李道亮，包建华

（1. 中国农业大学信息与电气工程学院，北京 100083；2. 江苏师范大学电气工程及自动化学院，徐州 221116；3. 北京农业物联网工程技术研究中心，北京 100083）

0 引 言

随着全球人口增长，资源短缺和环境恶化问题愈发突出，陆地资源已难以充分满足社会发展的需求，3.6×108km2的浩瀚海洋将成为人类生存与发展的新空间，是人类食物的重要来源，也是增加人类优质蛋白质的“粮仓”[1]。中国大陆海岸线长约1.8×104km，中国内海和边海的海域面积473×104km2，浅海面积200×104km2，是世界最大的海水养殖大国，养殖面积和产量均占世界的60%[2]，为中国和世界食物安全做出了重大贡献。

浅海养殖包括筏式养殖、底播增养殖、海水网箱养殖，浅海养殖产量占中国海水养殖产量的95%以上[3]。浅海养殖的水下作业包括筏式养殖鲍鱼、藻类的生长状况监测，底播增养殖贝类、海参等的收获，网箱清洗、网箱养殖死鱼捡拾（不及时捡拾会导致鱼类病害传播和水体污染）和网衣漏洞检测等。目前，这些作业任务需要人工完成，由于潜水员下潜深度有限，水产养殖区域范围大，潜水员体力难以达到，工作强度大，人工一天最多下水工作10 h，受海况、水深和海流等自然条件影响，作业人员很容易发生事故，而且容易患潜水病，危险系数高[4]，近几年愿意从事该行业的人越来越少，水产品养殖的劳动力成本猛增，浅海养殖水下作业面临严重的人工危机[5]，直接威胁中国水产养殖产业发展。

利用现代技术改造传统水产养殖业，促进工业化和信息化向水产养殖领域的深度融合，对于提升水产养殖业的效率与品质具有非常重要的意义[6]。由于水下生产环境的复杂性，研究水下机器人在水产养殖中的应用逐步受到重视[7]。作为人类探索海洋的工具，水下机器人是先进机器人技术在水下的特殊应用，是机械、控制、信息、导航、船舶等学科相结合的前沿技术领域[8]。

水下机器人也称为无人水下潜水器（unmanned underwater vehicle，UUV），它可以在水下代替人完成某种任务。按照与水面支持系统间联系方式的不同，水下机器人可以分为遥控水下机器人（remotely operated vehicle，ROV）和自治水下机器人（autonomous underwater vehicle，AUV）2类。ROV通过“脐带”电缆接受来自水面平台的遥控命令与动力电源；AUV拥有动力能源和智能控制系统，它能够依靠自身的自主决策和控制能力高效地完成预定任务[9]。水下机器人在世界范围内的应用领域已经不断扩大，如电缆敷设和检查、海底矿藏调查、救捞作业、水下考古、水产养殖、水环境监测及江河水库的大坝检查等[10]。

在水产养殖实践中，人们首先将水下机器人应用于水产养殖监测。将声纳传感器搭载于水下机器人，根据深水网箱规格预设好水下机器人的巡视路线，该巡视路线就是一条警戒带，在这个警戒带内，如果因网箱的网衣破损而出现透鱼现象的发生，机器人就会向管理人员发出警报。这种监测方式机动性强，准确度高[11]。溶解氧是池塘养殖的重要制约因子，为提高鱼塘增氧范围和增氧效率，张净等[12]开发一种智能行走式增氧机器人，通过电机驱动叶轮将空气中氧气压入水体中进行增氧。Rundtop和 Frank[13]将超短基线（ultra short base line，USBL）系统、多普勒测速计（Doppler velocity log，DVL）用于水下机器人的导航，可以实现对围网网衣的自主可靠检查。水下机器人用于围网检查中，机器人本体相对围网的位姿估算是关键问题之一；Duda等[14]通过对相机拍摄图像中网衣结点及其拓扑结构的检测，能够方便估算出水下机器人相对围网的距离和方位。

相对于监测任务，水下机器人应用于水产养殖作业任务（如海参收获、死鱼捡拾等）将更具挑战性。近年来，水下机器人载体与所携带机械手构成一种新型的水下机器人-机械手系统（underwater vehicle - manipulator system, UVMS），水下自主作业技术已经成为水下机器人的重要研究方向之一[15]。UVMS的机器人本体与其操作机械手之间存在着耦合关系，其耦合控制不仅受到动量守恒的影响，而且受到水动力的影响，是一个多体动力学系统，该系统在漂浮情况下的建模与控制非常复杂[16]。与此同时，水产养殖水下作业环境复杂、光线昏暗、洋流时变、目标动物（海参、死鱼）等规格形状不一，同时捡拾作业的精度和速度要求高，如何快速识别目标动物并进行精准作业控制是困扰水产界的公认难题[17]。

在水产养殖中，水下捕捞作业属于水下机器人功能应用之一，它依靠多功能机械手或吸管等实现对水产品的捕捞，可以替代人工在危险环境中作业。为了给水产养殖水下作业机器人软件开发提供理论依据和综合性参考，本文对水下机器人捕捞作业中所涉及的关键技术的国内外研究现状进行分析与讨论，并对其发展趋势进行展望。

1 UVMS捕捞作业的关键技术

弱光照、多扰动、强耦合、非结构化海洋环境下，水下机器人-机械手系统（UVMS）的精准捕捞作业，需要解决水下目标识别、导航与定位、机器人-机械手系统动力学建模、作业优化控制等几个方面的关键技术问题。UVMS捕捞作业关键技术体系及各技术所需应对挑战的结构框图如图1所示。

图1 UVMS捕捞作业关键技术体系结构框图Fig.1 Architecture diagram of key technologies for UVMS fishing operation

