水下機器人慣性導航技術綜述

賴 昱，朱 俊

（上海中車艾森迪海洋裝備有限公司，上海 201306）

0 引言

水下機器人承擔了海洋資源探索、海洋生物調查以及深海作業等任務，對海洋資源的開發至關重要。由于操作人員無法直接通過視覺來判斷水下機器人當前的姿態和位置，一般依靠通信手段遠程操縱水下機器人，因此，水下機器人必須依靠慣性導航系統（inertia navigation system， INS）來提供其在水下的航向和位置信息，從而實現運動控制?？梢?，慣性導航系統對于水下機器人的控制至關重要。

經過數十年的研究，水下慣導技術已經有了較為成熟的應用，以往僅用于水上空間的導航技術目前也逐漸應用于水下導航［1-4］。最開始水下依靠慣性測量元件和導航算法組成的慣性導航系統進行導航，稱為純慣性導航。由于水下無法接受衛星信號，純慣性導航系統的位置信息在系統運行一定時間后會發散。因此，后續發展出了純慣性導航系統和傳感器搭配使用的組合慣性導航技術。最早出現的組合方式是利用聲學傳感器，通過回聲定位或航位推算的方式給慣導系統提供修正數據［1］。后來，研究又集中于水下機器人自帶的傳感器上，例如多波束聲吶、深度計等儀器，通過把這些儀器加入慣導系統，以豐富慣導系統的信息源［3］。目前，隨著人工智能技術的發展，依靠地圖重構的視覺慣性導航技術［4］又興起，并有望在未來應用到水下機器人上。

上述慣性導航系統均有成熟研究，且在不同的水下環境及不同類型的機器人上，所適用的方式也不同。同時，大量研究［5-11］也表明了，水下機器人慣性導航系統存在的共性問題是位置信息修正問題。因此，本文總結了國內外部分水下慣性導航相關文獻，分析了各類水下機器人慣性導航系統在不同應用條件下的優劣性及其最適用的組合類型，同時研究了各類組合慣導所需的誤差修正算法，為未來水下慣性導航系統的研究提供參考。

1 水下慣導組合技術

慣性導航系統是一種利用慣性傳感器測量載體的角度及角速度信息，并結合給定的初始條件實時推算載體的速度和位置等運動參數的自主式導航系統。其可搭載在水下機器人上，在機器人運行過程中，提供其相對位置和當前姿態，為機器人航行的路徑規劃提供重要依據。

基于陀螺儀、加速度計的純慣性導航系統是水下機器人工業應用領域所有慣性導航技術的基礎［1-2］。在自定義的虛擬坐標系中，陀螺儀可以提供水下機器人針對某一坐標軸的角度偏差，而加速度計可以提供其在某一坐標軸上的加速度大小。分別在x軸、y軸及z軸上設置陀螺儀和加速度計，慣性導航系統就可以獲得水下機器人在虛擬坐標系下的每一時刻的航向信息及加速度信息； 再結合初始位置或參考點，通過積分可以計算得到機器人的位移，從而計算出機器人的相對位置。

純慣性導航系統作為水下機器人慣導系統的基礎，具有可以依靠自身進行導航的能力。法國iXsea公司開發的Phins 水下慣性導航系統的定位精度可達到1 111.2 m/h。美國霍尼韋爾公司開發的RL34激光陀螺慣導系統，導航精度也大幅提升［1］。由Teledyne公司開發的TOGS 以及Sonardyne 公司開發的LOADSTAR 200 光纖陀螺慣導系統，也實現了較高的精度。另外，在國內也有許多廠家可以開發出工業領域較高定位精度的產品，例如中船航?？萍加邢挢熑喂鹃_發的海螺系列光纖慣導系統。

純慣性導航所使用的陀螺儀與加速度計在自身探測的信息上具有極高的精度，在短時間內對水下機器人的航向、位置反饋較為準確。但是由于傳感器定位存在誤差，并且在積分過程中誤差不斷累積，長時間運行使慣導系統計算出來的誤差較大。因此，水下機器人的慣導系統往往會選擇和其他的測速裝置或定位裝置組合，如多普勒測速儀（Doppler velocity log，DVL）和超短基線定位系統（ultra short baseline，USBL），通過時間同步與數據融合等手段，成為精度更高的慣導系統，如圖1所示。

