(zhì)量、尺寸、姿態(tài)、移動軌跡和空間分布等特征的提取與辨識，可為水產(chǎn)養(yǎng)殖環(huán)境調(diào)控與作業(yè)提供良好的依據(jù)。

3)可靠、低成本的智能化裝備。目前水產(chǎn)養(yǎng)殖水下機器人成本仍然相對偏高，普通水產(chǎn)養(yǎng)殖戶難以接受，制約了其在水產(chǎn)養(yǎng)殖業(yè)中的推廣應(yīng)用。大力發(fā)展低成本的成熟模塊以及提升裝備集成水平，將是建造可靠低成本的智能化裝備的關(guān)鍵措施，也是未來在水產(chǎn)養(yǎng)殖業(yè)中推廣的重要方向。