0 引　言

无人船是一种伴随人工智能技术发展衍生出的一种面向海洋勘探、环境监测、搜救等领域的智能化船舶^[1]。及时、准确进行海洋环境中障碍物感知与定位，可实时获取无人船周围环境信息，识别潜在障碍物，并确定其位置和运动状态，为无人船的路径规划、避障决策等提供依据，实现无人船在海洋环境自主安全航行。

周金涛等^[2]搭建多目全景视觉系统获取无人船水面障碍物图像，经加速稳健特征（SURF）算法配准图像完成拼接，能获取较大视野范围的图像信息；但视觉系统受外界条件影响较大，在夜间或恶劣天气下图像获取质量下降，严重影响障碍物检测效果。江坤颐等^[3]利用多级集合描述雷达点迹与回波点关系并凝聚近邻点迹减少航迹偏差，通过基于自然对数函数的算法区分海杂波与微小障碍物，最后建栅格地图概率扩散模型保障动态目标更新，实现了无人船障碍物感知定位；然而该方法对海杂波抑制效果有限，在强海杂波环境下微小障碍物易漏检，且建栅格地图尺寸选取不合理，无法适应激光雷达点云数据近密远疏的特点，检测效果不佳。董文博等^[4]基于船舶跟踪专业数据集，采用离线训练目标估计器来预测交并比（IoU），并在线训练目标分类器，实现对海上动态障碍物跟踪；但利用数据集进行训练会导致在实际海洋环境中的数据分布与训练集存在差异，模型缺乏泛化能力，难以适应复杂多变的海上场景。倪桦等^[5]采用随机采样一致性算法对点云库（PCL）处理后的点云进行聚类，提取出水面点云，接着将剩余点云投影到分割后的图像上以确定障碍物信息，利用长短期记忆神经网络对2个传感器融合的距离信息与实际距离信息进行学习训练，预测出障碍物距离数据，实现无人船障碍物的感知定位；不过PCL面对存在大量噪声或稀疏的点云数据时，聚类效果稳定性差。

雷达作为一种主动式传感器，具备不受光照、天气等条件限制，其能够实现全天候、远距离探测的优势，可以通过实时获取目标的距离、方位等信息，为无人船障碍物感知提供关键数据支撑。然而，无人船应用环境复杂多变，存在海杂波干扰，导致采集雷达数据难以直接应用，数据挖掘作为一种可以从海量、复杂数据中挖掘高价值信息的方法，可以有效提升激光雷达数据采集效果。为此，本文提出一种激光雷达数据驱动下的无人船障碍物感知定位方法。该方法突破传统简单处理局限，挖掘雷达回波信号。构建变尺寸栅格地图适配点云数据特点，用DBSCAN算法去杂波，结合多假设跟踪模型（MHT）与卡尔曼滤波，实现障碍物动态关联与精准定位。本文方法从数据处理、特征提取到目标定位等多个环节进行优化创新，显著提高了无人船在复杂海洋环境下的自主航行能力，为拓展无人船的应用范围提供了有力保障。

1 无人船障碍物感知定位 1.1 基于激光雷达的障碍物数据获取

无人船通过搭载激光雷达采集海上环境中的障碍物的原始点云数据。其中，包含各个点的激光水平角度$ \alpha $、垂直发射角度$ \omega $、距离$ r $以及反射强度等信息。为了更高效地开展后续的数据处理工作，需将获取数据转换到障碍物激光回波点处于笛卡尔坐标系下的坐标：

$ \left\{ {\begin{aligned} &{x = r\cos (\omega )\sin (\alpha )}，\\ &{y = r\cos (\omega )\cos (\alpha )}，\\ &{z = r\sin (\omega )} 。\end{aligned}} \right. $

(1)

为获取障碍物相对于无人船的位置信息，通过平移转化操作将激光雷达点云坐标变换至以无人船为坐标原点的点云坐标$ {x_0} $、$ {y_0} $、$ {z_0} $。并借助无人船搭载的姿态仪实时获取无人船的横滚角$ \delta $和俯仰角$ \phi $进行数据优化，避免无人船航行摇摆导致的激光雷达数据采集误差：