圖1 水下機器人慣性導航系統原理Fig.1 Principle diagram of the INS for ROV

這些水下慣導組合以純慣性導航為主，加上航位推算、地球物理導航、水聲導航等方式為輔助，提高了導航精度。目前，又有研究將多種輔助導航方式加入純慣性導航系統，形成了多傳感器組合的慣性導航系統，即以多源信息來輔助主慣性導航系統的誤差修正，這樣可提高慣性導航的精度和可靠性，保證了水下機器人的順利運行。表1 為目前常用的幾種水下慣導組合方式的優缺點對比。

表1 水下慣導組合Tab.1 Combination of underwater INS

1.1 慣性-航位推算導航

航跡推算法是在知道當前時刻位置信息的情況下，根據測量得到的載體移動的距離和方位，推算下一時刻載體的位置信息。目前在水下機器人中最常用的是DVL。DVL 依據多普勒效應，通過測量發射波和反射波之間的頻率變化來獲得航行器的運行速度。DVL通過聲波反射可以獲得較為準確的速度信息，可以對捷聯式慣性導航（strapdown inertial navigation system，SINS）輸出的速度信息進行修正，使得慣導系統在速度上的積分更為準確，減小定位誤差。DVL 搭配純慣性導航使用可提高慣導系統長時間工作的定位精度［12］。目前DVL有較為成熟的產品，如Nortek AS公司生產的 NORTEK-DVL1000 以及Teledyne 公司生產的WHN 1200 等DVL，可以實現航行距離千分之二的定位精度。大量文獻［12-14］研究了SINS 與DVL 的組合導航模式，在初始對準、誤差校正等方面都有較為成熟的方法。

同時，DVL 由于不需水面設備輔助，自身體積也較小，因此可以和純慣性導航設備組合形成一體化的慣性導航裝置，解決了傳感器之間的同步性問題以及坐標軸融合等問題，使用較為方便。但是，由于DVL的工作深度有限，一般成熟的DVL 產品在工作時，都要處于距海底1～200 m 的區間范圍內，否則無法準確獲得水下機器人相對海底的速度。在大部分深度情況下，搭載在水下機器人上的DVL 都只能測量水下機器人相對某一水層的速度。這種工作模式獲得的速度信息不夠準確。因此，SINS-DVL 的組合應用范圍較為受限。

1.2 慣性-水聲導航

慣性-水聲導航通常是指SINS搭配基線系統進行導航?；€系統由水面的應答器與水下的信標組成，可以利用聲波的反射推算載體與水面平臺的相對位置，能夠獲得較為準確的位置信息，甚至依靠信標本身就能實現導航［15］。因此，利用聲學定位方式，修正SINS的位置信息，保證其長期工作時的位置信息不發散，是較為可靠的導航方法。一般地，以應答器基陣的長度來劃分，基線系統可分為長基線系統（long baseline，LBL）、短基線系統（short baseline，SBL）和USBL［14］。LBL 長度超過100 m，SBL 長度在20～50 m 之間，而USBL 長度則小于10 m。水下機器人本體尺寸通常也在10 m 以內，故常搭配USBL，以便于安裝。目前USBL 技術也較為成熟，如，挪威Kongsberg 公司開發的HiPAP500 型遠程水聲定位導航系統的實際定位精度可達作業距離的0.15%。PSOIDONIA6000超短基線水聲定位系統由法國iXblue 公司研發，已經廣泛應用于潛艇導航。除單信標外，有時也可采用多信標組合來提升定位精度［16］。

總體來說，SINS-USBL 的組合導航方式穩定可靠，能長時間運行，且由于信標體積較小，在水下機器人上的安裝也較為容易。USBL 的工作方式不受水深環境影響，泛用性高；但是，USBL 還需考慮水面設備的安裝布放，尤其是多信標系統中相關設備的布置和回收工作量大，耗資也相對較高；且如何實現時間同步也是SINS-USBL組合方式需要考慮的問題。

