2020, Vol. 41
由于无人驾驶的发展，近几年无人车和无人机已广泛应用于各种场景。与此同时，应用于水面的无人艇(unmanned surface vehicles，USV)有望在未来代替人类发挥重要作用。近年来，无人艇被广泛用于执行多种军事及非军事任务，代替作业人员执行危险或耗时耗力的任务，在港口防护及舰船兵力保护、海上侦察监视、反潜作战、水上搜救、后勤补给、水质监测、水文采样、海洋环境测绘、水域生态保护等方面发挥着重要作用，提高工作效能的同时也降低了作业人员的伤亡。
作为无人艇的创始者，以色列埃尔比特系统公司推出的“银色马林鱼”具有划时代的战略意义[1]。随后，无人艇SCOUT[2]、水面高速无人艇PROTECTOR[3]、测量双体船海豚(MESSIN)[4]、无人艇ROBOAT[5]、无人艇JingHai-I[6]以及各种无人艇海上协议相继推出[7]。近年来，各企业也陆续推出商用水面无人艇。Fraunhofer CML等8家机构联合开展海上智能无人驾驶航行网络(MUNIN)计划[8]。日本29家单位联合组织开展“智能船舶应用平台(SSAP1)”项目。英国罗尔斯·罗伊斯公司(R-R公司)发起“先进自主水运应用项目(AAWA)”[9]，并与Finferries联合推出全球第一艘无人驾驶渡轮“Falco”号。日本船舶机械与设备协会(JSMEA)、挪威雅苒(Yara)公司与康士伯海事(Kongsberg Maritime)、芬兰瓦锡兰公司、韩国现代重工集团联合微软、英特尔、SK航运等企业相继推出更加智能自主的无人驾驶商船[10]。国内云洲智能、欧卡智能等公司也相继推出具备不同功能的小型水面无人艇。
以上对无人艇的研发改进均以其平稳航行为基础，而无人艇安全航行的关键在于迅速避障并能实时优化航路，即自主船舶对周围水域环境的准确感知。因此，对于无人艇的核心要求是使其能够通过感知周围环境及自身情况来实现态势感知，从而实现目标检测、跟踪、导航定位等功能。感知系统包括外部环境感知系统及自身状态感知系统，能够为无人艇的决策与控制提供必要的数据源支持。
基于感知技术在无人艇领域的重要性，国内外学者纷纷展开无人艇感知技术的研究。现有的无人艇感知技术理论主要分为2大类：1)无人艇外部环境感知，包括搭载雷达、声呐、视觉传感器、毫米波雷达(millimeter wave radar)及激光雷达(LiDAR)等多种传感器来实现目标检测、目标跟踪等功能；2)无人艇自身状态感知，包括搭载惯性测量单元(intertial measurement unit，IMU)、GPS等传感器实现无人艇的自定位，这也是无人艇确定其相对于环境的位置的能力体现。
1 目标检测无人艇环境感知面临一个严峻的问题是如何实现准确停靠岸和精准避障，而解决这个问题需要无人艇具备良好的水面目标检测能力。针对目标检测，现阶段学者们主要考虑以下2种应用场景：第1种是面向避障功能的目标检测，包括岸线、冰山、移动船只、航行中的不明障碍物等；第2种是面向作业功能的目标检测，包括桥梁结构、港口设施以及水中生物、水体环境、海底结构等。
1.1 面向避障功能的目标检测针对避障进行的目标检测是现阶段学者们研究较多的领域，各国学者采用不同的传感器，并改进算法进行USV航行过程中的目标检测。
Xu等[11]提出了现阶段利用全景摄像机分析水面情况的USV目标检测研究现况，主要检测航行过程中的非水物体，包括海岸线、航行危险物以及其他移动船只等。该方法通过利用卡尔曼滤波器来完成特征定位，能够很好地检测固定目标的特征。庄佳园等[12]基于雷达图像数据提出了自适应图像平滑和鲁棒图像分割算法，实现海面目标检测，适用于USV高速运动避障，但是针对运动目标的检测仍然存在限制。
圣地亚哥太空与海军作战系统中心一直参与USV避障技术的研发，Larson等[13]提出了一种基于USV的障碍物检测系统，主要用单目摄像机和雷达进行目标检测，通过使用远场协商性避障组件和近场反应性避障组件来避开障碍物，改进了快速避开固定及移动障碍物的远距离路径规划系统，提升避障成功率，效果如图 1所示。
|
Download:
|
| 图 1 单目视觉海岸线及障碍物检测及测距[13] Fig. 1 Monocular vision showing horizon (coastline) and obstacle detection and ranging[13] | |
