精确的水下导航与定位技术是智能水下机器人（AUV）执行水下任务的重要保障。惯性导航系统（INS）具有较好的自主性、实时性和隐蔽性，是目前水下载体导航的主要方式之一，但其导航误差会随时间增加不断累积，使得该方法难以满足长航时AUV的导航精度要求。长基线（LBL）、超短基线（USBL）等声学导航系统，可在基阵或母船支持范围内为AUV提供具备有界误差的精确导航信息，但需要预先在工作海域或支持母船上布置声学基阵，并配备较大的支持体系，成本高且作业范围受限，不能满足AUV独立执行任务的需求]。
地形匹配导航最早应用于“战斧”巡航导弹等飞行器，通过实测地形数据与先验数字地图的相关性分析，估计飞行器当前位置信息，其原理见图1。随着多波束声呐等高精度地形测绘装备的发展，海底地形实时精确获取技术不断成熟。由于无累积误差且无需水声基阵等外界传感器辅助等特点，海底地形匹配导航已经成为各国水下导航方法的研究热点。
近年来，美国、英国、欧盟等国家或组织纷纷提出相关海洋建设规划。2019年，欧洲海洋局在《展望未来V：海洋十年的建议》报告中提出，未来急需水下潜器在深海生物观察任务方面取得进展，而海底地形匹配导航是解决AUV深海生物观测过程中长期精确导航问题的最可靠手段之一。2020年，英国国家海洋中心在发布的《国家海洋装备技术路线图》中提到，为实现AUV在北极冰下穿越过程的精确冰下导航，高精度的地形匹配导航系统是一个主要研究方向。同年，美国国防部在《设计具有更大自主性的无人系统》中点明，美国海军通过对海底地形匹配导航等手段展开研究，实现AUV的长距离航行和自主规划控制，以提升AUV无需GPS辅助导航的精确局部战场干涉能力和智能化水平。
从上述海洋发展规划中可看出，无论是海洋生态保护、海洋资源开发或海洋军队建设，海底地形匹配导航技术都发挥着重要作用，各国的战略规划和资金投入也促进了该技术的迅速发展。本文针对AUV海底地形匹配导航技术展开综述，首先简述了地形匹配导航技术的发展现状和目前关键技术研究情况，其次分析了海底地形匹配导航技术当前的研究前沿方向及其相关研究进展，最后本文给出了对海底地形匹配导航技术未来发展和应用方向的展望。
一、地形匹配导航技术研究概况
⒈发展现状
与飞行器地形匹配类似，当AUV穿越地形适配区时，利用多普勒测速仪（DVL）、单波束测深声呐和多波束测深声呐等测深传感器测量机器人下方的测点深度，并与压力计获得的深度值相加得到测点的地形高程值，见图2；同时，通过地形匹配算法与预先存储的参考地形高程地图对比，从而确定AUV最佳位姿。美国、英国、瑞典和加拿大等国家在海底地形匹配导航方面已做了大量研究。
⑴在美国海军研究办公室的支持下，罗德岛大学研发了搭载地形匹配导航系统的海底智能浮标，通过外场试验回放仿真结果表明，在无连续超短基线（USBL）声学导航信息条件下，地形匹配导航可有效估计浮标的漂移轨迹。同时，在与水下摄像机采集到的水下光学信息进行融合后，可以获得接近超短基线导航的浮标轨迹估计结果。
⑵英国南安普顿大学以Autosub6000 AUV为试验载体，以条带状地形为先验地形图开展海底地形匹配导航试验。此外，研究人员还利用3700m水深，总航时77h，总航程195km的长航程数据进行地形匹配导航技术的验证试验，在每一个验证任务中都进行了20次蒙特卡洛试验且全部收敛，表明了地形匹配导航技术在长航程、大潜深AUV导航中具有很大的应用潜力。
⑶瑞典皇家工学院NYGREN教授团队建造了AUV62和Sapphires2种型号的AUV，两者均采用基于相关性的地形匹配导航系统，其主要差别在于地形测量设备，前者使用多波束声呐，而后者则选用合成孔径声呐。65km的海试实验证明了两者地形匹配定位误差均小于10m。
⑷加拿大纽芬兰纪念大学设计了适用于水下滑翔机的海底地形匹配导航系统。为减少长时间作业的能量消耗，该系统以单波束声呐作为海底地形感知设备，在海上2h的试验中，海底地形匹配导航算法均方根误差分别收敛至76m和32m，远优于推算导航误差的190m和90m。
此外，挪威国防研究中心以HUGIN系列AUV为载体，对采用多波束声呐或多普勒测速仪为海底地形测量设备的系统进行了试验，均取得了有益成果。韩国浦项大学设计了利用前视成像声呐采集海底地形信息的开架式遥控水下机器人（ROV）“Cyclops”，通过海上试验对地形匹配导航系统精度进行了验证。
从上述研究中可以发现，多普勒测速仪、单/多波束声呐、合成孔径声呐和前视声呐等传感器都可用于采集海底地形信息，但考虑到传感器特性、地形特性以及AUV的工作需求，目前单/多波束声呐的应用较为广泛。单波束测深具有数据处理简单、实时性好、功耗低等优势，但其信息获取少、扫测效率低；多波束测深在测量速度、地形信息丰富度、特征准确度等方面的性能较好，但功耗和机载的设备要求也随之提高。未来海底地形匹配导航的发展应结合不同传感器的优缺点，研究多传感器条件下的地形匹配导航方法。
⒉关键技术研究
不同于陆地环境，海洋环境极其复杂。在海底地形测量时，AUV载体小，且受到海流运动的影响，处于不规则运动状态。这给导航系统带来了极大的挑战。AUV海底地形匹配导航系统主要由参考导航单元、地形测量单元、测深数据后处理、数字地形图（DTM）、地形匹配单元组成，其中地形匹配单元是导航系统的核心。地形测量单元除换能器外还包含多种辅助传感器，因此，多波束测深的数据质量受到多方面影响。为了降低数据噪声影响，实时测深数据后处理需要对数据进行野值剔除、潮位修正、波束选择、声线追踪和补偿等。DTM是计算机中预先存储的数字化先验海底地形数据。在AUV海底地形匹配导航系统中，DTM是一定区域内的水深数据，它以离散化网格的形式存储，相邻网格节点间距为地图分辨率。地形匹配算法则将实时测深数据和参考导航单元指示位置附近的DTM数据对比，从而确定AUV位置，是地形匹配单元的核心步骤。
地形匹配主要包括基于相关性的地形匹配算法和基于滤波的地形匹配算法，根据匹配算法不同，相应地形匹配系统结果也不同。如图3所示：基于相关性的地形匹配主要是通过对比当前一段时间内累积实测海底地形图和DTM相似性估计AUV位置，其中参考导航系统仅用于构造累积实测海底地形图时确定AUV在各个时刻相对位置；基于滤波的地形匹配算法中AUV通过参考导航系统对自身位置进行先验更新，随后通过当前时刻实测海底地形与DTM的对比完成后验更新，实现对AUV位置估计。本文从基于相关性方法和滤波方法对匹配导航算法进行回顾。