1.1 复杂环境和扰动条件下目标动物的快速准确识别

目标识别是指计算机赋予机器人视觉功能[18]。水产养殖水下机器人为实现其功能，它需要时刻感知水下目标的信息，基于这些信息才能做出决策控制。目前常用的水下目标探测与识别技术有声学传感器（声纳）成像和光学传感器（摄像机）成像 2种[19]。声纳成像作用距离远，但由于受水下环境噪声和背景目标的影响，生成图像的清晰度低。水下摄像机采集的图像清晰度和分辨率都较好，但其成像质量受海水浊度和能见度影响很大，总体成像距离较短。

水下成像环境较为复杂，由于在成像过程中水体对光散射和吸收效应等影响，导致一般成像设备的作用距离只有几米到十几米，且其图像质量不如空气中的光学图像，主要具有对比度低、边缘模糊、色彩丢失、噪声严重等特点[20]。这些因素都极大影响了水下目标的精准识别与定位。因此，研究通用的水下图像恢复算法和智能识别算法是提高水下视觉系统可靠性的关键。

图像恢复算法是对水下光学成像过程进行定量描述，若水下视觉系统的内外参数为已知，则对污染较严重的图像恢复效果好，能为下一步的图像识别提供优质数据[21]。国内外学者致力于探索水下光学传播模型，譬如，Jaffe–McGlamery能较好地模拟后向散射和光衰减[22-23]，对于彩色图像，需要每个通道单独设置参数并计算，不利于实时图像处理；在未知点扩散函数的情况下，基于交替迭代和 Hopfield神经网络的方法能够获得较好的图像恢复效果[24]。点扩散函数具有一定恢复能力，算法简单，但模型参数靠人工经验，场景适应性差[25]；辐射传递方程引入无量纲的光学深度和光学厚度参数，充分考虑散射，对场景的适应性强，但算法复杂，运算时间长[26]；调制传递函数能准确描述水下成像机制并在实验室环境下进行了验证[27]，但受小角度近似规则的限制，更广角度的水下成像需要进一步研究。综上所述，目前没有一个通用的水下图像恢复模型来提升水下图像质量，总结各图像恢复模型的优缺点，筛选构建出一个高鲁棒性的图像快速恢复模型具有重要意义和应用价值。

国内外水下图像目标识别已经涉及到了比较多的领域，如水下目标检测[28]、海底生物统计[29]、鱼类监测[30]等。另外，基于边界、聚类、阈值、区域和人工神经网络的分割方法提取目标[31]，用主动轮廓法[32]、神经网络[33]、多特征融合[34]和机器学习[35]等对目标进行识别，能够基本满足水下近距离快速准确识别目标的要求，并且具有较强的适应性，但对于水底复杂背景下的不规则目标识别效果不佳[36]。随着深度学习的快速发展，深度卷积神经网络对复杂环境下的不规则目标的识别展现出高准确性和高稳定性的优点，并在不规则目标农业病虫害识别检测中得到了验证。Brahimi等[37]和Fuentes等[38]分别建立深度卷积神经网络对番茄的病虫害进行快速识别，识别准确率在97%以上。Ramcharan等[39]构建了42层的Inception v3型深度卷积神经网络并训练，用于识别木薯的3种疾病和2种害虫损害，总体识别率达到93%。

充分吸收前人在水下目标识别或复杂环境下目标识别的研究成果，将水下图像恢复技术和深度学习技术相融合，探索浅海养殖复杂水下环境下目标动物的快速准确识别是值得研究的课题。

1.2 多扰动条件下目标动物位置识别定位与导航

水产养殖中，UVMS的导航与定位，涉及机器人沿预定路径行进过程中的导航定位问题以及AUV相对作业目标的定位问题。由于水下环境的特殊性，使得水下导航与定位比陆地困难。惯性导航的无源性和自主性，为实现水下机器人的自主导航定位创造了条件，惯性导航系统（inertial navigation system，INS）目前已成为水下机器人的核心导航设备。但是，INS的定位误差随时间累积而逐渐增大，无法满足长期和高精度的导航定位要求，因此，需要通过其他导航手段对惯性导航系统进行定期修正，如多普勒测速仪DVL、水下声学导航、地球物理导航等。考虑到实时海流的影响，一种DVL辅助捷联惯性导航系统（strap-down inertial navigation system，SINS）被用于AUV的导航与定位，仿真结果表明，SINS/DVL组合导航比纯惯性导航有更高的定位精度[40]。为改进由SINS、DVL和磁罗盘所组成的AUV的导航系统性能，Xu等[41]将进化人工神经网络与容错自适应Kalman滤波算法结合起来，基于原型机的试验结果可见，当观测数据短期失效时，该方案明显优于传统Kalman滤波算法。Zhang等[42]利用SINS与长基线声学定位系统（long base line，LBL）间的交互辅助作用来研究 AUV定位系统；一方面，SINS解算的定位结果能够提高LBL定位精度，另一方面，LBL定位信息也能够定期补偿 SINS的累积误差。一种地形辅助惯性导航被用于估算AUV的位置和方向，水池和现场试验都验证了所述组合导航方案的有效性[43]。

精确估算出 AUV相对于作业目标的位置与姿态是UVMS实现精准作业任务的必要条件。关于AUV的相对位姿估算问题，有些研究者做了一些探索，他们将该问题视作目标运动的估算问题，主要开展纯方位跟踪研究[44-45]；其中，惯性测量单元（inertial measurement unit，IMU）用于提供UVMS的线性加速度和角速度，单目照相机用于提供目标相对UVMS的方位测量值；在测量过程中，由于某些目标状态变量的不可观测性和高度非线性，用上述方法估算AUV相对于作业目标的位置与姿态存在困难。因此，需要提出其他方法来克服上述算法的不足，增强UVMS定位的可重复性。