此后，Onunka等[14]仅通过雷达辅助障碍物检测，提出了一种利用雷达测距方程预测功率范围频谱的方法，在具有足够信噪比信息的情况下，通过连续波(continuous wave，CW)雷达系统预测距离范围，进行障碍物检测。Wang等[15]提出了一种通过单目摄像机和立体视觉方法的USV障碍物检测系统，该系统可以实时检测和定位30~100 m内的多个障碍物，能捕捉到航速最高可达12 kn的高速障碍物。他们提出通过左右摄像机可分别进行单目检测，然后用立体视觉方法对两侧摄像机的图像进行处理，计算出三维(three dimensions, 3D)检测结果的目标识别方法，其结果如图 2所示。
Kristan等[16]解决了通过约束无监督分割方法进行在线检测存在的问题，提出了一种可通过USV捕获的单个视频帧进行快速连续的障碍物图像地图估计，不需要纹理特征提取的图形模型，降低了计算量，提升计算速度和视觉目标检测算法稳定性，能够实现多种动态目标检测，但其采用原则上的信息融合方法，并未结合其他外部传感器，导致目标检测精度受限，给出4种受限情况，见图 3。
除水上目标的检测，海岸线的准确边界检测也是航道上目标检测的一个主要研究方向，该方向可利用Google地图获得的区域俯视图来构建静态障碍物地图[17]。现已提出多种利用摄像机检测海岸边缘线的方法，但是仍需考虑水面环境随时间和光照变化，无人艇动态情况下所获得的准确边界信息。
Mei等[18]参考无人车边界检测的研究基础，提出了一种适用于USV的基于特征和边缘相结合的自适应海岸线检测方法，通过采样补丁进行颜色分割以自适应地提取河流边界，结合颜色分割和霍夫变换获得河流边界定位信息，在理论上尽可能消除颜色随时间和光照条件的变化产生的影响。该方法虽构建USV模型，但是目前尚未很好直接应用在USV控制系统中。
为了使USV在水面上航行时避开障碍物，Dong等[19]提出了一种通过在USV上使用摄像机检测自然环境下的河岸，从而实现自动导航避障的海岸线检测方法。研究了基于单目摄像机的彩色图像水岸线检测，其结果也可以作为移动障碍物检测、避障以及多传感器信息融合的基础，比传统的LOG算法更快、更准确，并且可以提高河岸定位的准确性，该方法的检测率可以达到82.3%，但是当水反射光非常强时，该算法会部分失效。近年来，本文作者为解决水面反射问题展开深入研究，取得了一定效果，如图 4所示。
|
Download:
|
| 图 4 岸线检测结果 Fig. 4 Coastline detection results | |
此外，面向作业场景中的目标检测，Murphy等[20]讨论了水上、水下和空中航行器的协作使用，结合USV进行桥梁检测，并提出了用于桥梁检查的全功能USV的7个里程碑式改进：标准化任务载荷，桥梁状态监测，通过改进人机交互来实现远程操作，增加3-D避障，改善定位能力，处理大型数据以及支持协同感知。
同年，Heidarsson等[21]提出了一种用于USV障碍物检测和避障的单波束主动声呐，体现USV仅依靠声呐数据来导航和避开湖泊及港口环境中障碍物的潜力，还提出了一种可以通过对俯拍图像进行分类，学习障碍物地图的用于USV的技术。随后，Han等[22]通过融合安装在USV上的IMU、摄像机和LiDAR的测量结果，解决了由于桥梁附近GPS信号遮挡，测量精度不够的情况下，水上桥梁结构的3D重建问题，见图 5。
|
Download:
|
| 图 5 三摄像机根据USV轨迹识别桥墩结构合成图像[22] Fig. 5 Image of bridge structure according to USV's track by three camera[22] | |
Huntsberger等[23]基于无人系统控制问题，通过联合AUV和USV，对水下珊瑚进行目标检测及实时监测，如图 6所示进一步对珊瑚进行识别。也有学者进行类似用途的目标检测研究，如沉船考古勘探、海洋栖息地探测采样、水电站状况调研、动态环境监测、石油泄漏检测、浮游植物监测等[23]。
Papadopoulos等[24]使用USV搭载激光扫描仪和侧扫声呐扫描水线上方和下方的海洋结构，针对海洋环境中的3-D表面重建问题进行研究，主要作用于GPS信号缺失情况下的目标检测及海底重构，图 7所示为该方法下的码头检测结果。Beall等[25]提出了对水下环境和生态系统演变的定期检测技术，通过二维图像构建3-D模型，获取高精度海底地形，如图 8所示。
