基于视觉的自主水下车辆导航，可见性的可见度较差的稳健控制

摘要

提出了一种基于视觉的水下自主航行器在低能见度半结构环境下的导航系统。在地面和航空应用中，安装在机器人平台上的视觉系统作为控制传感器反馈是很常见的。然而，基于机器人视觉的水下任务仍然没有得到广泛的考虑，因为在这种类型的环境中捕获的图像往往会变得模糊和/或颜色枯竭。为了解决这个问题，我们已经适应了即使在极端的可见条件下，颜色空间也可以识别水下图像中感兴趣的特征。为了保证车辆的稳定性，使用无模型的鲁棒控制。我们已经验证了我们的视觉导航系统在显示我们方法可行性的真实环境中的性能。

1.介绍

自主水下航行器(auv)的研究始于大约40年前。从那时起，出现了大量的研究。特别是，由于非结构化和危险的环境条件以及确定车辆全局位置的复杂性，定位和导航问题是auv发展中的一个挑战。有关这一课题的广泛研究综述载于[1- - - - - -4］．

传感器系统在AUV导航系统的发展中扮演着相关的角色，因为它们提供了关于系统状态和/或环境条件的信息。有几个传感器可以提供相关和准确的信息[5- - - - - -7］．然而，水下航行体的全局或局部位姿估计仍然是一个悬而未决的问题，特别是在使用单传感器时。通常，水下航行器使用多传感器系统，目的是估计它们的位置，并确定工作空间中目标的位置。通常，惯性测量单元(IMUs)、压力传感器、罗盘和全球定位系统(GPS)是常用的[8］．请注意，即使GPS设备广泛用于本地化，它们也显示出水下环境中的低性能。因此，需要数据融合来提高姿势估计的准确性（对于传感器融合技术的审查，请参见[9］．)

基于视觉的系统是一个很好的选择，因为它们以低成本提供高分辨率、高速采集的图像[10.］．然而，在水生环境中，当距离增加时，颜色衰减会产生较差的能见度。相比之下，在较短的距离下，能见度可能足够好，测量精度也高于其他传感器。因此，使用视觉信息的任务仅限于目标识别与操作、对接车辆[11.)，重建海底结构[12.]和水下检查和维护[13.］．在[14.[，作者讨论了视觉系统如何应用于水下航行器，并提出了一种基于摄像机数据的深度估计视觉系统。在[10.[介绍了视觉系统。这种名为Fugu-F的视觉系统旨在在潜艇任务中提供视觉信息，例如导航，测量和映射。该系统在机械结构和软件组件方面是稳健的。本地化也已通过视觉系统解决。在[15.提出了一种基于视觉的水下机器人定位系统。利用扩展卡尔曼滤波(EKF)和视觉里程计估计车辆的姿态。在[16.]在结构化水下环境中提出了一种基于视觉的水下定位技术。人工地标被放置在环境中，并且使用视觉系统用于识别已知的物体。另外，蒙特卡罗本地化算法估计车辆位置。

水下航行器视觉反馈控制的若干工作已经开展[17.- - - - - -28］．在[17.[作者]提出了一种升压算法，用于识别基于颜色的特征。该方法用作RGB颜色空间中的图像，并且一组分类器终止脱机，以便将目标对象分段为背景，并且视觉误差被定义为PID控制器的输入信号。以类似的方式，[中的基于颜色的分类算法18.］．该分类器使用JBoost软件包实现，以识别不同颜色的浮标。这两种方法都需要离线训练过程，当环境发生变化时，这是一个缺点。在[19.]提出了一种基于自适应神经网络图像的可视伺服控制器;该控制方案允许将水下车辆放置在相对于固定目标的期望位置。在[20.[呈现了一种用于水下车辆运动控制的自触发位置的视觉伺服方案。视觉控制器用于将目标保持在图像中心，以前提是目标将始终保留在相机视野中。在[21]，作者提出了一个改进的立体slam程序实现在两个水下航行器。他们使用立体视觉系统计算出车辆的姿态，并根据动态图进行导航。一种用于对接任务的视觉制导和控制方法，见[22］．只有一个高功率LED灯用于AUV视觉指导，无需距离估计。采用视觉信息和PID控制器以调节AUV态度。在[23[呈现了一种用于水下车辆的坚固视觉控制器。作者在实时姿势估计中实施了立体声视觉系统中的遗传算法，其在气泡扰动下的环境中进行了测试。在[24]，介绍了浮标探测视觉系统的研制和测试过程。该系统在检测过程中采用了HSV颜色空间和Hough变换。这些算法需要根据工作环境调整内部参数，这是一个缺点。一般来说，这些论文中使用的视觉系统都是针对特定的环境进行配置的，当环境特性发生变化时，有必要对一些参数进行调整。此外，没有针对姿态调节提出鲁棒控制方案。