⑴基于相关性的地形匹配算法
基于相关性的地形匹配算法发展于航空领域，其中最著名的是由英国宇航公司研制的地形剖面匹配（TERCOM）系统。TERCOM经过多年的发展，衍生出许多类似的方法。相关性地形匹配算法中的状态方程和观测方程实质是非线性参数估计方程。极大似然估计（MLE）是一种重要的参数估计方法，在系统辨识以及机动目标跟踪中得到了成功的应用。MLE将参数估计的问题转化为求极大似然概率的问题，对水下地形匹配具有很强的适应能力，由于其对状态的先验信息要求不高，对初始定位误差不敏感，因而特别适用于低采样频率下的基于多波束测深的地形匹配。NYGREN等将极大似然估计方法应用于水下地形匹配导航中，并在AUV62F上完成了海上试验。为了解决地形匹配导航过程中相关性计算的时间消耗问题，TRAUGOTT等提出基于现场可编程门阵列（FPGA）的地形匹配相关性算法，将匹配时间减少了约100倍。
ZHANG等改进了传统TERCOM算法的相似性评价方法，提出了匹配区域的选择策略和基于固定阈值的线匹配与曲面匹配的一体化地形匹配算法。与基于胡矩的水面/水下匹配算法相比，该算法能够获得更精确的定位结果，并具有更强的鲁棒性。对于大量的地形观测数据而言，MLE是渐进有效的，在满足某些正则条件下，MLE具有无偏特性和高斯分布概率密度函数，并可达到Cramer-Rao下界。另外，当多波束声呐各波束测量误差不相关且误差协方差相同时，MLE被退化成为最小二乘估计（LSE）用于地形特征相关性分析。与MLE相似，CHEN等提出了最大后验估计（MAP）的海底地形匹配算法，该算法融合了预估计量的先验概率密度函数，并扩充了优化的目标函数。相比于MLE，MAP算法提高了地形匹配定位精度，但其考虑了匹配定位过程的先验概率密度函数（PDF），计算量增大，实时性差于MLE方法。
迭代最近点（ICP）算法在点云匹配中可以完全利用几何形状或网格等信息分析相关性完成匹配，不需要预测关联度，只需执行刚性变换-最近点确定-刚性变换的迭代过程，是相关性匹配算法的另一种表现形式。而在ICP算法中，迭代最接近轮廓点（ICCP）在水下地形匹配中应用最为广泛。ICCP不要求AUV保持直线航行，但系统需要精确地了解AUV的起始点，否则容易发生偏离或匹配完全失败。为了克服这一缺陷，WANG等在匹配过程中加入匹配原点，并且将整个匹配过程分为粗匹配和精匹配2个阶段，试验证明该算法能够很好地在实际海洋环境中实现匹配，并且具有较高的收敛精度。WANG等提出了多路径并行ICCP算法，该算法选择多波束声呐测深数据的中心点和边缘两侧的数据点组成的3条路径同时进行ICCP配准，有效地解决了惯性导航系统初始误差过大导致匹配发散的问题，获得了较高的定位精度。为提高ICCP算法在实际海洋环境中的鲁棒性，LI等分析了惯性导航系统精度、地图分辨率、初始INS误差、声呐精度和匹配路径长度等多个因素对水下航行器匹配误差的影响。当地形特征足够且搜索区域足够大时，基于相关性的方法即使在初始化定位误差很大的情况下也可以找到真实的匹配位置。但基于相关性的地形匹配方法属于典型的批处理方法，当AUV获得足够多的地形数据后才进行匹配运算，算法实时性差。
⑵基于滤波的地形匹配算法
与相关性方法不同，地形匹配滤波算法在整个任务期间只要测得海底地形数据就立即对其进行递归滤波，连续估计和修正参考导航系统的位置和速度误差，是一种在线地形匹配导航方法。随着海底测绘技术、计算机硬件技术、非线性估计理论的发展，地形匹配导航系统的滤波算法逐渐由线性化参数滤波算法向粒子滤波、质点滤波等非参数滤波算法发展。
最初的海底地形匹配导航滤波器主要采用以卡尔曼滤波器为基础的线性化滤波方法，但由于地形的强非线性、随机性以及测量误差的非高斯性导致系统线性化误差不可控，参数滤波器的导航精度和系统稳定性均不能满足AUV的任务需求。以粒子滤波、质点滤波为基础的非线性非高斯滤波器通过数值方法直接求解无解析解的后验贝叶斯估计，避开了系统测量误差高斯分布假设和系统线性化要求，提高了定位精度和稳定性。因而，在地形匹配导航滤波算法中，粒子滤波、质点滤波等非线性非高斯滤波器逐渐取代了参数滤波器。
KARLSSON等在Rao-Blackwellization粒子滤波器中引入克拉美罗下确界，有效提升了粒子滤波器的实时估计性能。KIM等将Rao-Blackwellization粒子滤波器用在单波束声呐海底地形匹配导航中，有效提高了初始不确定性较大情况下海底地形匹配导航系统的性能和可靠性。DONOVAN提出一种新的PF重采样技术，解决了样本容量不足的问题。TEIXEIRA等提出了混合粒子滤波和先验修正粒子滤波，2种算法均有效减轻了由地形自相似引起的滤波器发散问题，在地形重复度较高的海域表现出了良好的定位性能。LIU等提出一种采用模糊逻辑对地形梯度下的粒子分布方差进行动态估计的模糊粒子滤波器，通过仿真试验证明该算法在北极各种洋流干扰情况下仍具有良好的稳定性。
除了滤波算法外，国外学者在海底地形匹配导航的特征提取、特征匹配算法、测深数据处理等领域也进行了大量的研究。西班牙赫罗纳大学提出应用法线间差（DoN）对海底地形特征进行提取。DoN是一种多尺度的目标检测方法，该方法能够在无规则的三维点云数据中检测出存在剧烈变化的区域，并具备在较高观测噪声环境下的目标识别检测能力。瑞典皇家理工学院提出了PointNetKL神经网络，以用于地形特征匹配的匹配置信度估计，此网络可利用原始测深数据对通用ICP算法的地形特征匹配结果进行协方差估计，从而获取不同地形下地形特征匹配置信度，为海底地形匹配导航适配区域划分提供依据。英国水文局采用了机器学习算法实现了海底地形测深噪声剔除，该算法通过训练三维卷积神经网络对多波束声呐点云数据去噪，其基本思路类似于图像的语义分割，算法将二维图像分割问题扩展到三个维度，在这些维度上对测深点云进行像素级的二进制接受/拒绝预测，从而实现海底地形噪声点的识别与剔除。