目前，为了发挥不同传感器的优势，基于多传感器检测信息融合的目标检测趋势得到了进一步的发展，可以进一步进行运动目标的检测。同时由于深度学习的兴起，基于图像的目标检测是目前的主流检测方式，但是该类方法需要依赖大量的前期训练数据积累，针对不确定的目标检测仍然存在一定的局限性。
2 目标跟踪除了目标检测方法，进一步对运动目标进行跟踪以获得更准确的实时信息也得到了广泛的研究。由于光线和时间的影响，水面运动目标的周围环境经常发生变化，同时也存在各种无法准确预设的干扰；由于目标的运动，目标自身的大小和形状也会随时间发生变化，因此相较于在水面复杂环境中准确检测目标，准确跟踪运动目标的研究更具有挑战性。
将信息融合方法应用到水面目标检测与跟踪任务中能够带来更好的跟踪效果，一般是基于摄像机和LiDAR融合或者摄像机与GPS的融合等。Fefilatyev等[26]提出了一种在公海视频中自动检测和跟踪海上船只的技术，基于单个视频帧进行海上船只检测，并借助跟踪算法通过视频序列跟踪检测目标，通过滤除未显示视频序列中各帧之间检测一致的噪声，提高了检测及跟踪的精度，图 9展示了该系统的目标跟踪效果。Wolf等[27]介绍了一种USV的感知和规划系统，其目标是检测和跟踪中至远距离的船只，但目前无法实现多种类型目标的检测和跟踪。Shin[28]针对大浪、水面有雾等恶劣条件下目标跟踪问题，根据试验得到该系统目标检测和跟踪的距离最远为500 m。萧正莫等[29]通过集成单目摄像机与GPS和IMU数据信息，将测距能力提高500~1 000 m。
|
Download:
|
| 图 9 环境影响下时间轴上目标跟踪情况[26] Fig. 9 Target tracking on the timeline under environmental influence[26] | |
近年来，国内也有一些学者基于实际出发，将研发系统搭载在无人艇上进行动态目标跟踪。张磊等[30]提出了一种基于GNC框架的三体船，能够自主探测周围环境，并对具有一定特征的动态目标进行跟踪航行。曾文静[31]针对海面目标跟踪，将均值漂移算法和卡尔曼滤波结合，以在一定程度上实现目标尺度的自适应跟踪。时俊楠[32]考虑目标位置和尺度的实时变化，采用联合估计的fDSST(fast discriminative scale space tracker)跟踪算法，结合姿态变化信息进行目标跟踪。
为实现远距离目标实时检测并跟踪，多传感器信息融合是目前的研究热点，也是未来一段时间的发展趋势，能够有效提升USV的目标跟踪性能。但目前尚未提出能够实现真正的信息融合并且能够对目标进行长时间的准确检测跟踪。
3 实时定位为更好实现USV在自主执行任务中不出问题，精准的导航及自定位也至关重要。良好的导航定位能力是实现USV实时优化航路的基本。
针对应用环境通常是高度动态和非结构化的问题，Subramanian等[33]为了实现在高度非结构化的海洋环境中USV能够真正的自主长期运行的目标，提出了结合使用单个全景摄像机的图像分析以及USV位置和运动信息，利用USV实时创建海岸线地图的新方法，图 10为其全景摄像机辅助检测出的岸线结果。基于USV的导航定位，Leedekerken等[34]提出了一种使用自主水面航行器的新型海洋制图系统，解决桥梁或树叶冠层附近GPS遮挡问题。
Han等[35]提出了主要作用于阻挡GPS信号的大型建筑附近操作的USV定位算法。该算法是一种相对导航方法，用LiDAR检测桥墩及其轮廓，并使用LiDAR测量结果通过对桥墩的截面几何形状进行分类和参数化来估算结构形状和中心位置，该方法允许在GPS信号缺失的情况下估计USV的位置，通过在同步定位框架下，构建桥墩结构的参数地图，即时定位并绘制地图(simultaneous localization and mapping，SLAM)。
针对在岸边的植被或城市居住区无法常规使用视线全球导航卫星系统(GNSS)的问题，船只的精确定位是关键挑战，Kriechbaumer等[36]提出通过附在USV上的全景摄像机装置评估独立的视觉里程计，将其作为一种新颖的低成本定位策略，并使用基于特征的SLAM方法在663 m长的运河上进行了测试。
Wang等[37]将基于双目摄像机的视觉SLAM算法应用于USV，并在港口环境中采集视频数据进行实验。Ma等[38]为了克服GPS信号缺失问题及干扰问题，提出了一种基于雷达和卫星图像的实时定位算法来确定USV位置。
近年来，随着USV应用场景的扩展，在GPS信号缺失情况下的USV定位问题亟待解决。目前通过IMU确定无人船姿态，SLAM算法实时建图确定场景情况是解决该类问题的主流方法，但是定位精度仍受到信息缺失的影响，精确快速的无人艇自定位方法仍需进一步深入研究。
