编辑推荐：
在海洋自主航行中，海洋自主水面船舶（MASS）和无人水面艇（USV）需可靠检测周围目标以保障安全高效作业。当前 LiDAR 检测无法分类目标，研究人员提出结合无监督 / 监督的方法。结果显示该混合框架有效且满足实时性，为提升船舶态势感知提供新途径。
在当今科技飞速发展的时代，海洋自主航行领域也迎来了诸多挑战与机遇。海洋自主水面船舶（MASS）和无人水面艇（USV）被广泛应用于运输、监测、科研、搜救等任务中，它们就像海洋中的智能卫士，承担着重要使命。然而，在执行任务时，这些 “卫士” 面临着一个关键难题：如何精准地感知周围环境，检测并分类各种障碍物和目标，从而实现安全、高效的航行呢？
现有的一些技术手段，如自动识别系统（AIS），虽然能提供目标的位置和分类信息，但它也存在明显的局限性。在实际航行中，会遇到许多 AIS 未配备的物体，像自然障碍物、小型船只，甚至有些船只出于某些原因故意关闭 AIS 应答器，这就使得 AIS 在这些情况下无法发挥作用。而雷达（RADAR）、激光雷达（LiDAR）和光学传感器等，虽然能检测周围障碍物，但目前的 LiDAR 海洋检测方法大多只能进行检测，无法对目标进行分类，这无疑给船舶的安全航行带来了隐患。因此，开发一种能够让 LiDAR 实现目标检测与分类的技术迫在眉睫。
来自国外的研究人员针对这一问题展开了深入研究。他们提出了一种结合无监督 / 监督的创新方法，旨在解决 LiDAR 在海洋目标和障碍物检测与分类方面的难题。最终研究得出结论，该混合学习框架在实际场景中展现出了强大的有效性，并且能够很好地满足实时性的要求。这一成果意义重大，为提升海洋自主水面船舶的态势感知能力开辟了新的道路，有望极大地提高海洋作业的安全性和效率，相关论文发表在《Applied Ocean Research》上。
研究人员在开展研究时，运用了多个关键技术方法。首先是数据集构建，他们采集了不同类型、不同大小船舶的 LiDAR 扫描数据，构建了包含多种场景的数据集。其次是特征选择与分析，从点云中提取如主成分分析（PCA）相关特征、强度相关特征等，通过探索性数据分析（EDA）和统计检验评估其重要性。最后，采用随机森林分类器（RFC）进行模型训练和优化，对比其他分类器并通过交叉验证、递归特征消除（RFE）等方法确定最佳参数和特征组合。
下面来详细看看研究结果：
- 数据集特征分析：通过定性分析，如绘制小提琴图，发现不同类别的目标在点云的几何特征（如 PCA 特征、椭圆度）、统计特征（如偏度、峰度）和强度相关特征（如平均强度、熵）等方面存在差异，这些差异反映了目标的形状、尺寸和材质等信息。定量分析则通过计算相关矩阵和 Kruskal - Wallis 检验，证实了所选特征可用于预测目标类别。
- 监督模型训练：研究人员对比了随机森林分类器（RFC）、多层感知器（MLP）和支持向量机（SVM），结果显示 RFC 在 5 折交叉验证中准确率最高，达到 94%，因此被选定为分类模型。
- 模型优化和调整：考虑到实时应用，研究人员去除了计算成本高的特征，如空间自相关指数。通过递归特征消除（RFE）探索特征依赖性，根据计算成本和准确率确定了最佳特征组合和决策树数量。
- 现场验证：将分类模块嵌入 LiDAR 检测管道，在不同场景下进行测试。在实时测试场景中，对小型机动游艇和帆船的分类准确率分别达到 93.33% 和 98.6%。在更复杂的场景中，该方法在处理清晰场景和过滤噪声方面表现有效，但在处理部分遮挡和分割不佳的目标时存在一定局限性。此外，研究还发现目标截断超过 40% 时，分类变得不可靠。
研究结论和讨论部分指出，该框架成功地将轻量级分类模块集成到现有聚类工作流程中，在不影响实时性能的前提下，实现了高精度的目标分类。随机森林分类器在有限数据集上也能提供令人满意的结果。然而，该方法也存在一些不足，如依赖聚类检测管道的可靠性，在聚类过度或不足时可能导致分类失败。其适用范围主要是商业 LiDAR 射程内的动态场景，如港口和海湾航行。未来，研究人员计划将 LiDAR 语义数据与图像分类相结合，进一步提升感知系统的能力。这一研究成果为海洋自主航行领域带来了新的希望，有望推动该领域的技术进步和实际应用发展。