相比于国外，国内海底地形匹配研究起步较晚，但近几年也得到了快速发展，研究方向主要集中在地形匹配算法的改进与应用。哈尔滨工程大学在地形匹配导航方面进行了大量的理论研究和仿真试验，提出了多传感器融合的地形匹配导航系统，并研究了基于适配性约束的地形匹配导航路径规划技术。张飞舟等和于家城等通过改进桑迪亚地形辅助导航（SITAN）方法，提出了基于跟踪-搜索模式的海底地形匹配算法。王可东等进行了海底地形匹配等值线算法研究，在仿真试验中有效减小了导航误差。此外，西北工业大学、东南大学、中科院自动化研究所等高校和机构在海底地形匹配导航方面也进行了大量研究并取得了有益的成果。
二、海底地形匹配导航研究前沿
⒈低成本激光测距传感器的应用
传统地形匹配导航依靠水下无人系统搭载单波束声呐、多波束声呐等声学传感设备，通过声脉冲的发射与接收实现海底地形数据获取。但传统地形匹配导航在声学手段获取海底地形高程数据的过程中所发射的声脉冲易被敌方单位侦听，其作业隐蔽性较差。相较于声学传感器，低成本激光测距传感器（如水下激光扫描系统等）应用于海底地形匹配导航中时具备精度更高、成本更低、隐蔽性更强等特点。如图4所示，尽管目前西班牙赫罗纳大学等研究机构开发的低成本光学传感器还存在对水质依赖严重、测绘距离过短等严重问题，但随着传感器技术的进一步发展，利用低成本激光测距传感器取代传统多波束声呐将是海底地形匹配导航的重要实用化发展方向。
⒉低分辨率先验地图下的长航程地形匹配导航
随着燃料技术的不断发展，AUV续航能力不断提升，如Autosub Long Range AUV（见图5）能够持续运行数月，一次部署可行驶数千公里，可以在地球上一些最偏远的区域中进行持续监视和数据收集。在长航程水下作业中，海底地形匹配导航是最为经济、隐蔽和有效的精确导航方法。国外众多研究机构如英国国家海洋中心、南安普顿大学、法国航空实验中心等均对长航程海底地形匹配导航展开深入研究。
英国国家海洋中心曾规划利用Autosub Long Range搭载4000米级多波束声呐，进行长约2000km的海底地形匹配导航验证试验，但由于现有高精度海底测绘任务耗费巨大，目前难以为长航程海底地形匹配导航全程提供高精度先验海底地形图，因而长航程海底地形匹配导航仍面临先验地图分辨率较低的挑战。
⒊高鲁棒性的地形匹配导航系统
地形匹配导航精度不仅由水下无人系统的运动与环境感知设备决定，同时受到海底地形起伏程度、海洋环境等因素的影响。由于海流冲刷侵蚀，海底地形趋于平坦且地形特征较为贫乏，同时受海洋混响、载体运动等影响，多波束声呐等海底地形感知设备存在较大的观测噪声，导致地形匹配导航在大部分地形平坦海域精度难以保障，鲁棒性受限严重。
葡萄牙里斯本大学、韩国船舶海洋工程研究所、美国麻省理工学院、蒙特利尔大学从滤波器/图优化等不同角度对地形匹配导航算法在面临匹配失效情况下的鲁棒性能进行了研究。但现有算法主要还是集中在对观测结果的被动处理，算法有效性仍依赖于海底地形起伏程度。因此，采用主动路径规划技术，驱动AUV主动前往地形特征明显区域进行高置信度地形特征匹配，才能真正提高海底地形匹配导航系统鲁棒性能，推进海底地形匹配导航系统的应用化进程。
⒋基于机器学习技术的地形匹配导航算法
深度学习、强化学习等机器学习技术在图像处理、路径规划等方面已经得到了广泛的研究。在海底地形匹配导航中，海底地形图像特征提取和海底地形匹配导航航线规划都会对地形匹配导航精度产生关键作用，利用深度学习、强化学习等解决海底地形匹配导航关键问题将是海底地形匹配导航的重要发展方向。
武汉大学利用深度卷积神经网络进行了基于机载激光扫描点云数据的数字地形模型地面点提取。算法将提取点云数据中具有空间上下文的点及其窗口内的相邻点并将转换为图像，然后将点的分类转化为图像分类进行处理。在经过训练之后，深度卷积神经网络模型可以学习操作员如何识别一个点是否为地面点。在错误率方面，该模型的性能优于典型的现有算法，这表明基于深度学习的方法在从点云中提取特征的巨大潜力。
针对三维点云数据的配准问题，美国卡耐基梅隆大学提出了一种将Point Net网络和Lucasand Kanade（LK）算法相结合的Point Net LK模型。该算法的突出优势在于其避免了2个点云中昂贵的点对应关系计算，在准确性方面，初始化的鲁棒性和计算效率方面相较于传统最近点迭代算法具备更好优势。
美国Google公司结合基于采样的路径规划与强化学习算法，提出了一种用于远程导航任务完成的分层方法，概率路线图强化学习（PRM-RL）算法。PRM-RL算法首先通过强化学习算法实现短距离的点对点导航策略选择，以在对大规模拓扑地图结构无先验知识的条件下捕获机器人动力学和任务约束；再利用基于采样的路径规划方法对短距离的点对点导航策略进行连接，以生成全局路线图。算法利用概率路线图实现基于采样的路径规划，同时在连续状态和动作空间中通过基于特征的深度神经网络搭建强化学习模型。
德国弗莱堡大学对机器人路径规划的迁移学习算法展开了讨论，提出了一种后继深度强化学习算法。算法假设在不同强化学习任务下，环境的动态特性是保持不变的，因而可以通过特征在不同任务中出现的情况，在奖励函数中设定奖励权重向量，实现不同任务之间的迁移学习。在解决第一个任务实例后，算法即可大大减少了所需的学习时间，使其很容易适应不断变化的环境。
根据以上研究可以看出，随着人工智能技术的爆发式发展，深度学习、强化学习等算法在点云图像提取和路径规划中的应用也得到越来越广泛的重视。但考虑海底地形匹配导航系统作业环境的特殊性，现有算法在应用到海底地形匹配导航过程中仍存在一定问题：
⑴与以三维特征表示目标物体的传统点云图像提取、分类任务不同，海底地形区域平缓且往往不具备明显特征；同时，多波束声呐等海底地形感知设备受海洋混响、海流干扰、载体运动等影响，测绘结果中易产生明显的地形畸变现象，这都将对基于机器学习算法的点云图像提取、分类方法带来严峻的挑战。
⑵海底地形匹配导航精度与海底地形起伏程度虽呈正相关关系，但关系非线性且难以量化，因而如何在强化学习算法框架的奖励函数中合理考虑海底地形起伏程度是强化学习算法应用到海底地形匹配导航过程所面临的巨大挑战。
三、地形匹配导航技术展望