4 结论无人艇的感知系统对无人艇安全自主执行任务影响极大，近年来得到了越来越广泛地研究，但目前国内外对其研究仍无法使无人艇实现真正无人化地执行任务，其中存在一些感知效果仍有待提升：
1) 系统稳定性。现阶段无人艇智能化水平还有待提高。无人艇与无人车的工作模式类似，但是其工作环境更加恶劣，对自身系统的抗干扰性和抗打击能力要求比无人车更高。
2) 目标检测能力。由于光照反射、水面不确定因素等原因，无人艇检测结果将受到较大干扰，目前的检测方法仍存在局限性，检测准确率有待提升。
鉴于无人艇在应用方面的广阔前景以及在轻量化、能源消耗等方面展现出的巨大优势，各国都致力于无人艇的研究，目前正处于飞速发展的关键阶段。未来这一领域的发展应该是围绕上述问题的解决而展开，发展趋势主要是：
1) 多传感器融合。随着计算机日益成熟，无人艇的发展呈现模块化的趋势。未来无人艇系统将逐步成为各体系的模块化组成，其技术体系势必是多传感器融合。模块化可以使无人艇智能选择合适的方法，搭载不同的传感器进行感知探测，使感知系统适用于各种不同任务，同时提升系统性能。
2) 实现高度智能化。未来，无人艇需具有对感知信息自主分析和自适应学习的能力，通过不断数据学习，适应不同的水面及天气环境，降低错误率，一是具有记忆和思维能力，能够存储感知到的外部信息同时利用已有的知识对感知到的信息进行分析；二是具有学习能力和自适应能力，通过不断学习积累知识，使自己能够适应环境变化，形成决策并执行。同时需要至少具备满足各种水域和天气环境的水面图像增强复原系统，能根据外界环境自适应对图像进行复原，保留图像的关键信息。
3) 多领域算法融合。传统的感知算法在感知准确性上受到了限制，随着机器学习的进一步发展，深度学习感知算法的融合研究为传统感知算法注入了新鲜血液，带来了鲁棒性强、准确度高等优点，将进一步提升水面无人艇感知环境的能力。
| [1] |
柳晨光, 初秀民, 吴青, 等. USV发展现状及展望[J]. 中国造船, 2014, 55(4): 194-205. LU Chenguang, CHU Xiumin, WU qing, et al. A review and prospect of USV research[J]. Shipbuilding of China, 2014, 55(4): 194-205. (  0)
|
| [2] |
CURCIO J, LEONARD J, PATRIKALAKIS A. SCOUT-a low cost autonomous surface platform for research in cooperative autonomy[C]//Proceedings of OCEANS 2005 MTS/IEEE. Washington, 2005: 725-729.
( 0)
|
| [3] |
CAMPBELL S, NAEEM W, IRWIN G W. A review on improving the autonomy of unmanned surface vehicles through intelligent collision avoidance manoeuvres[J]. Annual reviews in control, 2012, 36(2): 267-283. DOI:10.1016/j.arcontrol.2012.09.008 ( 0)
|
| [4] |
MAJOHR J, BUCH T, KORTE C. Navigation and automatic control of the measuring dolphin (MESSINTM)[J]. IFAC proceedings volumes, 2000, 33(21): 399-404. DOI:10.1016/S1474-6670(17)37107-0 ( 0)
|
| [5] |
WANG Wei, GHENETI B, MATEOS A L, et al. Roboat: an autonomous surface vehicle for urban waterways[C]//Proceedings of 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems. Macau, China, 2019: 6340-6347.