本文提出了一种新型自主水下航行器导航系统。该导航系统结合了视觉控制器和惯性控制器来定义AUV在半结构化环境中的行为。描述了水下机器人的动力学模型，并通过实验验证了一种用于姿态和深度调节任务的鲁棒控制方案。该控制器的一个重要特点是易于在实验平台上实现。描述了影响水下图像的主要特征，并提出了一种适应的感知统一颜色空间用于在可见性环境中找到人工标记。车辆工作空间中的地标的确切位置尚不清楚，但可以使用近似了解其本地化的知识。

这项工作的主要贡献包括（)开发一种新型视觉系统，可在能见度较差的水下探测人工路标，不需随环境条件变化而调整内部参数;提出了一种新的简单的视觉导航方法，该方法不需要将感兴趣的目标时刻保持在摄像机视场内，只考虑目标的近似定位。此外，采用鲁棒控制器保证了水下机器人的稳定性。

本文的其余部分组织如下。节2介绍了视觉系统。在章节中提出了可视导航系统和控制器的细节3.．本节给出了实现细节和验证的实验结果4．最后，部分5总结这项工作。

2.视觉系统

由于光传播的光学特性，即在成像过程中涉及到的吸收和散射，使得水下能见度较差。虽然大量的研究集中在使用数学模型进行图像增强和恢复[25，26，很明显，主要挑战是高度动态的环境;也就是说，通常考虑的有限数量的参数不能代表过程中涉及的所有实际变量。此外，为了有效的机器人导航，需要实时增强图像，而这不是所有方法都能实现的。出于这个原因，我们决定直接探索统一颜色空间的使用，特别是颜色空间。在以下部分中，我们描述了用于检测水生环境中的人工标记的综合视觉框架，其中颜色空间适用于水下图像。

2.1。利用水下图像的颜色辨别色彩空间

在水下图像形成中观察到三个主要问题[26］．第一个被称为干扰噪音，这是由于水中的悬浮物质，如气泡，小颗粒的沙子，和小型鱼类或植物栖息在水生生态系统。这些粒子阻挡光线，产生颜色失真的噪声图像。第二个问题与光的折射有关。当相机和物体被放置在两种不同的折射率环境中，图像中的物体在不同的环境下会产生不同的畸变，因此在两种环境下的位置估计是不一样的。水下图像的第三个问题是光的衰减。光强随与物体距离的增加而减小;这是由于光在波长作用下的衰减。这样做的结果是，观察到的水下物体的颜色看起来与在空气中观察到的颜色不同。数字1显示两个具有相同的不同颜色物体的图像，在水下和空气中拍摄。在这些图像中，可以看到上面提到的水下图像的特征。

颜色空间是表示颜色感知的数学模型。颜色空间的选择是图像处理算法发展中的一个重要决定，因为它会极大地影响视觉系统的性能。我们选择了色彩空间 [27，因为它具有简化水下图像数据分析的特点。在水下图像中，背景色(海色)通常为蓝色或绿色;这些颜色对应于和因此，频道分别识别具有对比颜色的对象，与蓝色或绿色的颜色会更容易。原始变换方法的修改形成了RGB到的制作空间颜色。从转换中删除对数操作，从而减少了保持颜色分布的处理时间。因此，RGB与修改之间的映射颜色空间表示为线性变换: 在哪里是决定亮度值的消色差通道，是黄色蓝色相对的频道，，是红青色对绿色影响重大影响。这些通道中的数据包括各种各样的颜色;然而，水生图像中的信息包含在非常狭窄的间隔中。数字2显示水下图像和频率直方图的每个通道颜色空间。在此图像中，对象的数据以小的间隔集中。

因此，为了增加识别方法的稳健性，建立了每个通道的新限制。这些值有助于增加对象和图像中的背景之间的对比度。使用每个通道的频率直方图计算新限制，并且在此，计算具有比阈值更高的频率的直方图中的极值。使用频率直方图之间的差异，不仅是最小和最大值，而是第一个方法消除了异常值。