目前，海底地形匹配导航技术向高鲁棒性、长航程方向发展。美国、挪威等海洋强国均已实现海底地形匹配导航技术在水下无人系统的列装，并开始逐步探讨激光测距传感器在海底地形匹配导航的应用。可靠、精确的水下激光测距传感器弥补了声学导航需向外部发射声脉冲的缺陷，大大提升了海底地形匹配导航系统的隐蔽性，可以预期，实现水下激光测距传感器列装后，国外水下无人系统将可通过海底地形匹配导航执行数千公里的精确远程投送和局部战场介入，且由于水下无人系统无需依赖外部设备辅助同时不主动发射声学信号，在整个远程投送过程中将难以被发现及追踪。
我国海底地形匹配导航研究仍主要停留在实验室阶段，且主要以多波束声呐、单波束声呐等声学传感器为环境感知设备，在海底地形匹配导航技术的可靠性、隐蔽性和实用程度等方面距离国外仍存在较大差距。为提升我国水下无人系统的海底地形匹配导航能力，主要提出以下3点建议。
⑴发展高精度水下激光测距地形测绘设备。高精度水下激光测距传感器的研发是解决海底地形匹配导航技术实用性的关键手段之一，传统多波束声呐等通过发射声脉冲测绘海底地形，极易暴露AUV自身位置信息，因而利用水下激光测距传感器取代声学传感器也是海底地形匹配导航技术在导航隐蔽性方面发展的必然选择。当前水下激光测距传感器仍存在看不清、看不远、对水质要求较高的问题，导致其目前主要应用于由遥控水下机器人搭载完成对大坝等人造结构物的近场观测。同时，水下激光测距传感器应用于深海探测时，水体和其中的悬浮粒子对光线会产生吸收和散射效应，导致光线传输距离降低，并含有大量的散射粒子，对光条中心的正确提取造成较大的干扰。因而，需进一步增强高精度水下激光测距地形测绘设备的探测距离与可靠性，才能真正实现AUV的隐蔽海底地形匹配导航。
⑵发展不依赖高分辨率先验海底地形图的可靠、精确海底地形匹配导航算法。随着燃料技术的不断发展，AUV续航水平得以不断提升，以美国为例，其Echo Voyager重型AUV续航力已达到1.2万公里。地形匹配导航方法中，AUV通过单波束/多波束声呐实时采集海底地形信息，并与AUV机载计算机存储先验海图各位置地形进行相似性比对，从而估计AUV位置信息。因而，高精度的海底地形匹配导航结果依赖于高分辨率、高置信度先验地图信息。但现有公开全球通用海底地形数据平均分辨率仅为420m，同时地图中单波束、多波束声呐实测高置信度地形数据占比较低，大量深远海域海底地形数据均利用重力反演、插值甚至数值拟合等方法获得，地形数据置信度受到严重影响。由于大范围高分辨率先验海底地形图获取极为困难，摆脱对高分辨率先验海底地形图的依赖是海底地形匹配导航向长航程导航发展的重要前提；同时，海底地形趋于平缓易导致海底地形匹配导航结果发散，只有提供海底地形匹配导航系统鲁棒性才能解决其在实际海洋环境下的可靠性问题。常见提高海底地形匹配导航鲁棒性的技术研究主要集中在更准确的匹配结果和更鲁棒的导航数据融合结果方面，前者要求AUV能够在平坦的海底地形中（或者说是高度自相似的海底地形中）准确找到自身位置，通常通过融合地形、地貌、水文等多种数据的匹配算法得到；后者则要求AUV能够实时估计自身参考导航系统（通常是惯性导航系统）的导航结果不确定性，从而在融合惯导结果与匹配结果的过程中能够赋予匹配结果合适的权重。
⑶通过机器学习、类脑智能和行为学仿生等领域的深度学科交叉趋势提升海底地形匹配导航的导航精度、计算效率和鲁棒性。目前粒子滤波器是最适合处理非线性、非高斯系统状态估计问题的滤波方法，也是处理地形匹配导航状态估计的最佳方法，但其性能改进也已进入瓶颈，在海底地形匹配导航算法中引入机器学习、类脑智能、行为学仿生等新技术有望实现导航算法性能的弯道超车。其中，仿生导航技术是一种模仿、借鉴动物导航本领的新兴导航技术。传统导航技术大多数情况是在几何空间内研究导航问题，关注对导航参数的精确测量。然而，自然界中大多数动物往往不具备对导航参数精确测量的能力，但它们仍然能够完成各种复杂的导航任务。与常用的导航技术相比，除了导航传感器层面的差别外，仿生导航技术最大的特点是可以综合利用几何空间内的导航信息与拓扑空间内的导航经验知识、导航拓扑空间关键节点的引导指令等，从而得到面向任务的导航指令集，然后按照某种导航模式引导载体运动。目前，随着动物行为学和生理学的研究成果不断涌现以及人工智能、微纳米制造、高性能芯片、计算机视觉等相关技术的发展，仿生导航技术的研究已经得到了有力支撑，如经典的类脑导航系统Rat SLAM的变种Dolphin SLAM已经在外场试验中实现了AUV不依赖先验地图的海底地形匹配导航。但目前机器学习、类脑智能、行为学仿生等技术受限于AUV机载计算机的运算能力，相关研究仍主要停留在数值仿真和实验室阶段，尚未得到大规模实装应用。下一步需进一步精简相关算法计算复杂度，通过可编程门阵列（FPGA）技术开发专用芯片，实现机器学习、类脑智能、行为学仿生等前沿技术在AUV海底地形匹配导航领域的实装。
四、结论
海底地形匹配导航是近年来吸引了世界范围内广泛研究兴趣的一项重要研究方向，本文对基于相关性的地形匹配算法和基于滤波的地形匹配算法进行了全面分析，并探讨了低成本激光测距传感器、低分辨率先验地图下的长航程地形匹配导航技术、高鲁棒性地形匹配导航技术和机器学习技术地形匹配导航算法等海底地形匹配导航前沿方向研究进展，得到结论如下：
⑴随着海底地形匹配导航技术朝着高鲁棒性和远距离导航的方向发展，传统的多波束声呐可能会被水下激光测距传感器取代，成为某些工作场景中的关键传感设备，同时海底地形匹配导航技术的发展在准确性、保密性和实用性方面仍有很大的发展潜力。
⑵由于大规模海底地形图获取极为困难，依托于当前低分辨率、低精度全球性海底地形图的长航程海底地形匹配导航是推动海底地形匹配导航走向实用化面临的主要挑战之一，通过多源环境感知信息融合实现鲁棒地形匹配和海底地形匹配与惯导系统融合是解决该问题的可行途径。
⑶计算机技术的不断发展，使得类脑智能等人工智能手段逐渐成为实现海底地形匹配导航的重要方法，通过此类技术的引入有望突破滤波器技术在海底地形匹配导航精度和鲁棒性提升方面存在的瓶颈。