( 0)
|
| [6] |
PENG Yan, YANG Yi, CUI Jianxiang, et al. Development of the USV 'JingHai-I' and sea trials in the southern Yellow Sea[J]. Ocean engineering, 2017, 131: 186-196. DOI:10.1016/j.oceaneng.2016.09.001 ( 0)
|
| [7] |
BENJAMIN M R, CURCIO J A, LEONARD J J, et al. Navigation of unmanned marine vehicles in accordance with the rules of the road[C]//Proceedings of 2006 IEEE International Conference on Robotics and Automation. Orlando, Florida, USA, 2006: 3581-3587.
( 0)
|
| [8] |
BURMEISTER H C, BRUHN W, RØDSETH Ø J, et al. Autonomous unmanned merchant vessel and its contribution towards the e-navigation implementation:The MUNIN Perspective[J]. International journal of e-navigation and maritime economy, 2014, 1: 1-13. DOI:10.1016/j.enavi.2014.12.002 ( 0)
|
| [9] |
JOKIOINEN E. Remote and autonomous ships the next steps[R]. London: AAWA, 2016.
( 0)
|
| [10] |
李文华, 张君彦, 林珊颖, 等. 水面自主船舶技术发展路径[J]. 船舶工程, 2019, 41(7): 64-73. LI Wenhua, ZHANG Junyan, LIN Shanyin, et al. The Development path of maritime autonomous surface ships technology[J]. Ship engineering, 2019, 41(7): 64-73. ( 0)
|
| [11] |
XU Bin, STILWELL D J, GADRE A S, et al. Analysis of local observability for feature localization in a maritime environment using an omnidirectional camera[C]//Proceedings of 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Diego, 2007: 3666-3671.
( 0)
|
| [12] |
ZHUANG Jiayuan, ZHANG Lei, ZHAO Shiqi, et al. Radar-based collision avoidance for unmanned surface vehicles[J]. China ocean engineering, 2016, 30(6): 867-883. DOI:10.1007/s13344-016-0056-0 ( 0)
|
| [13] |
LARSON J, BRUCH M, HALTERMAN R, et al. Advances in autonomous obstacle avoidance for unmanned surface vehicles[C]//Proceedings of Association for Unmanned Vehicle Systems International-Unmanned Systems North America Conference. Washington, 2007: 1484-1498.
( 0)
|
| [14] |
ONUNKA C, BRIGHT G. Autonomous marine craft navigation: on the study of radar obstacle detection[C]//Proceedings of 2010 11th International Conference on Control Automation Robotics & Vision. Singapore, 2010: 567-572.
( 0)
|
| [15] |
WANG Han, WEI Zhuo, WANG Sisong, et al. A vision-based obstacle detection system for unmanned surface vehicle[C]//Proceedings of IEEE 5th International Conference on Robotics, Automation and Mechatronics. Qingdao, 2011: 364-369.
( 0)
|
| [16] |
KRISTAN M, KENK V S, KOVAČIČ S, et al. Fast image-based obstacle detection from unmanned surface vehicles[J]. IEEE transactions on cybernetics, 2016, 46(3): 641-654. DOI:10.1109/TCYB.2015.2412251 ( 0)
|
| [17] |
HEIDARSSON H K, SUKHATME G S. Obstacle detection from overhead imagery using self-supervised learning for autonomous surface vehicles[C]//Proceedings of 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, 2011: 3160-3165.
( 0)
|
| [18] |
MEI Jianhong, ARSHAD M R. Adaptive shorelines detection for autonomous surface vessel navigation[C]//Proceedings of 2013 IEEE International Conference on Control System, Computing and Engineering. Mindeb, Malaysia, 2013: 221-225.
( 0)
|
| [19] |
DONG Huiying, XU Peng, LIU Qian, et al. The water coastline detection approaches based on USV vision[C]//Proceedings of the 5th Annual IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. Shenyang, 2015: 404-408.
( 0)
|
| [20] |
MURPHY R R, STEIMLE E, HALL M, et al. Robot-assisted bridge inspection[J]. Journal of intelligent & robotic systems, 2011, 64(1): 77-95. ( 0)
|
| [21] |
HEIDARSSON H K, SUKHATME G S. Obstacle detection and avoidance for an autonomous surface vehicle using a profiling sonar[C]//Proceedings of 2011 IEEE International Conference on Robotics and Automation. Shanghai, 2011: 731-736.