AUV的相对位置感知问题可以通过即时定位与地图构建（simultaneous localization and mapping，SLAM）技术加以实现[46]。SLAM 问题可以描述为机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航[47-48]。在SLAM 中，一旦地图构建成功，即使目标从视场消失，UVMS也能基于该地图进行操作[46]。袁赣南等[49]针对海底石油管道漏油位置检测定位问题，提出了捷联惯性导航系统与SLAM算法相组合的水下导航定位方法。周绍磊等[50]将惯性导航和单目视觉 SLAM 2种无源定位方法相互融合，构建具有较高定位精度和鲁棒性的无源定位系统。自提出 SLAM 算法思想以来，基于扩展卡尔曼滤波（extended Kalman filter，EKF）的SLAM算法成为标准估计算法[51]。然而在系统模型和噪声统计特性不精确的情况下，EKF的滤波精度可能严重下降甚至引起滤波发散，为此提出了很多改进的EKF算法解决SLAM问题[52-53]。

对于定位精度要求较高的 AUV-机械手作业场合，EKF不能单独用于AUV的相对位置估计[54]。粒子滤波算法基本思想是从概率密度分布中随机抽取一组加权样本来近似后验概率密度，可用于对任何非线性模型估计，可很好解决AUV-机械手和作业目标定位问题[49]。传统粒子滤波算法存在粒子退化以及粒子贫乏引起水下机器人定位和导航精度下降问题，研究者可以从重要性函数选取或针对重采样过程提出不同的改进算法。

粒子滤波适用于海底的非线性、非高斯模型。基于粒子滤波的 SLAM 算法能够获得水下机器人的位姿估算，且估算误差不随时间增长，通过改进卡尔曼滤波将其与SINS相融合，可以显著改善水下机器人的导航性能。因此，将粒子滤波与改进卡尔曼滤波结合起来用于作业目标的位姿估算，是一条行之有效的技术途径，针对浅海养殖捡拾作业目标（死鱼、海参等）定位，则需要从实际应用场景参数和干扰上对其做具体深入研究。

1.3 时变多体捡拾作业条件下水下机器人-机械手系统（UVMS）动力学模型

AUV通常采用欠驱动工作方式以便节省能源，而机械臂水下作业时会对AUV本体产生扰动，使得欠驱动的AUV可能无法保证自主稳定，这样AUV和机械臂的协调运动就成为关键问题[55]。针对水下机器人-机械手系统（UVMS）的协调控制，首先需要建立其运动学及动力学模型。UVMS动力学模型是随时间变化精准预测系统运动状态的数学描述，可为系统作业的精准控制提供理论依据，也是水下机器人作业控制研究的核心内容[56]。由于水下洋流的非线性运动，未知环境干扰、系统负载变化以及系统本体运动的相互作用等，使得水下机器人-机械手的运动具有耦合、时变、非线性、冗余等特点[57-58]，大大增加系统建模的难度[17]。

为了探索UVMS的运动规律，Mahesh等[59]开发了基于拉格朗日的UVMS动力学模型，成为模拟水下机器人刚体运动的重要手段。Kim 等[60]使用标准拉格朗日动力学方程在实验室环境下成功实现了水下机器人对外界环境的干预。Xu等[61]提出一种准拉格朗日公式来仿真UVMS模型，考虑主要的流体动力学效应和恢复力，将复合系统转化为一系列子系统，简化动力学分析，但没有考虑多系统间的相互作用。Huang等[16]和Korkmaz等[54]基于牛顿-欧拉递推算法建立了水下机器人系统的动力学模型，包括推力器的力学运动方程、自主水下机器人-机械手系统的流体动力学模型，当计算水动力时，考虑了物体彼此的遮蔽效应。与拉格朗日法相比，牛顿-欧拉动力学方程可以利用更简单和耗时少的模型明确地描述系统角动量行为。但牛顿-欧拉公式用于三维以及具有多自由度的二维系统推导动力学方程时非常困难，而凯恩方程没有这样的限制。Tarn等[62]基于凯恩方法开发了UVMS的一种动力学模型，该模型采用闭合形式，有利于提高UVMS的操控性和可靠性。Hussain等[63]基于凯恩方程对 3自由度连杆机构运动链构建了动力学模型，展现出其在复杂多系统应用中的有效性。凯恩方程的动力学模型为外部环境力提供了一种直接表示方法，并且计算效率高，同时明晰了哪些力影响系统动态行为。

另外，Periasamy等[64]将键合图技术应用于水下机器人及其机械手系统的耦合动力学的模拟分析，通过键合图提供了系统动态建模的自由度，清楚地指示了系统中各个元件之间的物理相互作用，更便于开发适当的补偿机制控制动态耦合。Kumar等[65]基于欧拉-伯努利梁理论，采用键合图技术进行混合阻抗的UVMS动力学建模，直观展现了机器人本体与机械手的灵活链路。相比于其他动力学模型，键合图模型使得外部力建模和系统模型扩展为更高的自由度更为简单，所有交互点处的力和速度信息都可以在共流结和共势结处获得，因此，通过这种建模技术，可以方便地实现水下机器人在交互点处的轨迹控制和力控制。目前常用的UVMS建模方法的主要优缺点如表1所示。

表1 UVMS建模方法的优缺点Table 1 Advantages and disadvantages of UVMS modeling methods

目前的主流动力学模型在相对可控的环境下展现出各自优势，对处于不确定扰动和复杂环境干扰的 UVMS动力学建模，需要结合以上动力学模型的优点，构建高鲁棒性的复合UVMS动力学模型以适应浅海养殖捡拾实际作业需求。

1.4 多约束条件下浅海养殖精准捡拾作业的优化控制

UVMS优化控制是在满足一定能量约束的条件下，考虑到系统的内外扰动，采用一定的控制算法使机器人-机械手系统按照作业指令高效准确地完成运动和作业任务，并使系统的一个或几个物理量能够达到最优的控制精度[66]。由于水下作业的多扰动、大惯性、强耦合等约束问题突出，加之UVMS的运动和作业机构的硬件单元复杂庞大，使得精准的UVMS运动和作业控制需求极为迫切[67]。