最后，在每个信道中使用新的间隔执行数据规范化过程颜色空间。在此之后，可以获得具有位于通道的最终值的颜色的对象的清晰分割。数字3.显示应用所提出的算法的结果，，频道。可以看到，在绿色的背景中，有些物体被明显地突出;特别是，beta通道中的红色圆圈呈现出强烈的对比。

２.２.水生环境中人工标记的检测

水下航行体的定位问题需要识别环境中的特定目标。我们的导航系统依赖于对环境中人工标记的可靠检测。选择人工红球作为水生环境中的已知标记。此外，在球体上附加不同颜色的圆圈标签，以确定在球体上被观察到的部分。

图像中圆圈的检测是图像处理和计算机视觉中的重要和频繁问题。各种应用，如质量控制，制造产品分类，以及虹膜识别使用圆检测算法。用于检测圆圈的最流行的技术基于圆圈变换（CHT）[28］．然而，这种方法很慢，需要相当大量的记忆，并识别许多误报，特别是在存在噪声中。此外，它有许多必须由用户选择的参数。这最后一个特征限制了它们在水下环境中的用途，因为环境条件不断变化。因此，希望一种圆检测算法，其具有固定的内部参数集，即使需要小或大的圆形识别或者环境光发生变化，也不需要调整。Akinlar和Tobal提出的圆检测算法[29]提供所需的特性。我们在水上图像中评估了它的表现，效果良好。具体地，我们将算法应用于来自前一节中描述的过程的频道图像。因为它被提到了，通道在水下图像中，红色物体与背景色的对比度最高。这使得检测算法能够更精确地找到视野中的圆形形状。据我们所知，这是一个重要的发现，这是第一次将这种颜色空间模型用于水下图像。

数字4显示所获得的结果。图像组织如下：第一列显示原始输入图像;第二列对应于图形表示通道;最后第三列显示在原始图像中检测到的圆。图中的行显示了在不同条件下获得的结果。第一个实验是分析一张在有清水的水池中拍摄的照片。虽然这些球体离摄像机不近，但我们的视觉系统可以很容易地探测到它们。第二排也是在游泳池里拍的照片，但在这个例子中，能见度很低;然而，该方法工作适当，并检测圆。最后一行是在能见度较差的海洋环境中拍摄的一个场景的结果。在这种情况下，人眼几乎察觉不到图像中红色物体的存在;然而，探测器成功地识别了圆。

在该工作中提出的导航系统是上面描述的视觉系统的集成，具有基于可用的视觉信息来定义车辆行为的新型控制方案。图中的框图5显示导航系统的组件和它们之间的交互。

3.视觉导航系统

本节介绍了导航系统及其在机器人系统中的实现。这种自主水下机器人被称为Mexibot(见图)6)，是Aqua机器人家族的一员[30.] rex平台的演变[31］．Aqua机器人是两栖的，能够在陆地和水的环境中工作。水下机器人有一对嵌入式计算机;一台计算机用于视觉系统和其他阶段，如数据的登记;第二台计算机用于低层控制。一个重要的特点是两台计算机都是通过以太网连接的，因此它们能够交换数据或指令。机器人的控制回路在实时约束下运行;因此，控制计算机安装了QNX操作系统。另一方面，视觉计算机有Ubuntu作为操作系统。在这台计算机上，开发了使用机器人操作系统(ROS)的高级应用程序。此外，车辆有一个IMU，提供车辆的姿态和角速度。一个压力传感器用于估计机器人的深度，并使用一组三台摄像机，两个在机器人前面，一个在机器人后面。

３.１.模范自由鲁棒控制

视觉导航系统需要一种控制方案来调节水下车辆的深度和姿态。在该小节中，分析了水下车辆动态，并呈现用于实现导航目标的控制器。了解水下车辆的动态及其与环境的互动起到车辆性能的重要作用。水下车辆动态包括流体动力学参数不确定性，其是高度非线性的，耦合和时变。AUV是一种在3D空间中移动的刚体。因此，可以关于所表示的惯性引用来表示AUV动态或者相对于主体参考系．数字7介绍了AUV的参照系及其运动。