本文详述了海底地形匹配导航的关键技术、发展方向和未来展望，但目前所述所有研究均依托于先验海底地形图开展。同步定位与建图（SLAM）技术可以实现AUV在未知海洋环境下的精确导航与海底地形图同步构建，主要解决AUV在一定区域内执行地形测绘过程中的精确导航问题，这也将是水下导航领域未来的发展方向。
转自“溪流之海洋人生”微信公众平台编辑与整理：海洋论坛▏AUV海底地形匹配导航方法综述
地形匹配导航最早应用于“战斧”巡航导弹等飞行器，通过实测地形数据与先验数字地图的相关性分析，估计飞行器当前位置信息，其原理见图1。随着多波束声呐等高精度地形测绘装备的发展，海底地形实时精确获取技术不断成熟。由于无累积误差且无需水声基阵等外界传感器辅助等特点，海底地形匹配导航已经成为各国水下导航方法的研究热点。
近年来，美国、英国、欧盟等国家或组织纷纷提出相关海洋建设规划。2019年，欧洲海洋局在《展望未来V：海洋十年的建议》报告中提出，未来急需水下潜器在深海生物观察任务方面取得进展，而海底地形匹配导航是解决AUV深海生物观测过程中长期精确导航问题的最可靠手段之一。2020年，英国国家海洋中心在发布的《国家海洋装备技术路线图》中提到，为实现AUV在北极冰下穿越过程的精确冰下导航，高精度的地形匹配导航系统是一个主要研究方向。同年，美国国防部在《设计具有更大自主性的无人系统》中点明，美国海军通过对海底地形匹配导航等手段展开研究，实现AUV的长距离航行和自主规划控制，以提升AUV无需GPS辅助导航的精确局部战场干涉能力和智能化水平。
从上述海洋发展规划中可看出，无论是海洋生态保护、海洋资源开发或海洋军队建设，海底地形匹配导航技术都发挥着重要作用，各国的战略规划和资金投入也促进了该技术的迅速发展。本文针对AUV海底地形匹配导航技术展开综述，首先简述了地形匹配导航技术的发展现状和目前关键技术研究情况，其次分析了海底地形匹配导航技术当前的研究前沿方向及其相关研究进展，最后本文给出了对海底地形匹配导航技术未来发展和应用方向的展望。
一、地形匹配导航技术研究概况
⒈发展现状
与飞行器地形匹配类似，当AUV穿越地形适配区时，利用多普勒测速仪（DVL）、单波束测深声呐和多波束测深声呐等测深传感器测量机器人下方的测点深度，并与压力计获得的深度值相加得到测点的地形高程值，见图2；同时，通过地形匹配算法与预先存储的参考地形高程地图对比，从而确定AUV最佳位姿。美国、英国、瑞典和加拿大等国家在海底地形匹配导航方面已做了大量研究。
⑴在美国海军研究办公室的支持下，罗德岛大学研发了搭载地形匹配导航系统的海底智能浮标，通过外场试验回放仿真结果表明，在无连续超短基线（USBL）声学导航信息条件下，地形匹配导航可有效估计浮标的漂移轨迹。同时，在与水下摄像机采集到的水下光学信息进行融合后，可以获得接近超短基线导航的浮标轨迹估计结果。
⑵英国南安普顿大学以Autosub6000 AUV为试验载体，以条带状地形为先验地形图开展海底地形匹配导航试验。此外，研究人员还利用3700m水深，总航时77h，总航程195km的长航程数据进行地形匹配导航技术的验证试验，在每一个验证任务中都进行了20次蒙特卡洛试验且全部收敛，表明了地形匹配导航技术在长航程、大潜深AUV导航中具有很大的应用潜力。
⑶瑞典皇家工学院NYGREN教授团队建造了AUV62和Sapphires2种型号的AUV，两者均采用基于相关性的地形匹配导航系统，其主要差别在于地形测量设备，前者使用多波束声呐，而后者则选用合成孔径声呐。65km的海试实验证明了两者地形匹配定位误差均小于10m。
⑷加拿大纽芬兰纪念大学设计了适用于水下滑翔机的海底地形匹配导航系统。为减少长时间作业的能量消耗，该系统以单波束声呐作为海底地形感知设备，在海上2h的试验中，海底地形匹配导航算法均方根误差分别收敛至76m和32m，远优于推算导航误差的190m和90m。
此外，挪威国防研究中心以HUGIN系列AUV为载体，对采用多波束声呐或多普勒测速仪为海底地形测量设备的系统进行了试验，均取得了有益成果。韩国浦项大学设计了利用前视成像声呐采集海底地形信息的开架式遥控水下机器人（ROV）“Cyclops”，通过海上试验对地形匹配导航系统精度进行了验证。
从上述研究中可以发现，多普勒测速仪、单/多波束声呐、合成孔径声呐和前视声呐等传感器都可用于采集海底地形信息，但考虑到传感器特性、地形特性以及AUV的工作需求，目前单/多波束声呐的应用较为广泛。单波束测深具有数据处理简单、实时性好、功耗低等优势，但其信息获取少、扫测效率低；多波束测深在测量速度、地形信息丰富度、特征准确度等方面的性能较好，但功耗和机载的设备要求也随之提高。未来海底地形匹配导航的发展应结合不同传感器的优缺点，研究多传感器条件下的地形匹配导航方法。
⒉关键技术研究
不同于陆地环境，海洋环境极其复杂。在海底地形测量时，AUV载体小，且受到海流运动的影响，处于不规则运动状态。这给导航系统带来了极大的挑战。AUV海底地形匹配导航系统主要由参考导航单元、地形测量单元、测深数据后处理、数字地形图（DTM）、地形匹配单元组成，其中地形匹配单元是导航系统的核心。地形测量单元除换能器外还包含多种辅助传感器，因此，多波束测深的数据质量受到多方面影响。为了降低数据噪声影响，实时测深数据后处理需要对数据进行野值剔除、潮位修正、波束选择、声线追踪和补偿等。DTM是计算机中预先存储的数字化先验海底地形数据。在AUV海底地形匹配导航系统中，DTM是一定区域内的水深数据，它以离散化网格的形式存储，相邻网格节点间距为地图分辨率。地形匹配算法则将实时测深数据和参考导航单元指示位置附近的DTM数据对比，从而确定AUV位置，是地形匹配单元的核心步骤。
地形匹配主要包括基于相关性的地形匹配算法和基于滤波的地形匹配算法，根据匹配算法不同，相应地形匹配系统结果也不同。如图3所示：基于相关性的地形匹配主要是通过对比当前一段时间内累积实测海底地形图和DTM相似性估计AUV位置，其中参考导航系统仅用于构造累积实测海底地形图时确定AUV在各个时刻相对位置；基于滤波的地形匹配算法中AUV通过参考导航系统对自身位置进行先验更新，随后通过当前时刻实测海底地形与DTM的对比完成后验更新，实现对AUV位置估计。本文从基于相关性方法和滤波方法对匹配导航算法进行回顾。
⑴基于相关性的地形匹配算法