在不确定干扰情况下，以流体动力学理论为基础，如何设计使UVMS系统稳定的鲁棒控制器，中外学者先后进行了探索研究，提出了滑模控制、模糊控制、自适应控制等控制算法，以期解决这一非线性控制难题。Antonelli等[68]提出了一种用于UVMS调节的滑模控制方法，滑模控制是一种非线性控制方法，可避免系统雅可比行列式的反演，从而克服了运动奇点的出现。然而，由于实际养殖水体中水动力很难准确估计，尽管在鲁棒滑模控制器的控制下[66]，通过选择高增益以实现系统的稳定，但会导致高频抖动效应，这种抖动会使机器人-机械手系统出现未建模动力，导致模型不匹配而失败。在实际非线性动力学系统中，由测量噪声、外部扰动和模型简化等因素造成的未建模动力经常出现，它的存在会降低系统性能，甚至导致系统不稳定。Esfahani等[69]提出了一种时延控制（time delay control，TDC）方法，包括采用时延估计项，终端滑动模式（terminal sliding mode，TSM）项和PID项来实现UVMS的轨迹跟踪，但过多耦合参数使得优化控制不太方便，因为耦合系统优化计算存在寻优与解耦两重嵌套循环，使得耦合系统优化设计计算量大、计算精度低。另一方面，由于水下机器人本体和机械手存在互相掣肘问题，Antonelli等[70]结合了任务优先逆运动学方法和模糊方法来执行UVMS的运动协调控制，并且采用模糊方法来分配机器人和操纵器之间的运动。Xu等[71]提出了神经模糊控制器来实现 UVMS的跟踪控制。虽然模糊控制器是一种不依赖于模型的智能控制方法，但是模糊控制的规则表调整比较复杂，因此在实际应用中具有一定的难度。Han等[72]针对 UVMS系统提出了一种自适应控制算法，将最优 PID控制、鲁棒自适应控制与恢复向量补偿结合起来用于UVMS的运动控制。Mohan等[56]开发了一种基于EKF的间接自适应控制方法，用于UVMS执行水下操作任务。但是，自适应控制算法需要很高的计算量，并且涉及大量的参数调整。由于水下机器人具有较强机动性，通过减少水下机器人-机械手系统的动态参数数量以保证算法的实时性是不可取的，所以自适应控制算法在UVMS系统中的应用受到了一定的限制[70]。

随着预测控制技术的发展，非线性模型预测控制（nonlinear model predictive control，NMPC）在具有大延迟和强扰动的非线性系统中表现出很强的鲁棒性，并已成功应用于运动控制领域的优化控制[73]。德国伊尔默瑙工业大学仿真与优化团队开发的NMPC控制策略框架已经让无人车在跟踪、转弯、避障、急停等场景下快速做出响应并准确完成控制任务。目前已有相关研究将模型预测控制（model predictive control，MPC）的滚动优化控制思想应用于机器人-机械手系统中，也获得了很好的控制效果[74-75]。Jasour和Farrokhi[76]提出冗余机器人手臂的非线性模型预测控制，用于轨迹跟踪和避障问题。通过在NMPC中使用模糊逻辑在线调整加权因子，使得路径跟踪和避障权重获得更好的性能。Rybus等[67]使用NMPC来实现对卫星上无人操纵器的轨迹跟踪控制，仿真结果表明，与动态雅可比逆的控制器相比，NMPC能更大限度地减少末端执行器的位置误差。因此，采用基于非线性模型预测控制策略，可以较好地预测偏差和整定参数，模型适配能力较好，并具备独特的实时滚动优化处理能力，能够不断地将系统给定和偏差融合到下一环节控制算法中，这样能够比较好地消除本体和机械手间的掣肘影响以及应对水文变化等突发干扰，并能够对水下多目标体运动和作业任务实现准确控制。应用于UVMS的常用控制算法的主要优缺点如表2所示。

表2 UVMS控制算法的优缺点Table 2 Advantages and disadvantages of UVMS control algorithms

如何在强耦合、多干扰、时变、多体、多环节的条件下，将浅海养殖水下机器人-机械手精准捡拾作业看成一个整体系统进行非线性模型预测控制，是值得探讨的科学问题。

2 研究展望

1）采用多传感器信息融合技术，研究复杂环境和扰动条件下目标动物的快速准确识别算法，是水下目标识别研究需要进一步探索的课题。由于水下环境自身的特殊性，使得水产养殖水下机器人在水下目标感知与识别方面的研究受到很大的限制。在配备水下照明灯情况下，水下摄像机适合清水并且近距离的目标图像采集。声纳探测距离较远，避障能力强，声探测技术实现比较容易，但基于声纳图像的目标识别可靠性和准确率有待提高。近年来，利用平面换能器阵通过波束形成对水下目标进行三维成像技术发展迅速，用于水下目标识别的三维成像声纳是一个全数字化系统，能够获得水下目标的形状与方位信息，三维成像声纳为水下目标识别研究提供了有利的工具。激光成像能够有效克服养殖水体后向散射对成像的影响，提高了图像对比度，其成像质量远高于声纳成像质量，并且能够提供目标物坐标、距离等信息，是较为理想的水下目标探测与识别手段。随着激光成像装置尺寸、质量和功耗的逐步降低，高性价比的激光成像仪将会被用于水产养殖水下机器人。水下目标图像采集装置在技术方面的不断进步，为获取高质量图像信息提供有力保障，从而在一定程度上降低了图像处理的复杂程度。另一方面，水下目标图像处理算法的研究一直是水下机器人技术的研究热点之一。如何深入分析非均匀光照、水下光源、浊度、机器人本体晃动等对目标动物水下成像的影响，揭示水下目标成像的衰减和散射规律，构建目标动物图像恢复和去噪模型，是水下目标识别研究的关键。多传感器信息融合是指对不同知识源和传感器采集的数据进行融合，以实现对观测对象更好的理解。常用的多传感器信息融合方法有卡尔曼滤波、贝叶斯理论、D-S证据理论、聚类分析和神经网络等。海洋背景下，多传感器信息融合技术的典型应用是通过声纳图像和光学图像的融合来实现对水下目标的识别。研究基于多传感器信息融合和深度学习的复杂环境和扰动条件下目标动物的快速准确识别算法，是水下目标识别研究需要进一步探索的课题。