在[32， Fossen描述了利用基尔霍夫定律获得水下飞行器动力学的方法。还包括流体阻尼、重力-浮力和所有外力，得到如下表示: 在哪里是飞行器的姿势，是车辆的扭曲是线性速度，和为物体参考系中表示的角速度。为正常数和对称惯性矩阵，其中包括惯性质量和附加质量矩阵。是斜对称科氏矩阵吗是正定的耗散基质，这取决于相对流体速度的大小．是惯性引用中的流体速度和是包括引力和浮力效应的潜在扳手载体。是外力的矢量，在车辆框架中表达并由车辆推进器产生，是映射广义速度的算符吗到车辆扭曲， 和为流体电流产生的外部扰动扳手。

考虑以下控制律[33]： 在哪里，，，， 和是恒定的正面矩阵，是一个正标量，而且为位姿误差: 之后扩展（跟踪）错误被定义为 将此扩展错误表示为速度错误 用于人工参考速度，它提高了车辆的扭曲参考 该控制方案确保稳定性，尽管车辆的动态参数和环境中的扰动有任何不准确性，但[33］．因此，该控制律可用于定义水下航行器的惯性模式和视觉模式的行为。

还需要强调的是，这种控制规律可以很容易地实现，因为它只需要度量，和粗略的估计和．

3.1.1。稳定性分析

模型(2) - (3.）也被称为自速度向量以来的准拉格朗日配方定义准拉格朗日速度向量。利用（稳定性分析依赖的拉格朗日配方）3.）它的时间衍生物（2)，并将所得方程预先乘以速度算子的转置［34]： 在哪里；，这意味着；所有术语都是有界的，用于非负常量如下: 则，控制律(4)在拉格朗日空间中采用如下形状: 具有以下关系： 它从那里升起或等价于下列属性:

现在考虑拉格朗日配方的左侧（9）可以在以下回归的表达式中表达： 在哪里回归器是由已知的广义坐标非线性函数及其一、二次导数和构造的吗是矢量未知参数。

然后对于任意光滑(至少一次可微)信号，则应存在修正的回归量这样

估计版本和实际参数之间的差异产生一个估计系统错误: 在上述当量被正确有限之后： 然后利用控制律(11.)的开环拉格朗日表达式(9）：

现在考虑以下Lyapunov候选函数: 和对于一些常数矢量．Lyapunov候选函数沿闭环系统轨迹的时间衍生函数（18.)，其后为财产(13.）和正确的简化，成为 假如说有界意味着两者都有和也是有界的。然后，假设和也有偏过的它产生，可以以延长的错误表示 然后是最后一个术语（20.)有界如下: 另外，让我们， 在哪里是一个矢量，这样．然后，在这些边界表达式之后，（20.)有界如下: 在哪里是矩阵最大的特征值．满足的条件总结为 控制律中的条件获得选择。

在这些条件下是负的明确，扩展错误是渐近的稳定性：

最后，在定义(6)当由此可见,意思就是到达设定值．因此，证明了系统的稳定性。对控制器的详细说明和分析可以在[33］．

控制的实施不需要了解动态模型参数;因此，它是关于流体干扰和动态参数知识的鲁棒控制。然而，有必要了解控制输入输入和执行器之间的关系。

３．２．推进器力分布

墨西哥机器人的推进力是由一组六个鳍产生的，它们沿着正弦路径移动，定义为 在哪里为翻转位置的角度，是运动的幅度，为每个周期的周期，是振荡的中心角，为机器人各鳍之间的相位偏移量。

乔治亚州都在[35]和plamondon在[36]显示Aqua机器人家庭中使用的鳍片的对称振荡产生的推力模型。Plamondon呈现了由鳍产生的推力和描述运动中的参数之间的关系26)．因此，每次随正弦运动的翻转所产生的力的大小(26）由以下等式确定： 在哪里，， 和对应于鳍的尺寸，代表水的密度，是振幅，和是振荡的时期。因此，通过在运行时在翅片振荡运动的时段和鳍振荡运动的幅度的功能中可以建立由机器人鳍产生的力的大小。数字8显示了鳍产生的力定义方向和在主体参考框中表达的力载体的大小为 此外，由于车辆的运动特性，．因此，作动器产生的力和力矩矢量定义为:

考虑如图所示的鳍数9；下面的方程说明了坐标之间的关系和的和矢量作为 在哪里和是距离坐标与车辆的质心相关联的鳍片接头，如图所示9．注意车辆的对称性建立了这一点，，， 和．

系统 （30A), (30B.), (30C.), (30D.), (30e.)和(30F.)有五个方程，十二个自变量。在所有可能的解决方案中，本文提出的解决方案是在施加以下约束条件后产生的: 然后一个系统的解是 在哪里