$ \left\{ {\begin{aligned} &{{x_1} = {x_0}\cos (\delta ) - {y_0}\sin (\phi )\sin (\delta ) - {z_0}\cos (\phi )\sin (\delta )}，\\ &{{y_1} = {y_0}\cos (\phi ) - {z_0}\sin (\phi )} ，\\ &{{z_1} = {x_0}\sin (\delta ) + {y_0}\sin (\phi )\cos (\delta ) + {z_0}\cos (\phi )\cos (\delta )}。\end{aligned}} \right. $

(2)

式中：$ {x_1} $、$ {y_1} $、$ {z_1} $为修正后的点云坐标。

当无人船的船首向角$ \gamma $改变时，激光雷达采集障碍物的角度也产生改变，为避免此问题，使用无人船搭载姿态仪获取船首向角，进行点云坐标变换。获取首向角修正后的点云坐标$ x' $、$ y' $、$ z' $：

$ \left\{ {\begin{aligned} &{x' = {x_1}\cos (\gamma ) + {y_1}\sin (\gamma )}，\\ &{y' = - {x_1}\sin (\gamma ) + {y_1}\cos (\gamma )} ，\\ &{z' = {z_1}} 。\end{aligned}} \right. $

(3)

将上述处理后的点云数据，依据获取的坐标值进行栅格投影。为避免激光雷达获取点云数据存在的近处密集远处系数的情况，以无人船为坐标原点，结合激光雷达检测区间，构建变尺寸栅格地图。将栅格的尺寸设置为以等差数列的形式增长^[6]。将处理后的障碍物点云数据依据坐标向对应栅格进行投影，此变尺寸栅格地图根据激光雷达采集数据的近密远疏特点进行设置，在靠近无人船的区域设置小栅格尺寸，便于对近处环境进行细致处理；在远处设置大尺寸栅格，减少数据处理量，提高数据处理效率。

1.2 基于雷达数据挖掘的无人船障碍物感知

通过1.1得到的以无人船为坐标原点、经过修正且投影到变尺寸栅格地图中的点云数据中，包含了障碍物回波点以及海面杂波点等信息，为从中精准获取障碍物的回波点云，实现无人船障碍物的精准感知，采用数据挖掘技术中的DBSCAN算法对栅格地图点云进行深度挖掘，通过分类获取障碍物点云数据实现障碍物精准感知。在激光雷达采集的点云数据中，障碍物回波点主要由渔船、游艇和浮标等产生，这些障碍物产生的点云整体高度较低；海面杂波点主要来自船体尾流和海浪产生的回波，其分布具备稀疏性特点，且雷达回波反射强度低于障碍物。DBSCAN聚类算法正是依据点云数据的疏密程度，通过搜索每个数据点的邻域完成聚类操作。因此十分适合障碍物点云数据挖掘。首先选取恰当的邻域阈值$ Eps $和密度阈值$ \Theta $。然后在投影到栅格地图的点云数据中确定符合式(4)的核心点$ a $：

$ N_{\mathit{Eps}}(a)\geqslant\Theta 。$

(4)

式中：$ N_{\mathit{Eps}}(a) $为$ a $搜索邻域内包含激光雷达点云的数目。

然后计算$ N_{{Eps}}(a) $中的任意点云$ {x_j} $与$ a $之间的距离关系，用于判断该点云属于障碍物还是海杂波，表达式为：

$ \mathrm{dist}(a,{x_j}) = \frac{1}{p}\left(\sum\limits_{i = 1}^p | a - {x_j}{|_p}\right) 。$

(5)

式中：$ p $为激光点云维度。

最后进行聚类结果评判，表达式为：

$ \left\{\begin{aligned} & \mathrm{dist}(a,x_j)\geqslant \Theta,{ {标记为障碍物} }，\\ & \mathrm{dist}(a,x_j) < \Theta\text{,}{ {标记为海杂波}}。\end{aligned}\right. $

(6)

若$ \mathrm{dist}(a,x_j)\geqslant\Theta $，将$ {x_j} $标记为障碍物。原因在于障碍物回波点相对聚集，在DBSCAN聚类算法判断下，将划分至障碍物类别，将潜在的障碍物点云提取出来；若$ \mathrm{dist}(a,x_j) < \Theta $，则将$ {x_j} $标记为海杂波，作为噪声去除。原因在于在海上点云数据场景中，海面杂波点分布较为稀疏，其与核心点的距离以及自身密度特性，使得在算法判断时更易满足被标记为海面杂波点云。