1.3 慣性-多傳感器組合導航

為了進一步提高慣性導航的精度和魯棒性，有研究探尋了多種傳感器組合，即通過傳感器信息之間的互補來提高慣導系統的定位精度。如上海中車艾森迪海洋裝備有限公司采用SINS-DVL 一體化慣導，結合超短基線定位系統，實現了長時間、高精度的水下導航。文獻［17］使用兩個SINS 組成雙慣性導航系統，通過構建雙慣導系統的狀態空間模型，計算載體的位置信息。文獻［18］設計了一種基于DVL和聲學定位輔助慣導的組合導航系統，其聲學定位系統由安裝在水下潛水器上的換能器陣和布放在海底的三陣元定位基陣組成。該組合導航系統根據三陣元測得的距離信息和慣導系統輸出的位置信息建立距離耦合模型，解出載體位置信息。文獻［19］將視覺傳感器、GPS 傳感器、水溫水壓傳感器等多傳感器的信息組合起來，實現了對慣導信息的修正。

這些傳感器組合往往能帶來更高的定位精度以及環境適應性；但是系統復雜、布放困難、成本較高，且時間同步較為困難，故不常見于工業應用。

除了上述SINS-DVL 組合方式外，也有研究結合水下機器人使用的其他傳感器作為輔助，為水下機器人的定位提供參考。如使用深度計為純慣性導航系統的深度信息提供修正；或者使用重力儀測算海洋重力，使用載體在經過目標區域時實時測量的重力數據和預先測量得到的基準數據進行比較，得到載體的位置信息［20］。文獻［3］基于側掃聲吶的成像原理，結合側掃聲吶圖像的成像特點，從其中提取出自主水下機器人（autonomous underwater vehicle， AUV）的載體坐標系下的側向速度，并將其應用在檢測和剔除DVL粗差數據上。該類方法布放方便，但精度相較上述慣導組合的更低。

1.4 視覺-慣性導航

上述1.1～1.3 節中的慣導系統都是基于慣性測量元件獲取的參數，由其積分得出水下機器人的位置信息。然而，還有一類慣導系統則是基于視覺傳感器獲得的信息，通過狀態估計的方式得出機器人的位置信息，慣性測量元件給出的位置及速度信息僅作為參考。這類導航方式被稱為視覺-慣性導航。目前，視覺-慣性導航技術主要應用于水上的場景，在水下機器人上的應用研究仍處于起步階段。如何將水上成熟的應用遷移到水下環境，是視覺-慣導技術應用于水下機器人的一大難點。

文獻［4］使用雙目視覺里程計與SINS 組合導航，以視覺的位姿信息作為觀測量，并結合慣導的誤差模型建立卡爾曼濾波（Kalman filter， KF）模型；同時，考慮時間同步，建立了高精度的慣導體系。文獻［21］通過在水下機器人上搭載具有前端改進和點線融合特性的同時定位與地圖重構（simultaneous localization and mapping，SLAM）系統，提高了視覺SLAM在水下環境使用的定位精度和地圖構建效果。以色列海法大學構建了水下視覺-慣導的數據集，供從事水下視覺-慣導的研究者使用［22］。此類系統成本低、體積小，但涉及深度學習算法，對算力要求較高，且所使用的水下相機會受到水下能見度的影響。

2 誤差修正算法

除純慣性導航技術以外，其余各類慣導組合想要達到目標功能，都需要解決一個關鍵問題，即如何合理利用各傳感器的數據，得到準確的位置信息。因此，誤差修正算法也是決定水下機器人慣性導航系統定位精度的一個關鍵。本文關注了傳統及新興的誤差修正算法，為水下機器人慣導系統的研究提供參考。

2.1 濾波算法

早期融合各傳感器的數據、實現誤差修正的方式主要是加權法和統計法。這些方法簡單實用，但修正后的水下機器人位置信息仍存在較大誤差。目前在數據修正方面最為常見的方法為濾波，即將輔助位置信息作為閾值，對慣導的位置信息進行修正。