( 0)
|
| [22] |
HAN J, PARK J, KIM J. Three-dimensional reconstruction of bridge structures above the waterline with an unmanned surface vehicle[C]//Proceedings of 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems. Chicago, 2014: 2273-2278.
( 0)
|
| [23] |
HUNTSBERGER T, WOODWARD G. Intelligent autonomy for unmanned surface and underwater vehicles[C]//Proceedings of OCEANS'11 MTS/IEEE KONA. Waikoloa, 2011: 1-10.
( 0)
|
| [24] |
PAPADOPOULOS G, KURNIAWATI H, SHARIFF A A B M, et al. 3D-surface reconstruction for partially submerged marine structures using an autonomous surface vehicle[C]//Proceedings of 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, 2011: 3551-3557.
( 0)
|
| [25] |
BEALL C, LAWRENCE B J, ILA V, et al. 3D reconstruction of underwater structures[C]//Proceedings of 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems. Taipei, China, 2010: 4418-4423.
( 0)
|
| [26] |
FEFILATYEV S, GOLDGOF D. Detection and tracking of marine vehicles in video[C]//Proceedings of 2008 IEEE International Conference on Pattern Recognition. Tampa, 2008: 1-4.
( 0)
|
| [27] |
WOLF M T, ASSAD C, KUWATA Y, et al. 360-degree visual detection and target tracking on an autonomous surface vehicle[J]. Journal of field robotics, 2010, 27(6): 819-833. DOI:10.1002/rob.20371 ( 0)
|
| [28] |
SINISTERRA A J, DHANAK M R, VON ELLENRIEDER K. Stereovision-based target tracking system for USV operations[J]. Ocean engineering, 2017, 133: 197-214. DOI:10.1016/j.oceaneng.2017.01.024 ( 0)
|
| [29] |
MOU Xiaozheng, WANG Han. Wide-baseline stereo-based obstacle mapping for unmanned surface vehicles[J]. Sensors, 2018, 18(4): 1085. DOI:10.3390/s18041085 ( 0)
|
| [30] |
张磊, 许劲松, 秦操. 无人船目标探测与跟踪系统[J]. 船舶工程, 2018, 40(8): 56-60. ZHANG Lei, XU Jingsong, QIN Cao. Target detection and tracking system of unmanned surface vehicles[J]. Ship engineering, 2018, 40(8): 56-60. ( 0)
|
| [31] |
曾文静.基于光视觉的无人艇水面目标检测与跟踪研究[D].哈尔滨: 哈尔滨工程大学, 2013. ZENG Wenjing. Marine object detection and tracking of USV based on visual system[D]. Harbin: Harbin Engineering University, 2013. ( 0)
|
| [32] |
时俊楠.无人船海上目标单目视觉检测与跟踪算法研究[D].青岛: 自然资源部第一海洋研究所, 2019. SHI Junnan. Research on object detection and tracking methods for USV based on monocular vision[D]. Qingdao: The First Institute of Oceanography, SOA, 2019. ( 0)
|
| [33] |
SUBRAMANIAN A, GONG Xiaojin, RIGGINS J N, et al. Shoreline mapping using an OMNI-directional camera for autonomous surface vehicle applications[C]//Proceedings of OCEANS2006. Boston, 2006: 1-6.
( 0)
|
| [34] |
LEEDEKERKEN J C, FALLON M F, LEONARD J J. Mapping complex marine environments with autonomous surface craft[M]. .
( 0)
|
| [35] |
HAN J, KIM J. Navigation of an unmanned surface vessel under bridges[C]//Proceedings of the 10th International Conference on Ubiquitous Robots and Ambient Intelligence. Jeju, 2013: 206-210.
( 0)
|
| [36] |
KRIECHBAUMER T, BLACKBURN K, BRECKON T P, et al. Quantitative evaluation of stereo visual odometry for autonomous vessel localisation in inland waterway sensing applications[J]. Sensors, 2015, 15(12): 31869-31887. DOI:10.3390/s151229892 ( 0)
|
| [37] |
WANG S, ZHANG Yi, ZHU F. Monocular visual SLAM algorithm for autonomous vessel sailing in harbor area[C]//Proceedings of the 25th Saint Petersburg International Conference on Integrated Navigation Systems. St. Petersburg, Russia, 2018: 1-7.
( 0)
|
| [38] |
MA Hongjie, SMART E, AHMED A, et al. Radar image-based positioning for USV under GPS denial environment[J]. IEEE transactions on intelligent transportation systems, 2018, 19(1): 72-80. ( 0)
|