动态环境下自主水面艇的视觉驱动拖车装载技术研究

本文提出了一种基于视觉的自主拖车装载框架，通过整合实时计算机视觉与有限状态机（FSM）控制策略，实现在无GPS环境下的自主检测、接近与对齐。该系统在仿真环境中验证了其鲁棒性，在中等及高波浪扰动下分别实现了100%和90%的成功率，为动态和非结构化环境中的全自主作业提供了可行方案。

　　

引言

自主水面艇（ASV）的自动化拖车装载技术作为自主停靠的一个重要分支，在动态和非结构化环境中仍面临诸多挑战。传统方法多依赖GPS或地图信息，但在拖车位置多变、靠近岸边的实际场景中，这类方法往往表现不佳。本研究旨在开发一种不依赖GPS的视觉驱动系统，通过实时感知与控制实现高精度自主装载。

背景

ASV动力学模型采用6自由度（6-DOF）数学模型，基于Fossen（2011）提出的方程，其中位置与方向由向量η = [x, y, z, φ, θ, ψ]^T表示，速度向量ν = [u, v, w, p, q, r]^T包含线速度和角速度。推力τ由左右推进电机指令a = [a_p, a_s]产生，波浪扰动τ_w通过Pierson-Moskowitz波谱模型生成。

问题定义中，拖车装载任务要求ASV在终止时间T_max内将位置和方向误差控制在阈值ε_long、ε_lat和ε_ang以内，否则视为失败。

仿真环境基于Virtual RobotX（VRX）和Open Dynamics Engine（ODE）构建，通过注入实测IMU噪声和相机噪声，以及模拟电机延迟与波浪扰动，提高了仿真真实性。

方法

系统架构分为感知系统与控制策略两大部分。

感知系统通过单目相机检测拖车上的LED面板与黑色垫木条。LED面板以红绿交替闪烁（例如红色2秒、绿色1秒）作为时序标识，通过HSV色彩空间分割和时序模式匹配实现鲁棒识别。面板中心位置用于计算航向误差e_ang：

e_ang = arctan((x_panel - x_camera)/(y_panel - y_camera))

鸟瞰图（BEV）变换通过单应矩阵H将图像坐标转换为真实世界坐标，消除透视畸变，便于距离测量。垫木条通过二值掩膜提取，左右分组后拟合中心线，进一步计算横向误差e_lat：

e_lat = |m·x_camera - y_camera + c| / √(m2 + 1)

纵向误差e_long通过LED面板像素面积与真实距离的插值表估算。

控制策略采用分层有限状态机（FSM），包含六个状态：检测LED面板、校正航向误差、校正横向误差、校正纵向误差、重新规划与任务完成。状态转移由实时感知信息触发。

航向校正使用比例积分（PI）控制器，横向校正采用基于时间的控制策略，根据误差正负控制ASV顺时针或逆时针旋转一定步数后前进。纵向校正同样使用PI控制器。当误差超过阈值或可能发生碰撞时，系统进入重新规划状态，后退再重新尝试。

结果

在80次实验中，系统在不同波浪增益（K_H = 0.0, 0.1, 0.3, 0.5）下均表现出色。在K_H = 0.0、0.1和0.3时成功率达到100%，在K_H = 0.5时仍保持90%成功率。平均任务完成时间随波浪强度增加而延长，重新规划次数和时间也相应上升。

图像处理速率达30帧/秒，平均处理时间0.0078秒，满足实时性要求。横向误差热图显示，高波浪下感知误差增大，是导致失败的主要原因。失败案例包括因摩擦导致的最终位姿偏差以及因垫木遮挡导致的无法完整装载。

与现有基于GPS和AprilTag的方法相比，本视觉驱动方法在无需外部基础设施的情况下实现了更高或相当的成功率，展现出显著的环境适应性与成本优势。

结论与展望

本研究提出的视觉驱动自主拖车装载系统在仿真环境中验证了其有效性、鲁棒性与实时性。未来工作将集中于多传感器融合、自适应控制策略优化以及真实环境测试，以进一步提升系统在极端条件下的性能与泛化能力。该框架为无人艇在复杂水域环境中的自主作业提供了可靠的技术基础。