通过这种方式DBSCAN算法能够有效剔除海杂波干扰，从包含海杂波和障碍物的点云数据中，精准挖掘出障碍物点云，实现无人船对障碍物感知。

1.3 无人船障碍物定位

获取障碍物点云数据后，通过跟踪障碍物的动态信息实现障碍物全面定位。鉴于上述获取障碍物点云数据具备无序性，为此通过构建多假设跟踪模型（MHT）进行障碍物关联，实现障碍物之间的对接。并利用卡尔曼滤波实现障碍物预测。分别用$ S = \left\{ {{S_1},{\text{ }}{S_2}} \right\} $和$ T = \left\{ {{T_1},{T_2},{T_3}} \right\} $描述为连续两障碍物序列，不同序列间障碍物之间的关系为：

1）前一序列中不存在障碍物，与当前序列之间乜有关联性，定义为$ L{S_i} $；

2）当前序列有新障碍物出现，与前一序列之间不存在关联，定义为$ N{T_j} $；

3）前后两序列之间存在障碍物关联，定义为$ Y\left( {{S_i},{T_j}} \right) $，其中$ {S_i} $、$ {T_j} $分别为障碍物实际位置、当前帧障碍物。

遵循距离门限计算障碍物之间的关联概率：

$ \Psi ({S_i},{T_j}) = \left\{ {\begin{aligned} &{d{{({{\hat S}_i},{T_j})}^{ - 1}},}\;{d \leqslant {d_{th}}}，\\ &{0,}\;{d > {d_{th}}} 。\end{aligned}} \right. $

(7)

式中：$ d({\hat S_i},{T_j}) $、$ {d_{th}} $分别为障碍的预测位置$ {\hat S_i} $与$ {T_j} $之间的距离、关联门限。$ {d_{th}} $的关联假设为：

$ \left\{ {\begin{aligned} &{{H_1}:Y({S_1},{T_1}),Y({S_2},{T_3}),N{T_2}} ，\\ &{{H_2}:Y({S_2},{T_1}),L{S_1},N{T_2},N{T_3}} ，\\ &{{H_3}:Y({S_1},{T_1}),L{S_2},N{T_2},N{T_3}} ，\\ &{{H_4}:L{S_1},L{S_2},N{T_1},N{T_2},N{T_3}} 。\end{aligned}} \right. $

(8)

式中：$ {H_k} $为假设，k = 1,2,3,4。

转换式(8)为不同假设的障碍物关联概率$ \Pi $表达式为：

$ \Pi = \left[ {\begin{array}{*{20}{c}} {\Psi \left( {{S_1},{T_1}} \right)}&{\Psi \left( {{S_2},{T_1}} \right)}&{\Psi \left( {N{T_1}} \right)}\\ 0& 0& {\Psi \left( {N{T_2}} \right)}\\ 0&{\Psi \left( {{S_2},{T_3}} \right)}&{\Psi \left( {N{T_3}} \right)}\\ {\Psi \left( {L{S_1}} \right)}&{\Psi \left( {L{S_2}} \right)}&0 \end{array}} \right] 。$

(9)

据此得到无人船障碍物联合概率$ \Psi ({H_k}) $为：

$ \Psi ({H_k}) = \sum\limits_{j = 1}^N {\Psi ({S_i},{T_j})} 。$

(10)

从中挑选概率最大的假设$ {H_o} $作为最终无人船障碍物关联输出结果：

$ {H_o} = \arg \max (\Psi ({H_k})) 。$

(11)

为避免激光雷达获取数据中存在观测噪声影响障碍物定位效果，障碍物关联过程中利用卡尔曼滤波器对障碍物进行跟踪定位。该方法进行障碍物定位的状态预测方程和预测协方差方程为：

$ \left\{\begin{gathered}\hat{\boldsymbol{x}}_t^-=\boldsymbol{A}\hat{\boldsymbol{x}}_{t-1}+w_t，\\ \boldsymbol{P}_t^-=\boldsymbol{A}\boldsymbol{P}_{t-1}{\boldsymbol{A}^{\mathrm T}}+Q。\\ \end{gathered}\right. $

(12)

式中：$ {\hat x_{t - 1}} $、$ \hat x_t^ - $和$ P_t^ - $、$ {P_{t - 1}} $分别为$ t - 1 $、$ t $时刻对应的障碍物状态预测值和对应协方差数值；$ \boldsymbol{A} $为状态转移矩阵；$ {w_t} $、$ Q $分别为高斯噪声及其对应方差。

