集成引导与导航规划器（i-GNP）的设计：用于自主水下车辆的图像处理辅助运动规划

《Ocean Engineering》：Design of an integrated guidance & navigation planner (i-GNP) for image processing-assisted motion planning of an autonomous underwater vehicle

水下无人艇自主导航与运动规划研究通过集成YOLOv9图像识别与双向动态区域RRT?算法，结合人工神经网络力分配方案，实现了复杂环境下的精准路径规划和目标检测。摘要：本研究提出一种基于YOLOv9图像处理与双向动态区域RRT?运动规划的集成导航模块（i-GNP），用于水下无人艇（UUV）在封闭可控环境中的自主导航与路径跟踪。通过训练水下多场景数据集，YOLOv9在低 visibility和遮挡条件下仍保持高精度管道检测（mAP达XX%）。结合Bi-DRRRT?算法生成动态可行轨迹，并采用ANN力分配模型实现控制指令优化，实验表明系统能在波浪扰动和传感器噪声下实现路径跟踪误差≤0.5m。

　　近年来，随着海洋资源开发和环境监测需求的不断增长，无人水下系统（Uncrewed Underwater Vehicles, UUVs）在各种复杂任务中的应用日益广泛。其中，自主水下航行器（Autonomous Underwater Vehicles, AUVs）因其无需人工干预即可在GPS信号受限、环境恶劣的水下区域执行任务而受到高度重视。这类设备的核心功能包括精确导航、实时路径规划、障碍物规避以及通过视觉数据进行目标识别与跟踪。这些能力不仅有助于延长任务持续时间，还能降低操作成本、提高安全性，并增强设备在动态环境中的表现。因此，AUVs的自主性在海洋科学研究、海上基础设施检查、环境监测和水下探索等领域扮演着至关重要的角色。

在水下环境中，导航和引导系统的准确性是确保AUVs有效运行的关键因素。与空中或水面平台不同，AUVs通常在没有GPS信号的条件下运行，且受限于光线条件和水下能见度。因此，它们依赖于内部导航系统，如惯性导航系统（INS）、多普勒速度计（DVL）和深度传感器。然而，这些系统在长时间任务中容易受到漂移和传感器噪声的影响，特别是在缺乏外部定位系统（如超短基线USBL或长基线LBL）的情况下。此外，水下环境的动态变化，如洋流、波浪和水体运动，进一步增加了导航和引导的复杂性。为了确保AUVs能够准确跟踪预设路径并避开障碍物，需要一种更加智能和适应性强的引导和导航模块。

传统的引导方法，如视线引导（Line-of-Sight, LOS）和向量场引导，虽然在一些基础任务中表现出良好的性能，但在面对复杂和动态的水下环境时仍存在局限性。LOS方法因其计算效率高和易于实现而被广泛采用，但在存在洋流干扰的情况下，其性能可能下降，尤其是在欠驱动平台中。向量场引导则通过在参考路径周围生成吸引向量场，提高路径的平滑性和收敛性，但其对环境变化的适应能力仍有待提升。为了解决这些挑战，研究者们提出了基于模型预测控制（Model Predictive Control, MPC）的方案，该方法能够将车辆动力学和操作约束纳入预测过程中，从而优化未来的控制输入以应对预期的扰动和参考轨迹。

随着深度学习技术的发展，特别是在实时目标检测领域，YOLO（You Only Look Once）系列模型在水下应用中展现出巨大的潜力。最初的YOLOv1在2016年提出，其检测速度达到45帧每秒（FPS），并且在多个数据集上实现了较高的平均精度（mAP）。随后，YOLOv3和YOLOv4被进一步优化，以适应特定的水下应用场景，如管道泄漏检测和水产养殖饲料监测。近年来，YOLOv8和轻量级的YOLO-AES模型被应用于水下管道检测，进一步提升了检测精度和计算效率。最新版本的YOLOv9则引入了可编程梯度机制，使其对环境变化更具敏感性和适应性。这些模型的不断演进表明，深度学习在增强水下视觉感知和提升任务可靠性方面发挥着重要作用。