將濾波算法應用于數據融合的思路最早由Jalving B［23］提出，他利用卡爾曼濾波進行USBL 和SINS組合的數據融合和濾波處理。國內也有學者提出基于KF 的SINS-USBL 水下組合導航算法，并進行了系統模型的研究和誤差分析［24］。針對KF算法，國內外學者研究了許多改進方法，其中最有代表性的是松組合和緊組合兩種不同的組合算法，其主要利用擴展卡爾曼濾波（extended Kalman filter， EKF）對慣性誤差進行了估測與補償［5-6］。哈爾濱工程大學的白金磊對INSUSBL 組合算法進行了一個較為全面的總結，對比了松組合和緊組合算法的優缺點，并提出一種緊組合算法，有效減小了估計誤差［7］。此外，北京自動化控制設備研究所的張亞文等提出了基于集中濾波的SINSDVL-USBL 水下組合導航方法，建立了基于SINSUSBL 相對量測信息的觀測模型［8］。文獻［9］提出了SINS-DVL-USBL 組合的分布式聯邦濾波，以SINSUSBL 組合作為主濾波器，結合SINS-DVL 子濾波器，實現了三者數據的融合。西北工業大學的高兵兵采用聯邦濾波技術設計SINS-DVL-USBL組合導航系統方案［10］。東南大學張濤等人也于2017年提出了一種基于斜距與斜距差的組合模型［11］。東南大學的翁鋮鋮采用基于位置匹配的松組合方式以及基于方位角和斜距的緊組合方式，設計了SINS-USBL 組合導航，并利用深度計結果來約束系統的高度信息［5］。

視覺-慣性導航也主要通過濾波的方式進行位置誤差修正，如基于誤差狀態卡爾曼濾波（error-state Kalman filter，ESKF） 的視覺-慣性緊耦合框架、MSCKF 2.0、Open-VINS 、MSCKF-VIO 等算法。同時優化方法也是視覺-慣性導航獨有的數據修正方法。該方法一般都是基于最大后驗估計，將狀態估計問題轉化成非線性最小二乘的優化問題，然后用高斯-牛頓法或列文伯格-馬夸爾特算法等進行優化求解，例如OKVIS、VINS-mono、ORB-SLAM3等算法［25］。

2.2 人工智能算法

人工智能算法擁有極強的數據擬合能力，在權重尋優的問題上有較為突出的表現。因此，也有研究將人工智能算法應用于水下機器人的導航系統中。

人工智能算法的應用主要可分為局部優化和整體組合應用兩個方面。局部優化是針對慣導系統中的某一特定傳感器所采集到的數據進行優化，提高該數據的精度，從而提高整個慣導的精度。文獻［26］利用循環神經網絡（recurrent neural network， RNN），通過SINS、DVL以及深度計的數據信息，預測水下機器人相對海底的速度，從而得到機器人的位置信息。文獻［27］利用深度神經網絡BeamNet對DVL得到的信息進行修正，使慣導系統工作過程中DVL 的數據準確率上升了60%。文獻［28］利用深度神經網絡的預測功能及深度計等其他傳感器數據，對機器人自身的航向速度進行預測，取代了DVL 的功能，使得機器人能夠在無法使用DVL的區域照常工作。文獻［29］提出一種基于深度神經網絡的UBSL定位方法，USBL采集的相對位置數據作為神經網絡的輸入，經過處理，輸出是絕對位置信息和方向信息。這個方法過濾了USBL的定位誤差，提高了導航精度。

而整體組合應用則是通過收集所有傳感器的數據，來直接得出位置信息，實現高精度導航。文獻［30］提出了一種多模型的導航系統，使用一個AHRS、DVL和NavNet 相結合的子模型來修正未知誤差，同時使用調整的 AHRS-DVL子模型過濾時間累積誤差，從而提升慣導的準確率。文獻［31］使用時間卷積神經網絡（temporal convolutional network ， TCN）對多傳感器的數據進行卷積以提取特征，同時引入注意力機制，對機器人的位置信息進行估計，結果相較于EKF 的有了56%的提升。文獻［32］使用語義模型和狀態估計模型相結合，通過語義模型對自主水下機器人的位置信息進行預測，再通過狀態估計模型來驗證所得位置信息，相比KF模型有更加強的抗干擾能力。文獻［33］通過強化學習的方式，利用USBL和姿態傳感器提供的數據，推算機器人的位置信息。文獻［34］提出只用模糊邏輯航向控制模型，使用機器人的聲吶和視覺傳感器收集的數據，結合深度神經網絡來得出機器人當前的位置信息。文獻［35］首先建立了針對超短基線聲學定位系統預測的機器學習模型，通過USBL 聲學定位系統的觀測數據集來訓練該模型，并用得到的模型來預測更新間隔內的數據，最后使用UKF將已更新的數據集進行融合。相比傳統的組合導航算法，異步融合組合導航算法將USBL聲學定位系統數據異步問題所引起的慣導誤差降低了17%［35］。