基于相关性的地形匹配算法发展于航空领域，其中最著名的是由英国宇航公司研制的地形剖面匹配（TERCOM）系统。TERCOM经过多年的发展，衍生出许多类似的方法。相关性地形匹配算法中的状态方程和观测方程实质是非线性参数估计方程。极大似然估计（MLE）是一种重要的参数估计方法，在系统辨识以及机动目标跟踪中得到了成功的应用。MLE将参数估计的问题转化为求极大似然概率的问题，对水下地形匹配具有很强的适应能力，由于其对状态的先验信息要求不高，对初始定位误差不敏感，因而特别适用于低采样频率下的基于多波束测深的地形匹配。NYGREN等将极大似然估计方法应用于水下地形匹配导航中，并在AUV62F上完成了海上试验。为了解决地形匹配导航过程中相关性计算的时间消耗问题，TRAUGOTT等提出基于现场可编程门阵列（FPGA）的地形匹配相关性算法，将匹配时间减少了约100倍。
ZHANG等改进了传统TERCOM算法的相似性评价方法，提出了匹配区域的选择策略和基于固定阈值的线匹配与曲面匹配的一体化地形匹配算法。与基于胡矩的水面/水下匹配算法相比，该算法能够获得更精确的定位结果，并具有更强的鲁棒性。对于大量的地形观测数据而言，MLE是渐进有效的，在满足某些正则条件下，MLE具有无偏特性和高斯分布概率密度函数，并可达到Cramer-Rao下界。另外，当多波束声呐各波束测量误差不相关且误差协方差相同时，MLE被退化成为最小二乘估计（LSE）用于地形特征相关性分析。与MLE相似，CHEN等提出了最大后验估计（MAP）的海底地形匹配算法，该算法融合了预估计量的先验概率密度函数，并扩充了优化的目标函数。相比于MLE，MAP算法提高了地形匹配定位精度，但其考虑了匹配定位过程的先验概率密度函数（PDF），计算量增大，实时性差于MLE方法。
迭代最近点（ICP）算法在点云匹配中可以完全利用几何形状或网格等信息分析相关性完成匹配，不需要预测关联度，只需执行刚性变换-最近点确定-刚性变换的迭代过程，是相关性匹配算法的另一种表现形式。而在ICP算法中，迭代最接近轮廓点（ICCP）在水下地形匹配中应用最为广泛。ICCP不要求AUV保持直线航行，但系统需要精确地了解AUV的起始点，否则容易发生偏离或匹配完全失败。为了克服这一缺陷，WANG等在匹配过程中加入匹配原点，并且将整个匹配过程分为粗匹配和精匹配2个阶段，试验证明该算法能够很好地在实际海洋环境中实现匹配，并且具有较高的收敛精度。WANG等提出了多路径并行ICCP算法，该算法选择多波束声呐测深数据的中心点和边缘两侧的数据点组成的3条路径同时进行ICCP配准，有效地解决了惯性导航系统初始误差过大导致匹配发散的问题，获得了较高的定位精度。为提高ICCP算法在实际海洋环境中的鲁棒性，LI等分析了惯性导航系统精度、地图分辨率、初始INS误差、声呐精度和匹配路径长度等多个因素对水下航行器匹配误差的影响。当地形特征足够且搜索区域足够大时，基于相关性的方法即使在初始化定位误差很大的情况下也可以找到真实的匹配位置。但基于相关性的地形匹配方法属于典型的批处理方法，当AUV获得足够多的地形数据后才进行匹配运算，算法实时性差。
⑵基于滤波的地形匹配算法
与相关性方法不同，地形匹配滤波算法在整个任务期间只要测得海底地形数据就立即对其进行递归滤波，连续估计和修正参考导航系统的位置和速度误差，是一种在线地形匹配导航方法。随着海底测绘技术、计算机硬件技术、非线性估计理论的发展，地形匹配导航系统的滤波算法逐渐由线性化参数滤波算法向粒子滤波、质点滤波等非参数滤波算法发展。
最初的海底地形匹配导航滤波器主要采用以卡尔曼滤波器为基础的线性化滤波方法，但由于地形的强非线性、随机性以及测量误差的非高斯性导致系统线性化误差不可控，参数滤波器的导航精度和系统稳定性均不能满足AUV的任务需求。以粒子滤波、质点滤波为基础的非线性非高斯滤波器通过数值方法直接求解无解析解的后验贝叶斯估计，避开了系统测量误差高斯分布假设和系统线性化要求，提高了定位精度和稳定性。因而，在地形匹配导航滤波算法中，粒子滤波、质点滤波等非线性非高斯滤波器逐渐取代了参数滤波器。
KARLSSON等在Rao-Blackwellization粒子滤波器中引入克拉美罗下确界，有效提升了粒子滤波器的实时估计性能。KIM等将Rao-Blackwellization粒子滤波器用在单波束声呐海底地形匹配导航中，有效提高了初始不确定性较大情况下海底地形匹配导航系统的性能和可靠性。DONOVAN提出一种新的PF重采样技术，解决了样本容量不足的问题。TEIXEIRA等提出了混合粒子滤波和先验修正粒子滤波，2种算法均有效减轻了由地形自相似引起的滤波器发散问题，在地形重复度较高的海域表现出了良好的定位性能。LIU等提出一种采用模糊逻辑对地形梯度下的粒子分布方差进行动态估计的模糊粒子滤波器，通过仿真试验证明该算法在北极各种洋流干扰情况下仍具有良好的稳定性。
除了滤波算法外，国外学者在海底地形匹配导航的特征提取、特征匹配算法、测深数据处理等领域也进行了大量的研究。西班牙赫罗纳大学提出应用法线间差（DoN）对海底地形特征进行提取。DoN是一种多尺度的目标检测方法，该方法能够在无规则的三维点云数据中检测出存在剧烈变化的区域，并具备在较高观测噪声环境下的目标识别检测能力。瑞典皇家理工学院提出了PointNetKL神经网络，以用于地形特征匹配的匹配置信度估计，此网络可利用原始测深数据对通用ICP算法的地形特征匹配结果进行协方差估计，从而获取不同地形下地形特征匹配置信度，为海底地形匹配导航适配区域划分提供依据。英国水文局采用了机器学习算法实现了海底地形测深噪声剔除，该算法通过训练三维卷积神经网络对多波束声呐点云数据去噪，其基本思路类似于图像的语义分割，算法将二维图像分割问题扩展到三个维度，在这些维度上对测深点云进行像素级的二进制接受/拒绝预测，从而实现海底地形噪声点的识别与剔除。
相比于国外，国内海底地形匹配研究起步较晚，但近几年也得到了快速发展，研究方向主要集中在地形匹配算法的改进与应用。哈尔滨工程大学在地形匹配导航方面进行了大量的理论研究和仿真试验，提出了多传感器融合的地形匹配导航系统，并研究了基于适配性约束的地形匹配导航路径规划技术。张飞舟等和于家城等通过改进桑迪亚地形辅助导航（SITAN）方法，提出了基于跟踪-搜索模式的海底地形匹配算法。王可东等进行了海底地形匹配等值线算法研究，在仿真试验中有效减小了导航误差。此外，西北工业大学、东南大学、中科院自动化研究所等高校和机构在海底地形匹配导航方面也进行了大量研究并取得了有益的成果。