对卡尔曼滤波误差增益矩阵$ \boldsymbol{K}_t $、$ \hat{\boldsymbol{x}}_t $及$ \boldsymbol{P}_t $进行更新操作，这样不间断预测障碍物的位置，并通过不断迭代获取接近障碍物实际位置的预测值。通过集合MHT算法与卡尔曼滤波算法，实现对无人船障碍物的精准定位。

在无人船航行时，利用该方法构建的变尺寸栅格地图以及精准的障碍物感知和定位结果，能够实时监测周围环境中的障碍物。当检测到前方有障碍物且预测其轨迹可能与无人船航线相交时，无人船的避碰系统会立即启动。系统会根据障碍物的类型、大小、距离和运动方向等因素，综合考虑选择合适的避碰策略，如减速、转向、停车等。例如，如果障碍物是一艘快速靠近的渔船，无人船可能会选择及时转向以避免碰撞；如果障碍物是一个静止的浮标，无人船可能会选择减速并绕过浮标。

2 性能测试与分析

以某海域为实验环境进行无人船障碍物感知定位实验，其中实验用的无人船搭载如表1的RS-LiDAR三维激光雷达进行障碍物回波数据采集，通过网络将数据接入驾驶室的计算机内实时数据处理。通过海上障碍物感知定位实验验证本文方法的应用效果。

通过搭载激光雷达的无人船在该海域采集行驶过程中的环境原始激光雷达点云数据，将采集到的环境激光雷达点云数据映射至变尺寸栅格地图中。分析可知，本文方法可以有效利用激光雷达采集行驶环境的激光雷达点云数据，将障碍物、海杂波等目标通过激光雷达反射强度的差异通过颜色在激光雷达图像中呈现。同时变尺寸栅格地图可以有效划分海面环境的原始点云数据，将大量无序的激光点云映射至有限个栅格中进行处理，提高数据处理效率，便于后续对障碍物的检测定位。并通过在靠近无人船的区域设置小栅格尺寸，在远处设置大尺寸栅格的方式，贴合激光雷达采集数据的近密远疏特点，使近处可以执行点云数据密集处理操作，在远处减少点云数据处理量。栅格内点云数据的坐标也为障碍物后期检测提供基础数据。

应用本文方法的数据挖掘技术对栅格地图中包含海杂波与障碍物的激光雷达点云数据进行聚类分析，得到去除海杂波干扰的障碍物感知结果。分析可知，本文方法可以有效通过数据挖掘技术对栅格地图中的点云数据进行聚类分析，成功去除了海杂波干扰，使得障碍物得以突出显示，成功感知海面上多个障碍物的分布位置，并获取其外形特征信息。便于无人船后续对障碍物进行定位，同时也为无人船的避障决策提供更丰富的依据。

依据上述障碍物的感知结果，应用本文方法对障碍物进行定位，并以5 min为采样间隔，持续跟踪障碍物位置变化情况，并与实际位置轨迹进行拟合分析，结果见图1。可知，对于感知到的障碍物，本文方法定位获取的位置与其实际轨迹的拟合程度较高，整体上几乎可以完全与实际轨迹重合。这表明本文方法具备障碍物位置变化的准确跟踪定位，可以为无人船的避障决策提供可靠的位置信息。同时定位结果中未出现跳变，说明该方法在长时间跟踪过程中具有较好的稳定性，可以更好助力无人船在复杂海洋环境中持续障碍物定位。

3 结　语

为解决现有方法海洋环境感知能力不足，影响无人船避障决策这一问题，本文进行了激光雷达数据驱动下的无人船障碍物感知定位研究。通过实际海域实验验证，所设计的方法有效克服了现有方法在海洋环境感知能力方面的不足。结果表明，该方法能够精准感知海上障碍物，并实现高精度的定位，显著提升了无人船对海洋环境的认知水平。基于此精准的感知与定位结果，无人船能够在复杂多变的海洋环境中做出更为可靠的避障决策，从而为其在海洋资源勘探、海上搜救、环境监测等多种领域的自主安全航行提供了坚实的技术支撑，有力拓展了无人船的应用范围，具有较高实际应用价值和广阔发展前景。