2）发展高可靠性、高集成度并具有综合补偿和校正功能的组合导航系统代表了水产养殖水下机器人导航技术的发展方向。高精度的导航定位能力是衡量水产养殖水下机器人技术水平的一个重要标志。一方面要加大导航传感器的研制力度，提高其测量精度和可靠性。另一方面，各种水下导航技术都有其优缺点，将不同导航技术适当地组合起来，不仅可以做到优势互补，提高导航精度，还在一定程度上降低对单一导航系统的精度要求。对于水产养殖捕捞作业来说，UVMS相对目标动物的定位精度需要达到dm级水平。由于水下目标背景复杂、视觉主体晃动、传感器信息存在不确定性，考虑将捷联惯性导航与SLAM算法相结合，利用图像传感器（相机/声纳）采集水下机器人运动路径上的特征位置信息，与惯性传感器解算的位置信息相融合，获得高精度的定位信息，是一条行之有效的技术途径。综合利用多种导航传感器测量信息，运用现代滤波理论进行多源信息融合，发展高可靠性、高集成度并具有综合补偿和校正功能的组合导航系统代表了水产养殖机器人导航技术的发展方向。

3）如何在保证水产养殖水下机器人运动控制稳定性的前提下，提升控制系统的自适应性和容错能力，提高智能系统在实际应用中的可行性是今后研究工作的重点。目前UVMS常用的动力学建模方法有Newton-Euler法、Quasi-Lagrange法、Kane法和Davies法等，这些动力学模型在相对可控的环境下展现出各自优势。对处于不确定扰动和复杂环境干扰下的UVMS动力学建模，需要结合上述动力学模型的优点，采用非线性的补偿机制，构建高鲁棒性的复合UVMS动力学模型以适应浅海养殖捕捞作业需求。UVMS是非线性、强耦合、参数不确定的多输入多输出系统，另外，水下机器人本体、机械手以及水下作业环境的模型又难以准确获得。为了实现对目标动物的快速捕获，UVMS控制的实时性也是需要考虑的重要因素。因此，UVMS的有效控制是一项挑战性的课题。针对UVMS的控制方法主要有PID控制、滑模控制、模糊控制、自适应控制和鲁棒控制等，由于每种控制算法各有优缺点，可以考虑将不同控制方式相互结合使用，以提高水下机器人控制器的控制精度和收敛速度。比如，采用自适应滑模控制器、模糊自适应 PID控制器等实现对机器人-机械手系统的协调运动控制和高精度轨迹跟踪控制。自主能力体现机器的智能水平，UVMS的自主能力通过人工智能技术实现，基于符号推理和人工神经网络是人工智能研究的 2种主要方法。具有符号推理能力是智能控制系统最基本的需求，但目前基于符号的推理仍存在知识获取困难、学习能力较低和实时性较差等局限性，而人工神经网络采用并行、分布式的存储和处理机制，具有较强的学习、联想和自适应能力，2种方法的融合能够有效提高UVMS的智能水平。

3 结 论

1）传统水产养殖水下监测和作业任务主要依靠人工完成，劳动强度大，危险性高，近几年愿意从事该行业的人越来越少，水产养殖业面临严重的人工危机。水下机器人是人类探索海洋的重要工具，随着技术进步和制造成本的降低，将水下机器人应用于水产养殖业日益受到人们的重视。

2）由于海洋环境的复杂性，水下捕捞作业是一项颇具挑战性的任务。水下机器人-机械手系统（UVMS）是一种新型的作业型水下机器人，通过软硬件的优化设计，它可以替代人工实现对水产品的捕捞。弱光照、多扰动、强耦合、非结构化海洋环境下，UVMS的精准捕捞作业涉及水下目标识别、导航与定位、UVMS动力学模型、作业优化控制等几个方面的关键技术问题。在文献检索的基础上，文中对UVMS捕捞作业所需解决的关键技术的地位和国内外研究现状展开综述。

3）采用多传感器信息融合技术，研究复杂环境和扰动条件下目标动物的快速准确识别算法，提高水产养殖水下作业机器人目标识别速度和准确性是今后研究的必然方向；发展高可靠性、高集成度并具有综合补偿和校正功能的组合导航系统代表了水产养殖水下机器人导航技术的发展方向；在保证水产养殖水下机器人运动控制稳定性的前提下，提升控制系统的自适应性和容错能力，不断提高智能系统在实际应用中的可行性是今后研究工作的重点。

[1]范建平. 影响我国海洋经济可持续发展的重大问题分析[J]. 中国管理信息化，2017，20(12)：115－116.Fan Jianping. Analysis of major issues affecting sustainable development of China's marine economy [J]. China Management Informationization, 2017, 20(12): 115－116. (in Chinese with English abstract)

[2]张耀光，刘锴，王圣云，等. 中国与世界多国海洋经济与产业综合实力对比分析[J]. 经济地理，2017，37(12)：103－111.Zhang Yaoguang, Liu Kai, Wang Shengyun, et al.Comparative analysis of marine economic and industrial comprehensive strength between China and other countries in the world [J]. Economic Geography, 2017, 37(12): 103－111.(in Chinese with English abstract)

[3]林可，王飞，马家志，等. 离岸型智能化浅海养殖围网应用及效益分析[J]. 水产科技情报，2017，44(5)：268－272.Lin Ke, Wang Fei, Ma Jiazhi, et al. Net pen application and benefit analysis of offshore intelligent shallow sea breeding[J]. Fisheries Science & Technology Information, 2017, 44(5):268－272. (in Chinese with English abstract)

