基于序列状态估计的水下无人航行器目标抓取跟踪算法研究：时空信息融合与性能优化

为解决水下动态浑浊环境中目标跟踪的难题，研究人员提出了一种融合时空信息的序列状态估计跟踪算法（SSET）。该算法通过卡尔曼滤波模块建立时序关联，结合评分头模块优化模板可靠性，并利用混合序列状态变换器（MSST）实现特征融合。实验表明，SSET在陆地数据集上达到91.7%精度和69.8%成功率，水下场景中性能提升显著，尤其在遮挡和低分辨率条件下表现优异，为水下目标抓取提供了可靠技术支撑。

　　

在深邃神秘的海洋中，无人水下航行器(UUV)执行目标抓取任务时，常遭遇浑浊水体、生物遮挡和快速运动目标等挑战。传统视觉跟踪方法在陆地场景表现优异，但面对水下光线衰减、目标形变和相似物干扰时，性能急剧下降。这种"水下失明"现象严重制约了UUV的自主作业能力，特别是在海洋资源勘探、水下设施维护等关键领域。

针对这一技术瓶颈，西北工业大学的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，提出序列状态估计跟踪算法(SSET)。该研究突破性地将时序运动建模与空间特征关联相结合，通过三项核心技术革新：基于卡尔曼滤波的序列状态估计模块建立目标运动轨迹的时序关联；评分头模块动态评估模板可靠性；混合序列状态变换器(MSST)实现时空特征的三重融合。在公开数据集测试中，该算法不仅陆地跟踪指标领先现有方法0.6%，更在水下场景实现56.5%的跟踪精度，对遮挡和低分辨率条件的适应性尤为突出。

关键技术方法包括：1)构建Kalman滤波状态估计模块处理时序信息；2)设计评分头网络评估状态模板质量；3)开发MSST模块融合目标动态特征、静态外观和空间上下文信息；4)采用UTB180和OTB100基准数据集验证性能；5)结合真实水下抓取实验验证实用性。

研究结果部分显示：

1. 目标跟踪方法：系统比较了相关滤波、孪生网络和Transformer等主流跟踪技术，指出现有方法对水下时序信息利用不足的缺陷。

2. 序列状态估计目标跟踪：提出的SSET框架通过五级架构实现：特征提取→评分头筛选→MSST融合→预测头输出→状态估计更新。其中MSST创新性地将目标历史状态、当前观测和空间先验组成特征三元组。

3. 实验测试：在OTB100陆地数据集上取得65.8%成功率(SR)，UTB180水下数据集上SR提升1.6%，精度提高10.2%。水下抓取实验验证了算法在真实场景的可靠性。

4. 结论与未来工作：SSET通过时空联合建模显著提升跟踪稳定性，特别在目标快速运动和相似物干扰场景表现突出。研究者建议未来可探索多传感器融合策略。

5. 作者贡献：Yanli Li主导算法设计与验证，Weidong Liu负责项目指导，Wenbo Zhang参与概念设计，Le Li协调研究资源。

这项研究的重要意义在于：首次将序列状态估计理论系统引入水下视觉跟踪领域，通过时空联合建模解决了相似目标混淆这一行业难题。算法在实际水下抓取任务中的成功应用，为UUV在复杂海洋环境中的自主作业提供了可靠的技术路径。该成果不仅推动水下视觉跟踪的理论发展，更为深海勘探、水下救援等国家战略需求提供了关键技术支撑。研究团队特别指出，未来可结合生物声学等多模态感知，进一步突破极端环境下的感知极限。