《Fishes》:Quality-Adaptive Multimodal Localization for an Aquaculture-Vessel Bulkhead-Cleaning Robot: A Measurement-Informed Software-in-the-Loop Feasibility Study
编辑推荐:
可靠舱壁相对定位是水产养殖船舱壁机器人清洗所需,因为空气–水界面处传感器可用性会变化。一项两阶段研究将实测干壁性能与跨介质估计逻辑的受控评估分开。在Stage I中,五个坐标估计模型(P0–P4)在8 m × 4 m垂直钢壁的23个非初始控制点评估。硬轴约束的
可靠舱壁相对定位是水产养殖船舱壁机器人清洗所需,因为空气–水界面处传感器可用性会变化。一项两阶段研究将实测干壁性能与跨介质估计逻辑的受控评估分开。在Stage I中,五个坐标估计模型(P0–P4)在8 m × 4 m垂直钢壁的23个非初始控制点评估。硬轴约束的轮式里程计(WO)/惯性测量单元(IMU)模型P0在主要轴对齐轨迹上达到0.1806 m的均方根误差(RMSE)和0.3818 m的最大误差。在Stage II中,五个定位模型(M1–M5)在四个预设场景和400个配对软件在环(SIL)实现上评估。所有方法使用相同模拟传感器流和初始位置;估计期间未提供参考导出的辅助速度。介质和视觉质量自适应将每次运行最大误差的95th百分位从固定参数滤波器的0.5480 m降至M4的0.3756 m,并将每次运行最大超额位置跳变的95th百分位降至约0.151 m。M5仅使用编码器–IMU航向不一致来膨胀过程不确定性,达到总体ATE-RMSE 0.1024 m,与M4获得的0.1028 m实际不可区分。其剩余收益主要局限于规定滑移下过渡误差和恢复行为的适度改善。结果展示了在基于测量的可行性研究中的估计器行为;同步水槽和实船实验仍然必要。
研究背景与问题:水产养殖船舱壁生物污损增加清洗需求并阻碍常规目视检查,人工清洗在受限、潮湿和间歇浸没舱室中体力要求高且危险。壁面爬行机器人可减轻负担,但需在舱壁固定参考系中连续估计位置。空气–水界面导致传感器可用性、测量质量和轮–面交互变化。水下航行器通常融合惯性、声学、光学和速度测量,单一模态不可靠。磁吸附舱壁清洗机器人不同:贴附钢面移动,用轮式里程计(wheel odometry, WO)进行高频位移,仅某些水上区域观测编码地标;编码器精度受黏附、刷扭矩、表面污损和缆绳拖拽影响。固定观测协方差把清晰快速响应(quick response, QR)码检测与眩光或水膜退化观测同等置信;二元空气–水开关假设瞬间精确穿越;视觉重获时直接替换状态会造成与运动不一致的位置跳变,扭曲轨迹、覆盖估计和闭环控制。因此需在界面附近保持共同舱壁相对状态的质量自适应估计器。研究人员采用两阶段:Stage I干壁物理测试,Stage II软件在环(software-in-the-loop, SIL)受控评估跨介质估计逻辑。意义:展示估计器行为,非物理验证。
研究人员开展研究与结论:Stage I比较P0–P4于全尺寸干垂直钢壁共同编码器和IMU记录;Stage II比较M1–M5于四个规定SIL场景。结论:M5相对M4无材料总体精度优势;介质和视觉质量自适应降低误差上尾和视觉重获不连续;需同步水槽和实船实验。
关键技术方法(不超过250字):两阶段顺序设计。Stage I在8 m × 4 m垂直钢板上执行矩形、I形和V形轨迹,使用23个非初始控制点,比较P0–P4;物理实验于2025年12月25日在中国水产科学研究院渔业机械仪器研究所松江试验设施开展。Stage II使用SIL,四个预设场景S1–S4,每场景100次实现,共400次配对,比较M1–M5;所有方法使用相同模拟传感器流和初始位置,不提供参考导出辅助速度。融合逻辑包括连续浸没概率、视觉质量、WO质量、自适应协方差、归一化新息平方(normalized innovation squared, NIS)门控和向量有界校正。
研究结果:
3.1 实测P0–P4定位性能:在23个非初始控制点,P0的MAE 143.85 mm、RMSE 180.59 mm、95
th百分位343.66 mm、最大误差381.76 mm。P1出现米级漂移,RMSE 4320.16 mm、最大7472.80 mm。P2、P3的RMSE分别261.88、244.96 mm,P4为263.96 mm。路径几何影响明显:P0下I形路径RMSE 94.32 mm、最大135.83 mm;矩形路径最大246.34 mm、终端误差63.51 mm;V形路径MAE 319.31 mm、RMSE 323.12 mm、最大381.76 mm。结论:所有IMU辅助公式减少P1漂移,但硬轴P0在主要轴对齐测试集最准确。