[4]杨卫中，徐银丽，乔曦，等. 基于对比度受限直方图均衡化的水下海参图像增强方法[J]. 农业工程学报，2016，32(6)：197－203.Yang Weizhong, Xu Yinli, Qiao Xi, et al. Method for image intensification of underwater sea cucumber based on contrastlimited adaptive histogram equalization [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 197－203. (in Chinese with English abstract)

[5]刘文武，刘刊，徐伟刚，等. 我国潜水行业的现状与潜水员的健康安全管理建议[J]. 海军医学杂志，2016，37(3)：284－286.Liu Wenwu, Liu Kan, Xu Weigang, et al. Status of diving industry and divers' health and safety management suggestions in China [J]. Journal of Navy Medicine, 2016, 37(3): 284－286.(in Chinese with English abstract)

[6]胡金有，王靖杰，张小栓，等. 水产养殖信息化关键技术研究现状与趋势[J]. 农业机械学报，2015，46(7)：251－263.Hu Jinyou, Wang Jingjie, Zhang Xiaoshuan, et al. Research status and development trends of information technologies in aquacultures [J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 251－263. (in Chinese with English abstract)

[7]常宗瑜，姚冰川，王磊，等. 水产养殖用水下移动机械手的耦合动力学分析[J]. 机械设计，2012，29(2)：47－50.Chang Zongyu, Yao Bingchuan, Wang Lei, et al. Analysis of coupling dynamics of underwater mobile manipulator for aquaculture [J]. Journal of Machine Design, 2012, 29(2):47－50. (in Chinese with English abstract)

[8]黄海. 遥控潜水器的控制体系结构及作业技术[M]. 北京：国防工业出版社，2011.

[9]徐玉如，李彭超. 水下机器人发展趋势[J]. 自然杂志，2011，33(3)：125－132.Xu Yuru, Li Pengchao. Developing tendency of unmanned underwater vehicles [J]. Chinese Journal of Nature, 2011,33(3): 125－132. (in Chinese with English abstract)

[10]丛明，刘毅，李泳耀，等. 水下捕捞机器人的研究现状与发展[J]. 船舶工程，2016，38(6)：55－60.Cong Ming, Liu Yi, Li Yongyao, et al. Research and development of underwater fishing robot [J]. Ship Engineering,2016, 38(6): 55－60. (in Chinese with English abstract)

[11]王润田，陈晶晶，龚剑彬. 深水网箱养殖中的声学监测问题探讨[J]. 渔业现代化，2012，39(3)：19－22.Wang Runtian, Chen Jingjing, Gong Jianbin. Acoustic monitoring for ocean aquaculture in sea cage [J]. Fishery Modernization, 2012, 39(3): 19－22. (in Chinese with English abstract)

[12]张净，沈捷，刘晓梅. 基于太阳能供电的行走式智能增氧机器人研究[J]. 农业机械学报，2017，48(12)：340－345.Zhang Jing, Shen Jie, Liu Xiaomei. Realization of walking intelligence oxygenated robot Based on Solar Power [J].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(12): 340－345. (in Chinese with English abstract)

[13]Rundtop P, Frank K. Experimental evaluation of hydroacoustic instruments for ROV navigation along aquaculture net pens[J]. Aquacultural Engineering, 2016(74): 143－156.

[14]Duda A, Schwendner J, Stahl A, et al. Visual pose estimation for autonomous inspection of fish pens[C]// Proceedings of MTS/IEEE Oceans. Genova, Italy, 2015.

[15]Wang Y, Wang S, Wei Q, et al. Development of an underwater manipulator and its free-floating autonomous operation [J]. IEEE-ASME Transactions on Mechatronics,2016, 21(2): 815－824.

[16]Huang H, Tang Q, Li H, et al. Vehicle-manipulator system dynamic modeling and control for underwater autonomous manipulation [J]. Multibody System Dynamics, 2016, 41:125－147.

[17]Sugiyama N, Toda M. A nonlinear disturbance observer using delayed estimates -its application to motion control of an underwater vehicle-manipulator system[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems.Daejeon, South Korea, 2016: 2007－2013.

[18]Qiao X, Rauschenbach T, Li D L. Review of underwater machine vision technology and its applications [J]. Marine Technology Society Journal, 2017, 51(1): 75－97.

[19]庞硕，纠海峰. 智能水下机器人研究进展[J]. 科技导报，2015，33(23)：66－71.Pang Shuo, Jiu Haifeng. Current status of autonomous underwater vehicles research and development [J]. Science &Technology Review, 2015, 33(23): 66－71. (in Chinese with English abstract)

[20]Elibol A, Garcia R, Gracias N. A new global alignment approach for underwater optical mapping [J]. Ocean Engineering,2011, 38(10): 1207－1219.

[21]Schettini R, Corchs S. Underwater image processing: State of the art of restoration and image enhancement methods [J].Eurasip Journal on Advances in Signal Processing, 2010(1):1－15.

[22]Lee D, Kim G, Kim D, et al. Vision-based object detection and tracking for autonomous navigation of underwater robots[J]. Ocean Engineering, 2012, 48(7): 59－68.

[23]Wu X, Li H. A simple and comprehensive model for underwater image restoration[C]// IEEE International Conference on Information and Automation (ICIA). Yinchuan,China, 2013: 699－704.

[24]屈志毅，沃炎，任志宏. 基于交替迭代和神经网络的盲目图像恢复[J]. 计算机学报，2000，23(4)：410－413.Qu Zhiyi, Wo Yan, Ren Zhihong. Blind image restoration based on alternating iteration and neural network [J]. Chinese Journal of Computers, 2000, 23(4): 410－413. (in Chinese with English abstract)

[25]Han J F, Yang K C, Xia M, et al. Resolution enhancement in active underwater polarization imaging with modulation transfer function analysis [J]. Applied Optics, 2015, 54(11):3294－3302.