现在，振荡幅度的第一个鳍在(之后计算27）使用振荡时期，对应的推力定义为 最后，计算振荡的中心角度

3.3。所需的信号计算

在这个导航系统中，控制器执行一个设定点任务。根据视觉信息计算所需的值。由于车辆的欠驱动特性和传感器的限制，只能控制车辆的姿态和深度。所需深度值是常数，期望的滚转角度总是．作为约束C6：已考虑，深度是通过修改所需的俯仰角来间接控制的．在深度误差方面计算所需的方向角度 在哪里是一个正常数。

视觉系统定义所需的偏航角度．使用本节中描述的算法在ROS节点中处理来自左侧摄像机的图像2.1以确定球体在视场中的存在。当视觉信息不可用时，此角度与初始值或最后计算值保持不变。然而，如果找到一个半径大于某一阈值的圆，则根据视觉误差计算新的期望偏航角。这个误差定义为图像中心和位置之间的像素距离被测圆的-轴。因此，新的期望偏航角计算为 在哪里是实际的偏航角，是水平轴上的视觉错误，和是图像的尺寸，和为圆的半径。这个期望的偏航角与视觉误差成正比，但它也取决于所找到的圆的半径。当物体靠近相机时，球体半径变大，因此变化也增加了。请注意，车辆相机给出的图像的分辨率是像素;有了这个，用于定义参考偏航角的增益（37)成立了300个。这个值是通过试验误差过程获得的，并产生近似的修正，有一个视觉错误和观察到的球体的半径．这个所需偏航角的更新修改了飞行器的姿态，减少了图像中球体的位置误差。我们注意到，只有当视觉误差大于7像素时，才需要更新所需的偏航角;由于这个原因小于此阈值，参考信号保持先前的值。

最后，当在另一个圆中发现一个圆时，说明水下航行器已经接近目标，并进行方向改变。期望的偏航角被设置为实际的偏航值加上与下一个球体位置相关的增量。这种视觉系统和控制器的集成，使水下机器人自主导航系统能够在半结构环境中跟踪标记。

4.实验结果

为了评估视觉导航系统的性能，本节给出了几个实验结果。两个红色的球体被放在一个混浊的池子里。图中显示了该环境中视图类型的示例10.．这种环境是半系统的，因为地板并不自然，也因为缺乏电流;然而，该系统受到紧密跟随机器人的游泳运动员运动产生的干扰。如前所述，球体的确切位置未知;只有与标记之间的位置相关的近似角度。数字11.显示了人工标记分布的图表。潜水器开始向一个球体游去。虽然圆检测算法包含多个检测时选择感兴趣的圆的功能，但在第一次实验中，摄像机视野前同时没有一个以上的视觉标记。

姿态深度控制是在QNX实时操作系统的计算机上实现的，控制器的采样时间为1 ms。该控制器接入惯性传感器以调节飞行器的深度和方向。以机器人的初始姿态设置偏航角参考信号，并在检测到球体时由视觉系统进行更新。这个视觉系统是在一台使用Ubuntu和ROS的计算机上实现的，当一个视觉标记出现时，大约有33毫秒的采样时间。实现中使用的参数如表所示1都是从制造商那里获得的。水密度值与标称值一起使用，假设控制器能够处理相对于真实值的不准确性。

控制收益（4)和(36）在试验和错误过程之后建立。车辆动态的非线性和强耦合性质导致控制增益的小变化影响控制器的性能很大。对于实验验证，我们首先调整态度控制器的收益，遵循此顺序：，，， 和．然后，参数选择深度控制器。有了这个，控制收益设置如下：

在第一个实验中，导航任务考虑以下方案。单个红色球体大约在8米处的车辆前方放置在车辆前方。深度坐标的时间演变态度信号，，如图所示12.，其中还绘制了相应的深度和姿态参考信号。前20秒对应于导航系统的启动周期。之后，惯性控制器确保车辆在相同方向上移动，直到导航系统接收到视觉反馈。该反馈发生了超过30秒和角度偏航的所需值开始改变，以跟随红色球体。注意俯仰角度的参考信号初始化期间呈现连续变化。这是因为通过修改值来间接执行深度控制(36)．另外初始值不相关，因为在惯性导航系统启动后更新此值。相应的深度和姿态误差信号如图所示13.，所有这些错误都有很大的幅度，界定的值M为深度误差和对错误的态度。