二、海底地形匹配导航研究前沿
⒈低成本激光测距传感器的应用
传统地形匹配导航依靠水下无人系统搭载单波束声呐、多波束声呐等声学传感设备，通过声脉冲的发射与接收实现海底地形数据获取。但传统地形匹配导航在声学手段获取海底地形高程数据的过程中所发射的声脉冲易被敌方单位侦听，其作业隐蔽性较差。相较于声学传感器，低成本激光测距传感器（如水下激光扫描系统等）应用于海底地形匹配导航中时具备精度更高、成本更低、隐蔽性更强等特点。如图4所示，尽管目前西班牙赫罗纳大学等研究机构开发的低成本光学传感器还存在对水质依赖严重、测绘距离过短等严重问题，但随着传感器技术的进一步发展，利用低成本激光测距传感器取代传统多波束声呐将是海底地形匹配导航的重要实用化发展方向。
⒉低分辨率先验地图下的长航程地形匹配导航
随着燃料技术的不断发展，AUV续航能力不断提升，如Autosub Long Range AUV（见图5）能够持续运行数月，一次部署可行驶数千公里，可以在地球上一些最偏远的区域中进行持续监视和数据收集。在长航程水下作业中，海底地形匹配导航是最为经济、隐蔽和有效的精确导航方法。国外众多研究机构如英国国家海洋中心、南安普顿大学、法国航空实验中心等均对长航程海底地形匹配导航展开深入研究。
英国国家海洋中心曾规划利用Autosub Long Range搭载4000米级多波束声呐，进行长约2000km的海底地形匹配导航验证试验，但由于现有高精度海底测绘任务耗费巨大，目前难以为长航程海底地形匹配导航全程提供高精度先验海底地形图，因而长航程海底地形匹配导航仍面临先验地图分辨率较低的挑战。
⒊高鲁棒性的地形匹配导航系统
地形匹配导航精度不仅由水下无人系统的运动与环境感知设备决定，同时受到海底地形起伏程度、海洋环境等因素的影响。由于海流冲刷侵蚀，海底地形趋于平坦且地形特征较为贫乏，同时受海洋混响、载体运动等影响，多波束声呐等海底地形感知设备存在较大的观测噪声，导致地形匹配导航在大部分地形平坦海域精度难以保障，鲁棒性受限严重。
葡萄牙里斯本大学、韩国船舶海洋工程研究所、美国麻省理工学院、蒙特利尔大学从滤波器/图优化等不同角度对地形匹配导航算法在面临匹配失效情况下的鲁棒性能进行了研究。但现有算法主要还是集中在对观测结果的被动处理，算法有效性仍依赖于海底地形起伏程度。因此，采用主动路径规划技术，驱动AUV主动前往地形特征明显区域进行高置信度地形特征匹配，才能真正提高海底地形匹配导航系统鲁棒性能，推进海底地形匹配导航系统的应用化进程。
⒋基于机器学习技术的地形匹配导航算法
深度学习、强化学习等机器学习技术在图像处理、路径规划等方面已经得到了广泛的研究。在海底地形匹配导航中，海底地形图像特征提取和海底地形匹配导航航线规划都会对地形匹配导航精度产生关键作用，利用深度学习、强化学习等解决海底地形匹配导航关键问题将是海底地形匹配导航的重要发展方向。
武汉大学利用深度卷积神经网络进行了基于机载激光扫描点云数据的数字地形模型地面点提取。算法将提取点云数据中具有空间上下文的点及其窗口内的相邻点并将转换为图像，然后将点的分类转化为图像分类进行处理。在经过训练之后，深度卷积神经网络模型可以学习操作员如何识别一个点是否为地面点。在错误率方面，该模型的性能优于典型的现有算法，这表明基于深度学习的方法在从点云中提取特征的巨大潜力。
针对三维点云数据的配准问题，美国卡耐基梅隆大学提出了一种将Point Net网络和Lucasand Kanade（LK）算法相结合的Point Net LK模型。该算法的突出优势在于其避免了2个点云中昂贵的点对应关系计算，在准确性方面，初始化的鲁棒性和计算效率方面相较于传统最近点迭代算法具备更好优势。
美国Google公司结合基于采样的路径规划与强化学习算法，提出了一种用于远程导航任务完成的分层方法，概率路线图强化学习（PRM-RL）算法。PRM-RL算法首先通过强化学习算法实现短距离的点对点导航策略选择，以在对大规模拓扑地图结构无先验知识的条件下捕获机器人动力学和任务约束；再利用基于采样的路径规划方法对短距离的点对点导航策略进行连接，以生成全局路线图。算法利用概率路线图实现基于采样的路径规划，同时在连续状态和动作空间中通过基于特征的深度神经网络搭建强化学习模型。
德国弗莱堡大学对机器人路径规划的迁移学习算法展开了讨论，提出了一种后继深度强化学习算法。算法假设在不同强化学习任务下，环境的动态特性是保持不变的，因而可以通过特征在不同任务中出现的情况，在奖励函数中设定奖励权重向量，实现不同任务之间的迁移学习。在解决第一个任务实例后，算法即可大大减少了所需的学习时间，使其很容易适应不断变化的环境。
根据以上研究可以看出，随着人工智能技术的爆发式发展，深度学习、强化学习等算法在点云图像提取和路径规划中的应用也得到越来越广泛的重视。但考虑海底地形匹配导航系统作业环境的特殊性，现有算法在应用到海底地形匹配导航过程中仍存在一定问题：
⑴与以三维特征表示目标物体的传统点云图像提取、分类任务不同，海底地形区域平缓且往往不具备明显特征；同时，多波束声呐等海底地形感知设备受海洋混响、海流干扰、载体运动等影响，测绘结果中易产生明显的地形畸变现象，这都将对基于机器学习算法的点云图像提取、分类方法带来严峻的挑战。
⑵海底地形匹配导航精度与海底地形起伏程度虽呈正相关关系，但关系非线性且难以量化，因而如何在强化学习算法框架的奖励函数中合理考虑海底地形起伏程度是强化学习算法应用到海底地形匹配导航过程所面临的巨大挑战。
三、地形匹配导航技术展望
目前，海底地形匹配导航技术向高鲁棒性、长航程方向发展。美国、挪威等海洋强国均已实现海底地形匹配导航技术在水下无人系统的列装，并开始逐步探讨激光测距传感器在海底地形匹配导航的应用。可靠、精确的水下激光测距传感器弥补了声学导航需向外部发射声脉冲的缺陷，大大提升了海底地形匹配导航系统的隐蔽性，可以预期，实现水下激光测距传感器列装后，国外水下无人系统将可通过海底地形匹配导航执行数千公里的精确远程投送和局部战场介入，且由于水下无人系统无需依赖外部设备辅助同时不主动发射声学信号，在整个远程投送过程中将难以被发现及追踪。
