基于深度学习的前视声纳在水下自主航行器（AUV）中的障碍物规避技术：方法与实验

《Applied Ocean Research》：Underwater obstacle avoidance for AUV using forward-looking sonar based on deep learning: Method and experiment

　　

Buyun Li|Changgeng Shuai|Chengren Yuan|Yuanran Qiu|Jianguo Ma|Yonglin Xiao|Zhanshuo Zhang

摘要

本文提出了一种基于前视声纳（FLS）的自主水下航行器（AUV）避障集成解决方案。该方法解决了水下导航中的关键问题，尤其是在复杂声学环境下的高误报率以及机动性限制下的反应式避障能力不足。该方案利用直接从声波流中重建的原始矩形灰度声纳数据构建了检测框架，以保留声学特征并避免传统扇形变换或伪彩色处理所带来的失真。此外，还引入了一种基于几何形状的标注策略，以提高模型对不同水下目标的泛化能力。为减少由声学伪影引发的不必要机动行为（这些行为会导致动力不足的AUV轨迹严重偏离），提出了一种基于置信度的动态参数自适应跟踪算法。该算法能够自适应调整匹配标准，有效抑制瞬态误报。同时，还开发了一种改进的实时避障视线（RA-LOS）引导律，通过自适应调整障碍物缓冲区大小来确保在车辆运动约束范围内进行可行的机动操作。该集成系统通过全面的湖泊试验得到了验证。实验结果表明，所提出的跟踪器对低置信度误报的抑制率为49.5%，而引导律在避开人工障碍物和自然边界方面实现了100%的成功率。本研究为基于深度学习的感知和自适应引导技术在实时AUV避障中的实际可行性提供了可靠的实验验证。