[26]Stephan T, Beyerer J. Computer graphical model for underwater image simulation and restoration[C]// ICPR Workshop on Computer Vision for Analysis of Underwater Imagery. Stockholm, Sweden, 2014: 73－79.

[27]Huang Y, Cao F, Jin W, et al. Underwater pulsed laser range-gated imaging model and its effect on image degradation and restoration [J]. Optical Engineering, 2014,53(6): 603－608.

[28]Chen Z, Zhang Z, Dai F, et al. Monocular vision-based underwater object detection [J]. Sensors, 2017, 17(8): 1－14.

[29]Sautya S, Ingole B, Jones D O B, et al. First quantitative exploration of benthic megafaunal assemblages on the mid-oceanic ridge system of the Carlsberg Ridge, Indian Ocean [J]. Journal of the Marine Biological Association of the United Kingdom, 2017, 97(2): 409－417.

[30]Boldt J L, Williams K, Rooper C N, et al. Development of stereo camera methodologies to improve pelagic fish biomass estimates and inform ecosystem management in marine waters [J]. Fisheries Research, 2018, 198: 66－77.

[31]Agrawal S, Xaxa D K. Survey on image segmentation techniques and color models [J]. International Journal of Computer Science & Information Technologies, 2014, 5(3):3025－3030.

[32]Liu T, Wan L, Liang X W. An image segmentation method of underwater targets based on active contour model [J].Applied Mechanics and Materials, 2014, 511－512: 457－461.

[33]陈荣盛，袁小海，胡震，等. 水下机器人作业目标控制和目标识别[J]. 船舶力学，1998，2(1)：62－68.Chen Rongsheng, Yuan Xiaohai, Hu Zhen, et al. Autonomous underwater vehicle job controlling and object recognition [J].Journal of Ship Mechanics, 1998, 2(1): 62－68. (in Chinese with English abstract)

[34]Rizzini D L, Kallasi F, Oleari F, et al. Investigation of vision-based underwater object detection with multiple datasets [J]. International Journal of Advanced Robotic Systems, 2015, 12: 1－13.

[35]Wang H Y, Dong F, Song L M. Bubble-forming regime identification based on image textural features and the MCWA feature selection method [J]. IEEE Access, 2017,5(99): 15820－15830.

[36]Qiao X, Bao J H, Zeng L H, et al. An automatic active contour method for sea cucumber segmentation in natural underwater environments [J]. Computers and Electronics in Agriculture, 2017, 135 (C): 134－142.

[37]Brahimi M, Boukhalfa K, Moussaoui A. Deep learning for tomato diseases: classification and symptoms visualization[J]. Applied Artificial Intelligence, 2017, 31(4): 299－315.

[38]Fuentes A, Yoon S, Kim S C, et al. A robust deeplearning-based detector for real-time tomato plant diseases and pests recognition [J]. Sensors, 2017, 17(9): 2022－2034.

[39]Ramcharan A, Baranowski K, McCloskey P, et al. Deep learning for image-based cassava disease detection [J].Frontiers in plant science, 2017, 8: 1852－1863.

[40]Liu Q, Xu X, Han B. An integrated navigation method based on SINS/DVL-WT for AUV [J]. Applied Mechanics and Materials, 2013, 303-306(2): 904－907.

[41]Xu X, Li P, Liu J. A fault-tolerant filtering algorithm for SINS/DVL/MCP integrated navigation system [J]. Mathematical Problems in Engineering, 2015(4): 1－12.

[42]Zhang T, Chen L, Li Y. AUV underwater positioning algorithm based on interactive assistance of SINS and LBL[J]. Sensors, 2016, 16(1): 1－22.

[43]Newman P, Durrant-Whyte H. Using sonar in terrain-aided underwater navigation[C]// IEEE International Conference on Robotics & Automation. Leuven, Belgium, 1998: 440－445.

[44]Conti R, Fanelli F, Meli E, et al. A free floating manipulation strategy for autonomous underwater vehicles [J]. Robotics and Autonomous Systems, 2017, 87: 133－146.

[45]Huster A, Rock S M. Relative position estimation for manipulation tasks by fusing vision and inertial measurements[C]// MTS/IEEE Oceans 2002 Conference. Biloxi, USA,2001: 1025－1031.

[46]Ribas D, Ridao P, Tardos J D, et al. Underwater SLAM in man-made structured environments [J]. Journal of Field Robotics, 2008, 25(11/12): 898－921.

[47]Fallon M F, Folkesson J, Mcclelland H, et al. Relocating underwater features autonomously using sonar-based SLAM[J]. IEEE Journal of Oceanic Engineering, 2013, 38(3):500－513.

[48]Mallios A, Ridao P, Ribas D, et al. Scan matching SLAM in underwater environments[J]. Autonomous Robots, 2014,36(3): 181－198.

[49]袁赣南，王丹丹，魏延辉，等. 水下石油管道漏油检测定位的粒子滤波SLAM算法[J]. 中国惯性技术学报，2013，21(2)：204－208.Yuan Gannan, Wang Dandan, Wei Yanhui, et al. Particle filter SLAM algorithm for underwater oil pipeline leakage detection and positioning [J]. Journal of Chinese Inertial Technology, 2013, 21(2): 204－208. (in Chinese with English abstract)

[50]周绍磊，吴修振，刘刚，等. 一种单目视觉ORB-SLAM/INS组合导航方法[J]. 中国惯性技术学报，2016，24(5)：633－637.Zhou Shaolei, Wu Xiuzhen, Liu Gang, et al. Integrated navigation method of monocular ORB-SLAM/INS [J]. Journal of Chinese Inertial Technology, 2016, 24(5): 633－637. (in Chinese with English abstract)

[51]王宏健，王晶，边信黔，等. 基于组合EKF的自主水下航行器SLAM[J]. 机器人，2012，34(1)：56－64.Wang Hongjian, Wang Jing, Bian Xinqian, et al. SLAM of AUV based on the combined EKF [J]. Robot, 2012, 34(1):56－64. (in Chinese with English abstract)

[52]Tully S, Moon H, Kantor G, et al. Iterated filters for bearingonly SLAM[C]// IEEE International Conference on Robotics and Automation. Pasadena, USA, 2008: 1442－1448.