我国海底地形匹配导航研究仍主要停留在实验室阶段，且主要以多波束声呐、单波束声呐等声学传感器为环境感知设备，在海底地形匹配导航技术的可靠性、隐蔽性和实用程度等方面距离国外仍存在较大差距。为提升我国水下无人系统的海底地形匹配导航能力，主要提出以下3点建议。
⑴发展高精度水下激光测距地形测绘设备。高精度水下激光测距传感器的研发是解决海底地形匹配导航技术实用性的关键手段之一，传统多波束声呐等通过发射声脉冲测绘海底地形，极易暴露AUV自身位置信息，因而利用水下激光测距传感器取代声学传感器也是海底地形匹配导航技术在导航隐蔽性方面发展的必然选择。当前水下激光测距传感器仍存在看不清、看不远、对水质要求较高的问题，导致其目前主要应用于由遥控水下机器人搭载完成对大坝等人造结构物的近场观测。同时，水下激光测距传感器应用于深海探测时，水体和其中的悬浮粒子对光线会产生吸收和散射效应，导致光线传输距离降低，并含有大量的散射粒子，对光条中心的正确提取造成较大的干扰。因而，需进一步增强高精度水下激光测距地形测绘设备的探测距离与可靠性，才能真正实现AUV的隐蔽海底地形匹配导航。
⑵发展不依赖高分辨率先验海底地形图的可靠、精确海底地形匹配导航算法。随着燃料技术的不断发展，AUV续航水平得以不断提升，以美国为例，其Echo Voyager重型AUV续航力已达到1.2万公里。地形匹配导航方法中，AUV通过单波束/多波束声呐实时采集海底地形信息，并与AUV机载计算机存储先验海图各位置地形进行相似性比对，从而估计AUV位置信息。因而，高精度的海底地形匹配导航结果依赖于高分辨率、高置信度先验地图信息。但现有公开全球通用海底地形数据平均分辨率仅为420m，同时地图中单波束、多波束声呐实测高置信度地形数据占比较低，大量深远海域海底地形数据均利用重力反演、插值甚至数值拟合等方法获得，地形数据置信度受到严重影响。由于大范围高分辨率先验海底地形图获取极为困难，摆脱对高分辨率先验海底地形图的依赖是海底地形匹配导航向长航程导航发展的重要前提；同时，海底地形趋于平缓易导致海底地形匹配导航结果发散，只有提供海底地形匹配导航系统鲁棒性才能解决其在实际海洋环境下的可靠性问题。常见提高海底地形匹配导航鲁棒性的技术研究主要集中在更准确的匹配结果和更鲁棒的导航数据融合结果方面，前者要求AUV能够在平坦的海底地形中（或者说是高度自相似的海底地形中）准确找到自身位置，通常通过融合地形、地貌、水文等多种数据的匹配算法得到；后者则要求AUV能够实时估计自身参考导航系统（通常是惯性导航系统）的导航结果不确定性，从而在融合惯导结果与匹配结果的过程中能够赋予匹配结果合适的权重。
⑶通过机器学习、类脑智能和行为学仿生等领域的深度学科交叉趋势提升海底地形匹配导航的导航精度、计算效率和鲁棒性。目前粒子滤波器是最适合处理非线性、非高斯系统状态估计问题的滤波方法，也是处理地形匹配导航状态估计的最佳方法，但其性能改进也已进入瓶颈，在海底地形匹配导航算法中引入机器学习、类脑智能、行为学仿生等新技术有望实现导航算法性能的弯道超车。其中，仿生导航技术是一种模仿、借鉴动物导航本领的新兴导航技术。传统导航技术大多数情况是在几何空间内研究导航问题，关注对导航参数的精确测量。然而，自然界中大多数动物往往不具备对导航参数精确测量的能力，但它们仍然能够完成各种复杂的导航任务。与常用的导航技术相比，除了导航传感器层面的差别外，仿生导航技术最大的特点是可以综合利用几何空间内的导航信息与拓扑空间内的导航经验知识、导航拓扑空间关键节点的引导指令等，从而得到面向任务的导航指令集，然后按照某种导航模式引导载体运动。目前，随着动物行为学和生理学的研究成果不断涌现以及人工智能、微纳米制造、高性能芯片、计算机视觉等相关技术的发展，仿生导航技术的研究已经得到了有力支撑，如经典的类脑导航系统Rat SLAM的变种Dolphin SLAM已经在外场试验中实现了AUV不依赖先验地图的海底地形匹配导航。但目前机器学习、类脑智能、行为学仿生等技术受限于AUV机载计算机的运算能力，相关研究仍主要停留在数值仿真和实验室阶段，尚未得到大规模实装应用。下一步需进一步精简相关算法计算复杂度，通过可编程门阵列（FPGA）技术开发专用芯片，实现机器学习、类脑智能、行为学仿生等前沿技术在AUV海底地形匹配导航领域的实装。
四、结论
海底地形匹配导航是近年来吸引了世界范围内广泛研究兴趣的一项重要研究方向，本文对基于相关性的地形匹配算法和基于滤波的地形匹配算法进行了全面分析，并探讨了低成本激光测距传感器、低分辨率先验地图下的长航程地形匹配导航技术、高鲁棒性地形匹配导航技术和机器学习技术地形匹配导航算法等海底地形匹配导航前沿方向研究进展，得到结论如下：
⑴随着海底地形匹配导航技术朝着高鲁棒性和远距离导航的方向发展，传统的多波束声呐可能会被水下激光测距传感器取代，成为某些工作场景中的关键传感设备，同时海底地形匹配导航技术的发展在准确性、保密性和实用性方面仍有很大的发展潜力。
⑵由于大规模海底地形图获取极为困难，依托于当前低分辨率、低精度全球性海底地形图的长航程海底地形匹配导航是推动海底地形匹配导航走向实用化面临的主要挑战之一，通过多源环境感知信息融合实现鲁棒地形匹配和海底地形匹配与惯导系统融合是解决该问题的可行途径。
⑶计算机技术的不断发展，使得类脑智能等人工智能手段逐渐成为实现海底地形匹配导航的重要方法，通过此类技术的引入有望突破滤波器技术在海底地形匹配导航精度和鲁棒性提升方面存在的瓶颈。
本文详述了海底地形匹配导航的关键技术、发展方向和未来展望，但目前所述所有研究均依托于先验海底地形图开展。同步定位与建图（SLAM）技术可以实现AUV在未知海洋环境下的精确导航与海底地形图同步构建，主要解决AUV在一定区域内执行地形测绘过程中的精确导航问题，这也将是水下导航领域未来的发展方向。
转自“溪流之海洋人生”微信公众平台编辑与整理：海洋论坛▏AUV海底地形匹配导航方法综述