水平轴上的视觉误差的时间演变在图中描绘14.．同样，前三十秒不显示相关信息，因为没有获得视觉反馈。稍后，视觉误差减少到由红线表示的可接受间隔中的值。即使当视觉系统未检测到球体，该间隔表示所需的横摆角不会改变的值。如前所述，实验表明何时像素，AUV可以实现指定的导航任务。最后，在拆除水时，附近游泳者产生的干扰，移动车辆并误差增加，但可视控制器的作用是减少此错误。

前面的结果表明，所提出的控制器(4）在推进器力分布下（32）在水下车辆的设定点控制中提供了良好的行为，具有小的深度和姿态误差值。这种性能使视觉导航系统能够跟踪放置在环境中的人工标记。

分配给第二种实验中的水下车辆的导航任务包括两个具有图中显示的两个球体11.．对于这个实验，球体的确切位置是未知的;只知道它们之间的近似相对取向和距离。第一球体以近似距离的距离定位在AUV的前面m。当机器人检测到第一球足够接近时，它应该改变偏航角为了找到第二个球体。数字16.显示深度坐标的时间演变，姿态信号，，，以及实验过程中相应的参考信号。与前面的实验相似，实际深度、横摇角和俯仰角都接近理想值，即使存在小的环境干扰。偏航角图显示了系统的不同阶段。初始阶段的期望值是任意值，与车辆状态没有任何关系。在初始化阶段之后，将设置一个新的偏航角的期望值，只要视觉系统没有提供信息，这个角度就保持不变。当视觉系统检测到一个球体时，导航系统产生一个平滑的所需信号，允许水下航行器跟踪人工标记。当检测到另一个圆内的圆时，方向的变化被应用了。将该参考值固定，直到检测到第二个球体并且使用小变化产生新的所需信号。最后，检测到球体内部的第二个圆圈和新的变化进行，所需的值保持恒定，直至实验结束。

数字17.显示深度和姿态误差信号。与第一个实验相似，这个误差的大小以一个值为界M为深度误差和对于姿态误差，除了偏航角度，这呈现出通过方向改变产生的更高值。请注意，在该实验中，通过环境干扰产生大量的误差。

最后，视觉误差的时间演化图如图所示15.．可以观察到，在开始时，在机器人向前移动时，误差仍然是恒定的，因为系统无法确定环境中的人为标记的存在。在给定的时间时，视觉系统以估计的半径检测到第一个球体约像素。然后，当机器人接近目标时，由于可见性的改善和球体的半径增加，视觉误差开始减小。当半径大于给定阈值时，触发方向变化动作以避免碰撞并搜索第二球体。然后，所有变量都被重置。由于缺乏视觉反馈，因此误差再次保持恒定。在该实验中，当识别第二标记时，视觉误差大于像素，但快速此误差减少到所需的间隔。在实验结束时，产生了另一个方向的变化，并且误差仍然是恒定的，因为未在环境中进行其他球体。

结论

本文介绍了一种基于视觉的控制器，用于使用人工标记引导在半系统中的AUV中的AUV导航。这项工作的主要目的是提供一种水生机器人，当能见度条件远离理想条件远离理想的情况时，可以在环境中移动的能力。实施了在给定的推进器力分布下施加的鲁棒控制方案，与可视伺服控制相结合。导航系统的实验评估在水生环境中进行，具有较差的可见性。结果表明，我们的方法能够检测视觉标记并令人满意地执行导航。例如，未来的工作包括使用自然地标，例如失去一些限制，例如，可以在机器人的视野中存在一个以上的视野。

