基于物理原理和数据驱动的框架，用于预测自主水下航行器（AUV）侧扫声纳成像质量在运动诱导退化情况下的表现

《Ocean Engineering》：A physics-informed and data-driven framework for AUV side-scan sonar imaging quality prediction under motion-induced degradation

　　• 运动引起的声纳质量退化是通过整合声学效应和车辆状态来表征的。
• 高斯过程残差学习通过不确定性量化提高了置信度预测的准确性。
• 海试实验验证了该框架在风险意识下水任务规划中的有效性。
• 物理声纳成像退化机制与数据驱动的残差学习相结合。
• 在AUV运动条件下，预测了空间变化的声纳可靠性。

**引言**
侧扫声纳（SSS）由于其大面积和条带式覆盖能力，仍然是自主水下车辆（AUV）进行海底目标搜索和水下基础设施检查任务的核心传感方式（Qiao等人，2026年；Brown和Blondel，2009年；Williams和Fakiris，2014年）。在典型的操作场景中，AUV沿着预定义的轨迹线对指定区域进行勘测，并依赖声纳图像进行目标检测、候选目标识别以及后续的重访决策。然而，实际经验表明，实现几何覆盖并不一定保证信息获取质量的均匀性，因为目标检测性能受声纳图像质量的空间和时间变化显著影响。在实际应用中，声纳图像质量受到多种因素的共同影响，包括声波传播损失、海底散射特性以及AUV的运动状态（Williams，2011年；Tamsett，2017年）。特别是，姿态扰动和速度变化会导致相邻声纳波段之间的图像清晰度、结构连续性和背景噪声特性差异，从而降低图像的可解释性和目标的可检测性。如图1所示，在不同姿态扰动条件下获得的声纳图像在目标边缘定义和背景噪声水平上表现出显著差异。这些观察结果表明，仅基于扫描次数或几何覆盖宽度的评估指标不足以表征AUV勘测任务的有效传感能力。因此，可靠的AUV勘测操作需要超出传统几何覆盖评估的定量评估，以评估空间变化的声纳图像质量。

为了提高海底搜索任务的稳定性和可控性，逐渐出现了两个密切相关的研究需求。第一个需求是路径优化，旨在提高目标检测概率。与仅根据路径长度或几何覆盖优化的传统策略不同，最近的研究将声纳性能指标或成像质量的替代测量纳入轨迹规划中，从而在保持足够覆盖的同时提高信息获取效率。例如，多AUV覆盖路径规划方法考虑了声纳性能模型和海洋环境因素，以提高搜索效率和检测概率（Mu和Gao，2025年）。第二个需求涉及在勘测操作后或期间对检测有效性的定量评估。仅靠几何覆盖无法回答诸如漏检可能发生在何处、是否需要额外勘测或如何调整轨迹间距等关键问题。因此，需要通过累积和定量指标来表示检测可靠性，以支持覆盖评估、路径规划和在线任务调整。现有研究已经探索了概率检测模型和多维声纳有效性评估方法，其中使用检测概率和累积检测性能来比较不同的勘测策略（Wang等人，2025年）。这两种需求最终都依赖于一个基本能力：在提供感知性能的不确定性意识评估的同时，建立AUV操作状态与声纳图像质量之间的可靠关联。

现有的关于声纳图像质量评估和检测有效性建模的研究通常可以分为两大类：基于物理的方法和数据驱动的方法。第一类依赖于物理驱动的建模，其中明确地制定了声波传播、几何成像机制和运动补偿过程，以分析高度、姿态、入射角、车辆速度和运动引起的模糊等因素对成像退化的影响。这些方法提供了强烈的物理解释能力，并且在受控假设下能够有效捕捉一般退化趋势。然而，真实的水下环境涉及复杂的海底散射特性、多径传播效应、系统依赖的处理程序和非理想的车辆运动。因此，纯基于物理的模型可能无法完全描述所有退化机制，导致在不同操作场景下的适应性有限。此外，大多数现有的基于物理的模型提供确定性估计，缺乏明确的不确定性表征，这限制了它们在以可靠性为导向的任务评估中的应用。

尽管基于物理的模型提供了有价值的物理见解，但其局限性促使了数据驱动方法的发展。第二类方法直接从测量数据中学习AUV操作状态、声纳图像特征和质量指标之间的经验关系。这类方法具有强大的非线性表示能力，能够捕捉难以用分析方法描述的复杂关系。然而，如果没有明确的物理约束，它们的预测可能对数据分布和操作条件的变化敏感。特别是，高斯过程回归（GPR）提供了概率预测和不确定性估计，使其适用于训练样本有限的情况。尽管如此，传统的基于GPR的方法直接学习输入变量和质量指标之间的映射，而不结合先验的物理知识，这可能在未见过的操作条件下降低可解释性和外推可靠性。

