水产养殖水下机器人应用研究现状-网络知识

本文节选自《智慧农业（中英文）》2020年第2卷第3期，李道亮教授团队的文章《人工智能在水产养殖中研究应用分析与未来展望》，其引用格式如下，欢迎大家阅读、引用。

引文格式：李道亮, 刘畅. 人工智能在水产养殖中研究应用分析与未来展望[J]. 智慧农业(中英文), 2020, 2(3): 1-20.

LI Daoliang, LIU Chang. Recent Advances and Future Outlook for Artificial Intelligence in Aquaculture[J]. Smart Agriculture, 2020, 2(3): 1-20.

点击直达知网阅读

点击直达官网阅读（全文，免费）

水产养殖水下机器人

应用研究现状

水产养殖水下机器人又称为无人水下潜水器，是指可以对水产养殖水体环境进行远程监测、感知养殖对象信息和实现智能作业功能的机器人，可实现清理、放苗、饲养、管理、收获等智能化作业，但目前大多处于实验室研究阶段，未能在实际生产中广泛应用。水下机器人根据与水面支持系统间的联系方式可以分为遥控水下机器人和自治水下机器人两类，其涉及的关键技术分类和应用如图1所示。

图1 水下机器人关键技术分类应用

Fig. 1 Key technologies classification and application of underwater robots

遥控水下机器人是指通过脐带缆和母船进行通信，由母船通过电缆向其提供动力、实施遥控操作。遥控水下机器人多为开架式结构，易于布置和安装设备，具有作业能力强、适应能力强和操作灵活等优点。其缺点一是因电缆长度有限导致活动范围较小，二是因电缆碰撞失效和断裂导致本体丢失的可能。自治水下机器人自带动力，和母船之间没有脐带缆连接，可以通过自主决策来完成运动路径的规划，多呈流线型来减小运动阻力从而获取更长的工作时间，具有活动范围大、智能化、隐蔽性好等优点，缺点则是作业时间受携带的动力限制。水下机器人将人工智能、探测识别、信息融合、智能控制、模式识别、系统集成等技术应用于同一载体上，完成如电缆敷设检查、海底矿藏调查、捞救作业、环境监测及江河水库大坝检查等工作。

中国于20世纪90年代开始研究水下机器人，目前国内利用人工智能在水下机器人中的应用研究团队主要来自哈尔滨工程大学、中国科学院沈阳自动化研究所、中国船舶科学研究中心、浙江大学、华中科技大学等。本节从目标识别、路径规划与导航、控制与作业3方面说明人工智能技术如何在水下机器人领域中应用，以及研究现状和技术瓶颈。

1 目标识别

水产养殖水下机器人为实现定位和作业首先要进行水下目标的识别，在准确获取目标信息后才能做出决策控制。基于人工智能技术的目标识别是指利用计算机视觉的方法，对水下摄像机采集的图像进行智能化信息提取，之后对图像感兴趣区域利用边界、聚类、阈值、区域和人工神经网络等分割方法进行处理，提取出感兴趣区域后再用主动轮廓法、神经网络、多特征融合和机器学习等方法进行目标识别，无需外界干预，能够基本满足水下近距离快速准确识别目标的要求，并且具有较强的适应性。Cai等针对目标识别时面临的水质浑浊和目标遮挡等问题，提出了一种基于转移强化学习的多自主水下机器人协同目标识别方法，对干扰环境下的目标信息进行了强化训练，保证了算法的实时性；在浑水、目标遮挡、光线不足、背景复杂以及目标重叠5种环境下进行仿真实验，发现所提出的模型可以减少相似数据的重复计算，确保该方法的时效性。汤中强针对水下目标的三维位置估计问题，采用加速稳健特征点（Speeded Up Robust Features，SURF）的光流跟踪法对特征点进行跟踪，该算法在成本低于传感器测量的基础上，可对目标物实时定位，为机器人水下作业提供了保障。贾玉珍和王玥为了削弱复杂恶劣的环境对水下成像造成的不利影响，并满足水下机器人目标识别任务实时性的需求，提出了基于人工鱼群算法优化BP神经网络的水下目标识别算法，试验结果表明该方法的准确率较粒子群优化神经网络和免疫遗传算法高出2%左右。