相互竞争的利益

提交人声明他们没有竞争利益。

致谢

作者感谢Conacyt，México的财务支持。

参考文献

1. J. J. Leonard，A. A.Bennett，C. M. Smith，以及H. J. S. Feder，“自动水下车辆导航”IEEE ICRA户外自动驾驶汽车导航研讨会论文集, 1998年。查看在：谷歌学术
2. J. C. Kinsey, R. M. Eustice, L. L. Whitcomb，“水下航行器导航的调查:最近的进展和新的挑战”，刊于IFAC的诉讼程序的运载与船舶工艺， 2006年第88卷。查看在：谷歌学术
3. L. Stutters, H. Liu, C. tilltman, D. J. Brown，“自主水下航行器的导航技术”，System，Man和Cyber​​netics的IEEE交易部分C：应用和评论，卷。38，不。4，pp。581-589,2008。查看在：出版商的网站|谷歌学术
4. L. paul, S. Saeedi, M. Seto, H. Li，“AUV导航和定位:综述”，海洋工程学报第39卷第3期1，页131-149,2014。查看在：出版商的网站|谷歌学术
5. A. Hanai，S. K. Choi和J. Yuh，“一种用于水下机器人的激光游侠的新方法，”IEEE / RSJ智能机器人和系统国际会议的诉讼程序（IROS'03），pp。2003年10月824-829。查看在：出版商的网站|谷歌学术
6. F. R. Dalgleish, F. M. Caimi, W. B. Britton，和C. F. Andren，“auv可部署的脉冲激光线扫描(PLLS)成像传感器”MTS / IEEE会议的诉讼程序（Oceans'07），pp.1-5，加拿大温哥华，2007年9月。查看在：出版商的网站|谷歌学术
7. A. Annunziatellis，S.Graziani，S. Lombardi，C.Petrioli和R. Petroccia，“CO₂Net:海洋一氧化碳监测系统₂在泄漏检测。海洋学报，2012，pp.1-7，IEEE，yeosu，大韩民国，2012年。查看在：出版商的网站|谷歌学术
8. G. Antonelli，车辆操纵器系统的水下机器人 - 运动和力控制，施普林格，纽约，纽约，美国，第二版，2006。
9. T. Nicosevici，R.Garcia，M.Carteras和M.Villanueva，“水下车导航传感器融合技术综述”MTTS / IEEE Techno-Ocean'04的诉讼程序（海洋'04），卷。3，PP。1600-1605，IEEE，神户，日本，2004年。查看在：出版商的网站|谷歌学术
10. F. Bonin-Font, G. Oliver, S. Wirth, M. Massot, P. L. Negre, j . P.。Beltran，“自主水下勘探和干预任务的视觉传感”，海洋工程，第93卷，第25-44页，2015。查看在：出版商的网站|谷歌学术
11. K. TEO，B. GOH和O. K. Chai，“使用AUV上增强导航系统的模糊对接指导”海洋工程学报，第40卷，第5期。2, pp. 349-361, 2015。查看在：出版商的网站|谷歌学术
12. R. B. Wynn，V. A. I. Huvenne，T.P.Le Bas等，“自动水下车辆（AUV）：他们的过去，现在和未来对海洋地球科学进步的贡献，”海洋地质学， vol. 352, pp. 451-468, 2014。查看在：出版商的网站|谷歌学术
13. F. Bonin-Font，M.Massot-Campos，P.L.Negre-Carrasco，G. Oliver-Codina和J.P.Beltran，“惯性传感器自我校准，在视觉辅助导航方法中进行微型AUV”传感器，第15卷，第5期。1, pp. 1825-1860, 2015。查看在：出版商的网站|谷歌学术
14. J. Santos-Victor和J. Sentieiro，“水下机器人视觉的作用”自主水下汽车技术IEEE研讨会的诉讼程序（AUV '94），pp.28-35，IEEE，剑桥，大众，美国，1994年7月。查看在：谷歌学术
15. A. Burguera, F. Bonin-Font，和G. Oliver，“水下测量任务中基于轨迹的视觉定位”，传感器，第15卷，第5期。1, pp. 1708-1735, 2015。查看在：出版商的网站|谷歌学术
16. D. Kim，D. Lee，H. Myung和H.-T.Choi，“基于人工地标的AUV水下匹配使用加权模板匹配”智能服务机器人，卷。7，不。3，pp。175-184,2014。查看在：出版商的网站|谷歌学术
17. J. Sattar和G. Dudek，“使用视觉过滤器的水下机器人的鲁棒伺服控制”IEEE机器人和自动化国际会议的诉讼程序（ICA'09），页3583-3588，神户，日本，2009年5月。查看在：出版商的网站|谷歌学术
