基于图网络的水下无人航行器全海域定位方法研究

Regarding the inconsistency problem of localization algorithms of unmanned underwater vehicles in various sea areas(harbour, offshore, deep ocean), and with the purpose of proposing new localization method applicable to full sea area, this project studies about key technologies in global optimization, pose estimation and information fusion based on graph networks that have natural advantages in handling problems with graphical structure. Firstly, based on the graph network block, a graph network architecture for global optimization is established. Maximum a posteriori estimation of poses can be implemented with elimination of the dependence on accurate mathematical models of traditional optimization methods. Secondly, the design of acoustic odometer based on graph network is brought out to overcome difficulties in feature extraction of acoustic images and data association between frames. And relative pose estimation can be obtained with sequential acoustic images. Thirdly, according to the difference in noise characteristics of various sensors, attention mechanism is introduced to realize the learning of edge attribute weights on the graph networks and accomplish the fusion of multi-source localization information. Simulation tests are carried out with simulation data and field data to verify the feasibility of the proposed methodology at last. The research of this project can lay a foundation for solving localization problem of unmanned underwater vehicles operating in multiple environment.

本项目针对水下无人航行器在不同海域(港口、近海、深海）采用的定位算法不一致的问题，以研究适用于全海域的水下无人航行器定位方法为目标，利用图网络在处理概率图模型问题上的优势，在全局优化、位姿估计与信息融合三个方面开展以下关键技术的研究。第一，基于图网络模块，提出并建立面向全局位置优化的图网络架构，实现航行器位姿的最大后验估计，消除传统优化方法对于精确数学模型的依赖以及线性化求解带来的误差。第二，提出基于图网络与卷积神经网络的声学里程计设计方法，解决声学图像特征提取与帧间数据关联的问题，实现基于声学图像的航行器相对位姿估计。第三，针对不同类型传感器在噪声特性上的差异，通过引入注意力机制实现图网络中边属性权重的学习，完成多源定位信息的融合。最后，结合仿真数据与湖试数据开展模拟试验，验证所提出方法的可行性。通过本项目的研究，可为解决多环境下的水下无人航行器自主定位问题奠定技术基础。

围绕水下无人航行器自主定位，面向多类型海上应用场景，根据无人系统定位技术前端探测-后端优化-多体协同的技术框架，本项目在研究过程中开展了深度图网络数据优化问题、深海图模型协同优化问题、水下环境建模与传感器仿真、水下声视觉图像处理等若干问题的研究。.首先，开展了基于概率图模型的水下航行器位姿优化方法研究，建立了UUV定位问题的概率图模型结构。针对图网络的后端优化问题，在图神经网络结构的消息传递层引入全局参数，实现传输速率和丢失速率的自适应，提出了一种信道选择方法，实现节点特征编码，确定了网络输入、输出的主要特征信息。针对深海区域DVL无法底跟踪的定位问题，开展了基于图优化模型的多UUV系统的协同定位研究，通过简单的队形切换逻辑满足了图模型梯度优化的可观测条件，实现了海流速度的估计与航行器位置的优化。.其次，开展了虚拟数据采集与湖海试验工作。根据二维图像声纳成像模型，建立了深度图、法向图到声纳图像之间的映射关系，并考虑到传播损失、噪声干扰等因素，通过结合Unity3D平台实现了声纳、图像、DVL和位姿等传感器数据生成，建立有效的声纳仿真数据集。同时，组织外场数据采集试验，在湖海环境完成了特定目标和海底环境的声纳试验数据采集工作，研究了声纳目标提取方法，利用YOLO网络架构，通过训练，实现基于声纳图像的目标识别，并结合航行器实际应用，开展了目标自主识别能力验证，取得了良好的效果。.最后，进行了面向水下视觉前端的图像特征提取增强方法研究。针对特征提取的稳定性问题，比较了常用特征提取前端处理方法在提取与匹配效果的优劣，对比分析了水下图像特征的适用性。在此基础上，考虑水下光照条件的独特性，研究了基于动态掩膜的水下图像处理方法，提高水下光照条件下的特征匹配效果。同时，提出了一种基于SuperPoint的深度神经网络特征提取方法，通过建立一系列图像质量逐渐下降的水下数据集，逐渐训练网络的特征提取能力，提高了水下暗环境特征提取的稳定性与特征提取的精度。.本项目主要集中研究了水下无人航行器定位问题的若干关键点，对前端处理、后端优化以及水下仿真获得了初步的研究成果，将在后续的研究中，继续深入解决图优化相关问题，扩展研究结果的适用范围，并丰富研究内容，旨在最终实现一个系统化的水下定位解决方案。