单波束声纳运动变形补偿与受限水域水下机器人定位方法

《Sensors》：Single-Beam Sonar Motion Deformation Compensation and Localization Method for Underwater Robots in Confined Waters

　　

在受限水域（如圆柱形养殖网箱和池塘）中，执行清洁、采收等任务的水下机器人使用单波束机械扫描声纳进行定位与导航时，易受复杂水环境中的多径干扰。同时，在极端海况下，机器人严重的姿态摆动与声纳的慢扫描特性相互叠加，导致声学点云的距离拉伸和螺旋变形。为解决这些问题，研究人员分析了单波束声纳的变形机理，提出了一种时空联合变形补偿与定位-建图方法。首先，引入一种姿态导出的概率置信模型，作为轻量级鲁棒性保障，以表征声纳回波的几何可靠性，并降低后续配准中低置信度测量的贡献。其次，设计了一种波束级时空联合去变形算法：将极坐标下的斜距展平以消除非线性摆动变形，并利用基于波束时间偏移和反馈速度的波束级位移反估计来消除螺旋错位，从而增强对动态变形过程的底层校正能力。最后，构建了一种集成基于关键帧的动态子地图的轻量级SLAM架构，其中采用置信加权ICP（ICP）结合罗盘提供的航向估计平面位置，并提供基于速度的闭环反馈，有效缓解了由底层动态变形引起的全局匹配发散问题。基于实测水池数据的真实数据驱动半物理扰动测试表明，在注入±45°横摇扰动和漂移条件下，所提方法将最大点对参考误差MaxAE从1.059 m降至0.098 m。报告的平均内部配准残差从传统导航里程计SLAM的0.275 m降至所提方法的0.158 m，对应数值降低约42.5%。在所评估条件下，所提方法有效缓解了由机器人摆动和慢扫描声纳引起的点云变形和配准不稳定，同时置信加权作为处理低置信度对应关系的辅助鲁棒性机制被保留。

**论文解读：单波束声纳运动变形补偿与受限水域水下机器人定位方法**

**研究背景与问题**
在现代水产养殖中，水下机器人被广泛用于网箱巡检、池壁清洁和辅助采收，这对提升智慧渔业装备水平、降低人员风险具有重要意义。然而，实际养殖水体因鱼类活动、排泄物和饵料投放而高度浑浊，传统光学视觉传感器难以正常工作。单波束机械扫描成像声纳（如Echologger MRS900）体积小、功耗低、穿透性强，适合部署于水下机器人，成为浑浊水下环境中的实用感知设备。在圆柱形养殖网箱、采收池塘等受限水域中，水下机器人易受水流扰动或缆绳拖拽影响，导致姿态变化和位置漂移。机械扫描声纳完成一次360°扫描通常需数秒，这种“慢扫描”特性与机器人连续空间运动叠加，引起声纳图像的严重运动变形。现有方法在处理非线性摆动和时域平移共同导致的复杂声纳变形时，存在补偿维度单一、多径虚假目标导致的匹配发散等问题。因此，研究人员开展本研究，旨在提出一种针对受限水域单波束声纳的紧耦合时空联合变形补偿与定位方法。

**所开展的研究与结论**
研究人员深入分析了声纳极坐标在三维空间中的投影变形机理，提出了一种新方法。该方法首先引入姿态导出的概率置信模型，表征保留声纳波束的几何可靠性；其次设计波束级时空联合去变形算法，同时消除非线性摆动范围和螺旋错位；最后构建集成关键帧动态子地图的轻量级SLAM（SLAM）架构，其中置信加权ICP（ICP）嵌入置信权重，输出速度反馈至时域补偿模块，形成闭环。基于真实水池数据的半物理扰动测试表明，在注入±45°横摇扰动和漂移条件下，所提方法将最大点对参考误差MaxAE从1.059 m降至0.098 m，平均内部配准残差从传统导航里程计SLAM的0.275 m降至0.158 m，降低约42.5%。该方法有效缓解了点云变形和配准不稳定，为水下机器人在浑浊、视觉缺失环境中提供更可靠的定位与建图。论文发表在《Sensors》。