18. C. Barngrover，S. Ipverie和R. Kastner，“自主水下车辆导航的彩色探测器jboost优化”图像和模式的计算机分析，pp.155-162，Springer，2011年。查看在：出版商的网站|谷歌学术|Mathscinet.
19. 高军，“基于自适应神经网络的水下机器人视觉伺服控制，”神经古脑，卷。167，pp。604-613,2015。查看在：出版商的网站|谷歌学术
20. S. Heshmati-Alamdari，A. Eqtami，G. C. Karras，D.V. Dimarogonas，以及K.J.Kyriakopoulos，“A的自发的水下机器人车辆的自动视觉伺服模型预测控制方案”IEEE机器人与自动化国际会议论文集(ICRA’14)，页3826-3831，香港，2014年6月。查看在：出版商的网站|谷歌学术
21. P.L.N.Carasco，F.Bonin-Font和G. O. Codina，“自动水下车辆的立体图 - SLAM”第十三届国际智能自主系统会议论文集，pp。351-360,2014。查看在：谷歌学术
22. 李斌，徐勇，刘超，范淑芬，徐伟，“欠驱动自主水下航行器对接的终端导航与控制”，《中国海洋大学学报(自然科学版)》IEEE自动化，控制和智能系统中网络技术国际会议的诉讼程序（网络'15），PP。2015年6月25日至30日，沉阳。查看在：出版商的网站|谷歌学术
23. M. Myint, K. Yonemori, A. Yanou, S. Ishiyama, M. Minami，“使用三维标记和双眼摄像机的水下航行器系统对气泡干扰的视觉伺服鲁棒性”，inMTS/IEEE华盛顿会议论文集(海洋15篇)， pp. 1-8, IEEE，华盛顿，美国，2015。查看在：谷歌学术
24. B.Sütő，R.Vóczi，J.Kalló等，“自主水下车辆的HSV颜色空间基于浮标检测模块”第十六届IEEE计算智能与信息学国际研讨会论文集，pp.299-332，IEEE，布达佩斯，匈牙利，2015年11月。查看在：出版商的网站|谷歌学术
25. M. Bryson, M. Johnson-Roberson, O. Pizarro, and S. B. Williams，“自主水下航行器图像的真彩色校正”，野外机器人学报, 2015年。查看在：出版商的网站|谷歌学术
26. A. Yamashita, M. Fujii，和T. Kaneko，“考虑光衰减的水下传感水下图像的颜色配准”，刊于IEEE机器人和自动化会议的诉讼程序（ICA'07），pp.4570-4575，罗马，意大利，2007年4月。查看在：出版商的网站|谷歌学术
27. 鲁德曼，克罗宁，c - c。“锥体对自然图像反应的统计:视觉编码的含义”，美国光学学会杂志A：光学和形象科学，愿景，第15卷，第5期。8，pp。2036-2045,1998。查看在：出版商的网站|谷歌学术
28. T. D'Orazio, C. Guaragnella, M. Leo，和A.远，“一种利用圆霍夫变换和神经分类器识别球的新算法，”模式识别，卷。37，不。3，PP。393-408,2004。查看在：出版商的网站|谷歌学术
29. C. Akinlar和C. Topal，“EDCircles:一个带有错误检测控制的实时圆探测器”，模式识别，卷。46，没有。3，pp。725-740,2013。查看在：出版商的网站|谷歌学术
30. G. Dudek, P. Giguere, C. Prahacs et al， " AQUA:一种两栖自主机器人，"计算机，第40卷，第5期。1，pp。46-53,2007。查看在：出版商的网站|谷歌学术
31. U. Saranli，M.Buehler和D. E. Koditschek，“rex：一个简单而高度移动的六足球机器人”，国际机器人研究杂志，卷。20，没有。7，pp。616-631,2001。查看在：出版商的网站|谷歌学术
32. T. I. FOSSEN，海洋车辆的指导和控制， John Wiley & Sons, 1994。
33. R. Pérez-Alcocer, E. Olguín-Díaz，和L. A. Torres-Méndez，“流体扰动水下飞行器的无模型鲁棒控制”，在智能机器人和应用，C.-Y.Su，S. Rakheja和H. Liu，EDS。，Vol。7507的计算机科学讲义，第519-529页，施普林格，柏林，德国，2012。查看在：出版商的网站|谷歌学术
34. E.Olguín-díaz和V.Parra-Vega，“跟踪约束潜艇机器人武器”控制，自动化和机器人的信息学， vol. 24, pp. 207-222，施普林格，柏林，德国，2009。查看在：出版商的网站|谷歌学术
35. c . Georgiades水下六足动物机器人的仿真与控制[M.S.论文]，McGill大学机械工程系，加拿大蒙特利尔，2005年。
36. N.Plamondon，仿生水下机器人的建模与控制[博士]。论文]，麦吉尔大学机械工程系，加拿大蒙特利尔，2011年。

版权

版权所有©2016RicardoPérez-Alcocer等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。