3 水下機器人慣導技術發展趨勢分析

結合上述分析可知，水下機器人目前仍是以純慣性導航為主，并輔以其他傳感器進行定位。但是目前的水下機器人慣性導航系統還存在著諸多問題，如如何對準、航向發散等。隨著研究的不斷深入和技術的發展，未來的水下機器人慣導技術將會向高精度、系統化、智能化的方向發展，再結合智能誤差修正算法，可以形成高精度、長時間穩定運行的水下慣導系統。

3.1 高精度化

目前水下機器人慣導系統中的慣性單元主要以光纖陀螺為主，在精準度方面還有較大提升空間。激光陀螺擁有比光纖陀螺更高的精度和更微小的精度發散。文獻［36］研究了激光陀螺的誤差修正方法，結果表明，激光陀螺儀敏感軸動態偏移參數估計精度優于 0.2 ＂/g。

此外，根據量子力學原理發明的原子陀螺在精度和穩定性上又有了進一步的提升。原子干涉陀螺理論誤差可達到 10-13° / h 以內， 可大幅消除累計誤差帶來的影響， 為目前最具潛力的慣性導航系統［37］。提升慣性測量元件的功能，是未來水下機器人慣性導航技術發展的一個確定的方向，其未來的研究將圍繞高精度測量元件的小型化和低成本展開，促使其實現成熟的工業應用。

3.2 多源融合

由于各傳感器的使用條件不一，適用環境會受到限制，未來水下機器人的慣導系統將會整合更多傳感器，如DVL、USBL、多波束聲吶、深度計等，為慣導誤差修正提供更多信息。同時，為避免多傳感器整合帶來的安裝誤差以及時間同步問題，將多種儀器與慣性導航元件整合為一體化的慣導系統也是未來慣導技術發展的趨勢之一。然而，多源信息如何進行時間同步，以及如何利用這些信息獲得更為準確的數據成了未來研究的重點。Sonardyne 公司研制的 SPRINT 慣性導航系統把SINS、DVL 以及深度計等傳感器的信息整合，形成一體化慣導系統，提高了定位精度，同時解決了時間同步問題［37］。

此外，視覺-慣性導航和SLAM導航技術也將攝像頭等光學傳感器引入了導航系統中；地圖重構技術將更多的傳感器通過算法融合到水下機器人的慣導系統中，使得慣導技術的選擇更加多樣化。如何盡可能地應用水下機器人自身攜帶的傳感器，以及如何改進多源信息的融合，將會成為未來研究的重點。

3.3 智能化

隨著人工智能技術的不斷發展，大量人工智能技術被應用于慣性導航領域，使得水下機器人慣導系統也朝著智能化的方向發展［26-34］。人工智能算法在數據處理方面較為出色，具有更強的靈活性和魯棒性，在多源數據融合以及視覺圖像處理和地圖生成等方面均有很大的應用空間。人工智能算法的應用將大大提高水下機器人慣導系統的效率。然而智能算法的應用也將帶來許多問題，諸如：需要大量數據訓練，所以初始化時間長；魯棒性不足，在某一區域樣本訓練下的機器，在差異較大的環境下無法取得理想的效果；所依賴的傳感器精度有限，會造成所生成路徑存在誤差。因此，未來水下機器人慣導系統智能化的研究將著重于樣本生成、魯棒性提升以及誤差消除等方面。

4 結束語

目前，水下機器人的慣導系統主要以捷聯式慣性導航SINS 為主，并輔以其他測速或定位手段，包括航程計算、聲學導航、視覺傳感器以及多傳感器組合等。本文將這些慣性導航系統進行了一一說明，并從水下機器人的工作環境、布放方式、系統協同等角度，分析了各種慣導組合系統的優勢與缺點。同時，本文針對所有慣導系統的共同問題——位置誤差修正，研究了相應的修正算法。濾波算法是目前慣性導航組合中主要的誤差修正算法，但其準確度極大程度上依賴傳感器的精度；同時，人工智能算法也逐漸被應用到水下慣導系統中，但要實現成熟的工業應用，還需突破訓練樣本獲取以及魯棒性不足的難題。未來，小型化、一體化必然會成為水下機器人慣導系統的發展趨勢；同時，水下機器人導航系統研究的關鍵會集中在算法上，人工智能算法將逐步應用于水下機器人慣導系統中。