目前水下摄像机采集图像的质量受海水浊度和能见度影响很大，总体成像距离较短。由于水下成像环境较为复杂，在成像过程中水体对光散射和吸收效应等影响，导致一般成像设备的作用距离只有几米到十几米，且图像质量具有对比度低、边缘模糊、色彩丢失、噪声严重等不足，极大影响了水下目标的精准识别与定位。因此，研究利用的水下图像恢复算法和智能识别算法是提高水下目标识别准确性的关键。

2 路径规划与导航

水下机器人导航与定位是水下机器人进行路径规划以及准确作业的关键。由于水产养殖环境复杂，使得机器人在水下导航与定位比在陆地困难。基于人工智能的水下机器人路径规划是指水下机器人通过视觉系统获取水中环境图像，提取图像中的特征点实现全局和局部特征的匹配，同时使用滤波算法获得所需的理想边缘特征点，最终结合水下机器人和障碍物相关参数进行相应的路径规划，其主要方法分为建模和路径搜索两种。其中路径规划方法包括群智能和机器学习。群智能方法将路径规划问题转化为最优搜索问题，但该方法较依赖先验的环境知识，而具有自主学习能力的机器学习方法无需考虑环境因素，可以更好地解决水下机器人在未知环境下的局部路径规划问题。

表1对目前常用的各类智能路径规划方法的优缺点进行了比较，并列举了最新的研究进展。从表1中可以看出，基于人工智能的各类路径规划方法已在水下机器人路径规划中广泛应用，但仍存在一些需要解决的问题。例如，基于蚁群算法的路径规划方法无法适用水下机器人运动速度较快的情况。基于人工神经网络的路径规划方法需要大量的数据样本，所需训练时间较久。针对以上问题，可考虑利用深度学习可靠稳定、准确率高的特点，实现水下机器人在无任何训练的前提下进行局部路径规划。

表1典型智能路径规划算法比较

Table 1 Comparison of typical intelligent path planning algorithms

3 控制与作业

作业控制是水下机器人在水产养殖中实现自主作业的核心，对于水下机器人实现高精度、高稳定性作业具有重要意义。由于水产养殖环境的复杂性、作业对象的多样性和脆嫩易损性，要求水下机器人能够精确稳定地控制本体、机械臂和末端执行器，在作业过程中实现自主行走、机器臂准确达到目标点、末端执行器自主动作的有机协调，最终达到高精度、自主式作业的目的。人工智能技术在水下机器人应用中的最大优势在于无需事先了解水下机器人动力学知识，可对全部或部分非线性动力模型进行学习，并计算控制策略模型，当控制正确率足够高时，再将仿真计算中的控制策略模型作为初始模型移植到水下机器人平台并在真实的水产环境下学习。

随着人工智能技术的广泛应用，国内外学者主要利用神经网络、自适应控制、模糊控制等方法对水下机器人进行作业控制。Xu等提出了神经模糊控制器来实现水下机器人操作系统跟踪控制。虽然模糊控制器是一种不依赖于模型的智能控制方法，但是模糊控制的规则调整比较复杂，因此在实际应用中具有一定的难度。韩凌云利用径向基神经网络控制器整体补偿控制水下机器人运动，并利用Lyapunov方法证明了控制系统的渐近稳定性，通过仿真验证了该自适应控制系统的灵活性、自适应性和可行性。Carlucho等开发了适用于水下机器人自适应控制系统的强化学习框架，该框架将最原始的感知信息作为输入，并输出连续的控制策略行为，可有效解决自主水下机器人控制中命令混乱问题。

目前人工智能技术在水下机器人中的应用研究多数都是在实验室条件下进行的，与农田、果园中的机器人相比，水产养殖中的机器人和智能装备面临的最大问题就是环境，水下机器会受到风、浪、水压、酸碱度等复杂因素的严重干扰。因此，在未来的发展中，需重点关注水下信号传输技术和图像处理技术，这将为提高复杂环境下水下机器人作业精度提供新策略。除此之外，还需将机械手的精细化作业融合机械手的控制方法和抓取策略等内容作为研究重点，基于逆向强化学习的方法，机械手可以推测主从式机械手操作人员的意图，从而快速学习操作专家经验，这也是水下机械手智能作业的一个发展方向。