尽管现有方法取得了进展，但仍然缺乏一个统一的框架，该框架能够同时结合物理可解释性、非线性建模能力和对运动引起的声纳成像退化的不确定性意识预测。在基于AUV的侧扫声纳任务中，成像质量退化不是由单一因素决定的，而是由声波传播条件、海底特性和车辆运动状态的耦合效应共同引起的。因此，需要一种基于物理的概率建模策略，将物理知识与数据驱动学习相结合，以便在不同操作条件下可靠地预测声纳图像质量。此外，可靠的声纳质量预测应进一步转化为空间残差风险表示，从而能够在任务层面直接评估感知可靠性。

基于上述观察，本研究开发了一个基于物理的概率框架，用于建模运动引起的侧扫声纳成像退化。与仅依赖物理假设或直接从数据中学习质量映射的传统方法不同，所提出的框架引入了一个与物理一致的成像质量先验，以表征由声波传播和AUV运动引起的主要退化趋势。随后，采用高斯过程残差学习来模拟物理预测与测量声纳置信度之间的差异，从而在保持不确定性量化的同时实现非线性校正。所提出的框架结合了已建立的物理知识与残差学习和风险表示，以实现可解释性和不确定性意识评估。最后，将预测的声纳置信度沿AUV勘测轨迹进行投影，构建残差风险图，为任务级别的性能评估提供空间感知可靠性的定量表示。

**主要内容总结如下：**
(1) 开发了一种与物理一致的声纳成像质量建模方法，用于表征声波传播和AUV操作状态的耦合效应。所提出的模型不是直接使用几何覆盖指标来评估声纳性能，而是建立了车辆运动条件与空间变化的声纳图像质量之间的关系，提供了一个物理可解释的质量先验。
(2) 提出了一种基于高斯过程残差学习的物理-数据融合策略，以提高在复杂操作条件下的声纳置信度预测的适应性。该方法使用基于物理的估计作为先验信息，并学习物理预测与测量置信度之间的残差差异，从而实现非线性校正和不确定性量化。
(3) 建立了一种基于置信度的残差风险映射方法，将声纳图像质量预测转化为空间勘测有效性评估。该方法为AUV任务评估、覆盖质量分析和轨迹优化提供了定量基础。

**本文的其余部分组织如下。**第2节回顾了文献中的相关工作。第3节介绍了侧扫声纳成像机制并阐述了问题。第4节详细介绍了所提出的模型架构。第5节描述了模型性能评估和海试实验设置，并分析了相应结果。最后，第6节总结了本研究并讨论了其局限性和未来研究方向。

**相关工作**
侧扫声纳仍然是基于AUV的海底搜索任务中实现大面积覆盖和高分辨率观察的主要载荷之一。然而，现有研究清楚地表明，基于条带式扫描的几何覆盖并不必然保证均匀的信息覆盖。传播损失和系统增益的变化，加上声波传播几何形状的变化和姿态引起的几何畸变，导致...

**研究初步**
本节介绍了所提出的基于物理的概率框架所需的基本概念和问题表述。虽然没有全面回顾侧扫声纳原理，但讨论的重点是直接影响声纳图像质量的物理因素以及AUV操作状态与感知性能之间的关系。基于这些考虑，构建了声纳质量评估问题，以建立基础。

**方法论**
所提出方法的整体工作流程如图4所示。首先，对原始侧扫声纳数据和平台姿态信息进行预处理，以提取与成像质量相关的物理和观测特征。基于这些特征，构建了一个包含传播损失、信噪比和距离补偿的基于物理的成像模型，以提供成像置信度的先验预测。同时，引入了一个数据驱动模型来学习...

**验证与分析**
本章系统地评估了所提出的物理-数据驱动融合模型的性能。首先，进行模型性能评估，以比较所提出的融合模型与基于物理的模型和传统数据驱动模型的预测能力。随后，介绍了实验设备配置和海试现场条件。最后，评估了所提出模型在真实世界环境中的有效性。

**结论与未来工作**
本文通过提出一种基于物理-数据驱动的融合框架，解决了水下侧扫声纳检测任务中定量评估成像质量的挑战。在此基础上，构建了残差风险图，以表征大规模自主勘测操作中的风险空间分布。通过执行来自声纳成像物理机制的约束并结合数据驱动模型来进行补偿...

**作者贡献声明**
Wang Zhenyu：概念化。Lei Hongsheng：撰写 – 原始草稿。Feng Hao：撰写 – 审稿与编辑。Qiao Jianan：数据整理。Huang Yan：形式分析。Yu Jiancheng：项目管理。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能影响本文报告的工作。

**致谢**
本研究得到了中国国家自然科学基金（项目编号52501425）、国家机器人及智能系统重点实验室（项目编号2025-Z25）和中国博士后科学基金（项目编号2025M780273）的支持。