[53]Kang J G, Choi W S, An S Y, et al. Augmented EKF based SLAM method for improving the accuracy of the feature map[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. Taipei, China, 2010: 3725－3731.

[54]Korkmaz O, Ider S K, Ozgoren M K. Trajectory tracking control of an underactuated underwater vehicle redundant manipulator system [J]. Asian Journal of Control, 2016, 18(5):1593－1607.

[55]陈巍，魏延辉，曾建辉，等. 水下机器人-机械手系统控制方法综述[J]. 重庆理工大学学报(自然科学版)，2015，29(8)：116－123.Chen Wei, Wei Yanhui, Zeng Jianhui, et al. Review of underwater vehicle-manipulator system control method [J].Journal of Chongqing University of Technology (Natural Science), 2015, 29(8): 116－123. (in Chinese with English abstract)

[56]Mohan S, Kim J. Indirect adaptive control of an autonomous underwater vehicle-manipulator system for underwater manipulation tasks [J]. Ocean Engineering, 2012, 54: 233－243.

[57]Barbalata C, Dunnigan M W, Petillot Y. Dynamic coupling and control issues for a lightweight underwater vehicle manipulator system[C]// Oceans Conference. St Johns, Canada,2014: 1－6.

[58]Ismail Z H, Dunnigan M W. Tracking control scheme for an underwater vehicle-manipulator system with single and multiple sub-regions and sub-task objectives [J]. IET Control Theory and Applications, 2011, 5(5): 721－735.

[59]Mahesh H, Yuh J, Lakshmi R. A coordinated control of an underwater vehicle and robot manipulator [J]. Journal of Robotic System, 1991, 8(3): 339–370.

[60]Kim T W, Yuh J. Development of a real-time control architecture for a semi-autonomous underwater vehicle for intervention missions [J]. Control Engineering Practice, 2004,12(12): 1521－1530.

[61]Xu G, Guo Y, Xiang X, et al. Motion control and computer simulation for underwater vehicle-manipulator systems[C]//IEEE International Conference on Mechatronics and Automation. Harbin, China, 2007: 1368－1373.

[62]Tarn T J, Shoults G A, Yang S P. A dynamic model of an underwater vehicle with a robotic manipulator using Kane's method [J]. Autonomous Robots, 1996, 3(2/3): 269－283.

[63]Hussain Z, Azlan N Z. KANE's method for dynamic modeling[C]//IEEE International Conference on Automatic Control and Intelligent Systems. Shah Alam, Malaysia, 2016:174－179.

[64]Periasamy T, Asokan T, Singaperumal M. Investigations on the dynamic coupling in AUV-manipulator system and the manipulator trajectory errors using bond graph method [J].International Journal of Systems Science, 2012, 43(6):1104－1122.

[65]Kumar S, Rastogi V, Gupta P. A hybrid impedance control scheme for underwater welding robots with a passive foundation in the controller domain [J]. Simul-Trans Soc Model Simul Int., 2017, 93(7): 619－630.

[66]Thangavel P, Thondiyath A, Makaram S. Optimized Robust Controller for AUV-Manipulator System[C]// IEEE Region 10 Conference on TENCON 2010. Fukuoka, Japan, 2010:945－950.

[67]Rybus T, Seweryn K, Sasiadek J Z. Control system for free-floating space manipulator based on nonlinear model predictive control (NMPC) [J]. Journal of Intelligent &Robotic Systems, 2017, 85(3/4): 491－509.

[68]Antonelli G, Chiaverini S. Task-priority redundancy resolution for underwater vehicle-manipulator systems[C]//IEEE International Conference on Robotics and Automation.Leuven, Belgium, 1998: 768－773.

[69]Esfahani H N, Azimirad V, Danesh M. A time delay controller included terminal sliding mode and fuzzy gain tuning for underwater vehicle-manipulator systems [J]. Ocean Engineering, 2015, 107: 97－107.

[70]Antonelli G, Chiaverini S. Fuzzy redundancy resolution and motion coordination for underwater vehicle-manipulator systems [J]. IEEE Transactions on Fuzzy Systems, 2003,11(1): 109－120.

[71]Xu B, Pandian S R, Sakagami N, et al. Neuro-fuzzy control of underwater vehicle-manipulator systems [J]. Journal of the Franklin Institute, 2012, 349(3): 1125－1138.

[72]Han J H, Chung W K. Active use of restoring moments for motion control of an underwater vehicle-manipulator system[J]. IEEE Journal of Oceanic Engineering, 2014, 39(1):100－109.

[73]Lopez-Sanz J, Ocampo-Martinez C, Alvarez-Florez J, et al.Thermal management in plug-in hybrid electric vehicles: A real-time nonlinear model predictive control implementation[J]. IEEE Transactions on Vehicular Technology, 2017, 66(9):7751－7760.

[74]Tamimi J, Li P. A combined approach to nonlinear model predictive control of fast systems [J]. Journal of Process Control, 2010, 20(9): 1092－1102.

[75]Lazutkin E, Geletu A, Hopfgarten S, et al. An analytical hessian and parallel-computing approach for efficient dynamic optimization based on control-variable correlation analysis [J]. Industrial & Engineering Chemistry Research,2015, 54(48): 12086－12095.

[76]Jasour A M, Farrokhi M. Path tracking and obstacle avoidance for redundant robotic arms using fuzzy NMPC[C]// 2009 American Control Conference. St Louis, MO,2009: 1353－1358.