**主要关键技术方法**
研究人员采用真实数据驱动的半物理扰动注入策略，基于标准矩形水池（6 m×3 m，水深1.5 m）采集稳态数据，保留硬件噪声和多径效应。关键技术包括：1）姿态导出的概率置信模型，利用高斯衰减函数将波束偏离水平面的角度转化为几何置信权重；2）波束级时空联合去变形算法，先通过三维姿态展平斜距，再基于波束时间偏移和后端反馈速度进行位移反估计；3）轻量级SLAM架构，采用关键帧动态子地图和置信加权ICP，输出速度经指数移动平均（EMA）滤波后反馈至时域补偿模块，形成闭环。样本队列来源为自研框架式水下机器人搭载Echologger MRS900声纳和双罗盘姿态测量系统，在标准水池中采集。

**研究结果**
**4.1 实验平台与测试环境**：研究人员在6 m×3 m矩形水池中设置平台，机器人搭载MRS900声纳（850 kHz，2.0°波束宽，步进角1.6°，扫描周期约7.9 s）和双罗盘（20 Hz，俯仰/横摇精度±0.2°，航向±0.8°）。半物理扰动注入策略采用正弦横摇（±45°，0.1 Hz）和恒定平面漂移。
**4.2 评估指标**：引入最大绝对误差MaxAE、平均绝对误差MAE和配准均方根误差Registration RMSE，分别衡量点云变形极限、整体一致性及内部配准残差。
**4.3 基于实际水池数据的前端处理评估**：通过稳态条件下原始数据与滤波后点云对比，前端处理（有效距离截断、局部中值滤波、几何自适应掩蔽）将单次扫描保留波束从225降至98，保留率43.56%，有效抑制散乱回波和多径假目标，池壁轮廓更清晰。
**4.4 注入扰动条件下的消融与连续时间基线比较**：在±45°横摇和漂移下，所提时空联合补偿方法MaxAE 0.098 m、MAE 0.044 m，优于传统2D静态投影（MaxAE 1.059 m）、仅波束级恒速平移补偿（MaxAE 0.85-0.99 m）和仅三维姿态补偿（未报告具体值）。与基于Furgale等[11]的连续时间三次B样条基线（MaxAE 0.102 m）相比，所提方法略优，且采用轻量速度反馈无需批量估计样条系数。
**4.5 复杂扰动下连续轨迹估计与配准一致性对比**：在43次扫描序列中，所提方法平均内部配准RMSE为0.158 m，显著低于传统导航里程计SLAM（0.275 m）和未含时域补偿的三维姿态补偿SLAM（0.264 m），表明时空联合补偿与动态闭合反馈提升了配准稳定性。
**4.6 模块级消融分析**：完整方法平均内部配准残差0.158 m，去除波束级时空补偿后升至0.185 m，去除动态子地图和速度反馈后升至0.221 m，而去除置信加权后残差仍为0.158 m（因该扰动序列中多数波束权重接近1），说明置信加权为条件依赖性辅助鲁棒机制，非主要误差来源。
**4.7 运动补偿可视化结果对比**：可视化显示，所提方法校正后点云（蓝色）紧密跟随稳态参考点云（灰色），无显著外凸或偏移；仅平移补偿保留弧状拉伸，仅姿态补偿存在整体偏移，静态投影则严重变形。

**讨论与结论**
研究人员指出，所提方法在评估条件下有效降低了点云变形并提高了连续配准稳定性。但当前结果基于受控扰动注入，未完全代表真实极端海况（如推进系统和湍流引起的非周期高频振动），实际养殖环境可能更复杂。未来工作将在动态水池和实际养殖环境中进行物理运动实验，收集多源实测数据集，并研究声纳、视觉相机和多普勒测速仪（DVL）的多传感器融合。研究结论如下：当水下机器人在池塘和养殖网箱等受限水域中使用单波束声纳时，易受复杂水下环境中的多径干扰，机器人摆动与机械声纳慢扫描特性结合导致显著的距离拉伸和点云变形，降低常规扫描配准的可靠性。研究人员提出一种运动变形补偿与定位方法：首先引入姿态导出的概率置信模型表征几何可靠性；其次设计波束级时空联合去变形算法，通过空间斜距展平和基于波束时间偏移与反馈速度的位移反估计减小摆动变形和慢扫描错位；最后构建集成关键帧动态子地图的轻量级SLAM架构，置信加权ICP嵌入几何置信度作为辅助鲁棒项，估计平面速度反馈至时域补偿模块形成闭环。实验结果表明，所提方法有效降低了点云变形并提升了连续配准稳定性。