然而，仅依靠图像处理技术仍然存在一些挑战。水下图像采集受到光衰减、散射、浑浊度和波长相关色彩失真等因素的影响，导致图像质量下降，使得原始图像难以直接用于分析或反馈控制。因此，研究人员开发了多种预处理技术，如色彩校正、对比度增强、去雾处理和直方图均衡化，以恢复图像的清晰度和信息完整性。此外，先进的计算机视觉算法，如边缘检测、特征匹配、目标识别和基于机器学习的分类方法，也被广泛应用于水下环境中的障碍物规避、海底地形测绘和自动化管道检测。近年来，图像拼接和三维重建技术的进步，使得从重叠图像序列中生成大范围的视觉地图成为可能，从而支持更详细的环境评估。

鉴于上述技术发展趋势，本文提出了一种全新的集成引导与导航模块（Integrated Guidance and Navigation Planner, i-GNP），该模块结合了YOLOv9图像处理模型和双向动态区域快速探索随机树（Bi-DRRRT?）运动规划算法，旨在提升AUVs在复杂水下环境中的实时监控和导航能力。YOLOv9模型通过使用多样化的水下数据集进行训练和优化，能够有效识别水下管道等关键目标，并在低能见度、遮挡和弱光条件下保持较高的检测精度。而Bi-DRRRT?算法则通过同时从起点和目标点扩展搜索树，提高了路径规划的效率和鲁棒性，特别是在存在传感器噪声和波浪干扰的环境下。

为了实现这一目标，本文开发了一个原型系统，该系统集成了必要的传感器、推进系统、水下摄像头和照明设备等硬件组件。该原型系统通过实验验证了其在不同水下场景下的适应性，包括浑浊度、遮挡和低光条件。同时，研究团队还设计了一种基于人工神经网络（ANN）的力分配方案，该方案能够将运动规划器输出的采样点转化为实际的控制力，从而确保AUV能够按照预设轨迹精确运行。这一力分配方案不仅提高了系统对传感器噪声的容忍度，还增强了对动态环境变化的适应能力。

在本文的研究中，i-GNP模块的核心目标是通过图像处理辅助技术，提升AUVs在复杂水下环境中的导航和引导能力。具体而言，该模块能够更精确地识别目标位置，提高定位精度，并减少传感器漂移带来的影响。此外，通过将视觉信息与运动规划相结合，i-GNP模块还能够动态调整路径，以适应不断变化的水下环境，从而确保任务的顺利执行。在实际应用中，这种集成模块对于水下管道检测、水下设施维护、海洋环境监测等任务具有重要意义，因为它能够在缺乏GPS信号的情况下，提供可靠的导航和引导信息，确保AUVs在复杂的水下环境中安全有效地运行。

为了进一步提升系统的适应性和可靠性，本文还提出了一种模块化的系统设计方法。该方法将图像处理单元、运动规划器、控制器和力分配器等子系统有机整合，使得各个模块之间能够实现高效的数据交互和协同工作。这种模块化设计不仅简化了系统的集成过程，还提高了系统的可扩展性和灵活性，使其能够适应不同的任务需求和环境条件。此外，研究团队还对i-GNP模块进行了详尽的实验分析和验证，以确保其在实际应用中的有效性。实验结果表明，YOLOv9模型在水下管道检测任务中表现出较高的检测精度，而Bi-DRRRT?算法在路径规划过程中能够生成平滑且可行的轨迹，从而支持AUVs在复杂环境中的精确操作。

在当前的研究基础上，本文还对水下图像处理和运动规划的未来发展方向进行了展望。随着人工智能和深度学习技术的不断进步，水下视觉感知和路径规划能力有望得到进一步提升。例如，未来的水下图像处理技术可能会结合更先进的神经网络架构，以提高对复杂水下场景的适应能力。同时，运动规划算法可能会进一步优化，以更好地应对动态环境变化和不确定性因素。此外，研究者们还可以探索将多传感器数据融合技术应用于水下导航和引导系统，以提高系统的鲁棒性和可靠性。

总之，本文的研究成果为水下自主航行器的导航和引导系统提供了新的思路和方法。通过结合YOLOv9图像处理模型和Bi-DRRRT?运动规划算法，i-GNP模块不仅提升了AUVs在复杂水下环境中的实时监控和导航能力，还为未来的水下任务提供了更高效、更可靠的解决方案。这一研究不仅具有重要的理论价值，还对实际应用具有广泛的指导意义。随着技术的不断成熟，水下自主系统将在海洋科学研究、海上基础设施维护和环境监测等领域发挥更大的作用，为人类探索和利用海洋资源提供强有力的支持。