3.2 物理测试模型比较解释:P0总体误差最低但轨迹依赖,硬轴约束适合矩形和I形,斜V形误差增大。因此P0是测试几何下最佳物理测试公式,不是全局最优估计器。P系列建立干壁基线,不构成SIL M系列物理验证。
3.3 组合扰动下代表性SIL运行:S4代表性运行中,M1在规定水下滑移区间累积漂移;M3视觉可用后减少漂移但对大新息敏感;M4和M5轨迹几乎重叠,因二者保留相同轮位移。区别在编码器–IMU航向不一致期间的协方差分配,影响后续视觉恢复,而非直接校正水下位移。
3.4 聚合SIL精度与连续性:等权描述聚合中,M4与M5的绝对轨迹误差(absolute trajectory error, ATE)-RMSE分别0.1028和0.1024 m。相对M3,M4与M5降低上尾和不连续指标:每次运行最大误差95
th百分位分别为0.3756和0.3765 m,M3为0.5480 m;超额位置跳变约0.151 m,M3为0.5502 m。池化值总结四个等权设计场景,不代表现场性能。
3.5 场景特异性:M4相对M3的改善主要在S1、S2、S4;S3中仅视觉适应不能校正无视觉水下区间累积位移。M5与M4差异小,S1、S2略差,S3、S4略好。该模式符合协方差膨胀影响不一致轮运动后的恢复,而非独立位移校正。
3.6 配对比较、消融与瞬态行为:场景特异性配对自助法(bootstrap)显示,M4在S1、S2、S4降低ATE-RMSE,S3区间含零;M5无一致全局优势。瞬态指标:S3过渡区RMSE为M4 0.1337 m、M5 0.1253 m,封顶平均过渡出口恢复时间0.45和0.15 s;S4相应RMSE 0.1505和0.1474 m,恢复0.35和0.21 s。未对这些瞬态指标做配对推断。S1无注入视觉离群观测中,M4有96.67%和98.96%分别低于5.991和9.21,M5为96.87%和99.01%。桌面计时五批183.3–208.9 ms,中位202.4 ms对应12,430,000次传播更新,约0.0163 μs/次,排除传感和图像处理,非最坏延迟。
讨论总结:
4.1 物理测试:干壁实验建立初步平台基线但不验证跨介质。P0在主要轴对齐矩形和I形路径优于P4;V形P4 RMSE略低于P0但最大误差更大。仅三轨迹23点,不能认为任一全局优越。
4.2 SIL模型:聚合层面M5与M4 ATE-RMSE相似,场景配对无一致精度优势。M4/M5主要减少大视觉更新误差和突变校正跳变。三机制互补:视觉质量测量协方差、NIS门控、向量范数校正限制。航向一致性WO质量不能观测对称纵向滑移,仅过程协方差膨胀。恢复均值不证明每个滑移事件更快恢复或重建缺失水下位移。
4.3 统计与工程:配对分析避免同一传感器实现测量当独立;四场景不应合并推断。池化400次均值非频率加权。桌面估计器核心相对0.1 s更新可忽略,但排除图像处理、传感传输、同步和嵌入式调度,部署需端到端时序。
4.4 局限与验证:五局限:物理证据仅三干壁轨迹23非初始手动参考点;跨介质轨迹和传感流软件生成,无外部参考校准或同步误差;视觉质量与注入损坏构造相关,模拟轮航向非原始编码器重建;规定扰动分布缺校准润湿延迟、压力端口动态、滞回、水膜、气泡、反射、黏附变化、刷反作用、缆绳拖拽和生物污损;模型比较未隔离每个鲁棒机制,无独立开发/测试划分。置信区间为条件于模型和配置的Monte Carlo变异性。未来需共同空气–水参考系、硬件时间同步、独立校准质量、重复进出轨迹、分离参数开发和留出测试,记录原始数据。
结论翻译:本研究使用两个明确分离阶段调查养殖船清洗机器人壁面相对定位。物理干壁实验建立P0–P4初步基线,但未验证跨介质定位。基于测量的SIL阶段检查共同位置状态在浸没状态、视觉可靠性和轮运动一致性规定变化下行为。M5未显示相对M4的材料总体精度优势:ATE-RMSE分别0.1024和0.1028 m。介质和视觉质量自适应仍降低误差分布上尾,并相对固定参数滤波器限制视觉重获不连续。基于航向一致性的过程协方差膨胀产生过渡误差和恢复时间适度变化,但未直接校正累积位移误差。通过保留单一舱壁固定状态、使用连续平滑浸没概率、拒绝不兼容视觉观测和限制接受校正范数维持估计连续性。这些发现展示融合逻辑在受控SIL条件下行为和局限;在建立实际跨介质精度前,同步水槽和实船实验仍必要。