面向恶劣水下条件中改进人机协作的机器视觉

视觉引导的水下机器人作为人类潜水员的同伴，被部署于众多浅水与近岸水域应用中的协同探索、巡检与监测任务。此类伴随机器人最本质的能力是视觉解读周围环境，并在水下任务各阶段协助潜水员。尽管近期技术有所进步，现有实时视觉感知系统与方案仍深受海洋伪影影响，如能见度差、光照变化以及显著特征匮乏。水下光传播脆弱性（如波长相关衰减、吸收与散射）引发的大量非线性图像畸变进一步加剧了这些困难。在本学位论文中，我们提出一组新颖且改进的视觉感知方案，以应对这些挑战，实现有效的水下人机协作。具体而言，我们为自主水下机器人（AUV）开发鲁棒且高效的模块，使其仅依赖含噪视觉传感即可准确感知周围环境，从而跟随并与伴随机器人交互。此外，我们所提感知方案使视觉引导机器人在噪扰传感条件下看得更清，并在有限计算资源与实时约束下表现更优。研究成果包含底层视觉与基于学习算法的新颖设计和高效实现，以及针对单板部署的广泛现场实验验证与可行性分析。除推进 SOTA 外，所提方法与系统使我们向缩小理论与实践差距、改进真实环境中人机协作更近一步。