利用增强现实标记模拟对无人水下飞行器的姿态估计

摘要

本研究提出了基于ROS–凉亭的单眼视觉框架，用于利用ArUco标记对自主水下载具进行姿态估计。估计姿势与模拟里程计数进行比较，显示出稳定的跟踪能力以及在受控条件下与地面真实高度吻合。

摘要

本研究提出了基于仿真的框架，利用单眼视觉系统在ROS-凉亭环境中对无人水下载具（UUV）进行姿态估计。RexRov2 UUV模型与ArUco_ROS集成，用于检测虚拟标记，并在模拟水下环境中估算位置和方向。采用透视点（PnP）方法进行姿态估计，比例积分导数（PID）控制器基于标记来源特征调节车辆运动。该系统通过将估计姿态与模拟器获得的真实里程进行比较来评估。在名义条件下，结果证明了稳定姿态估计，估计与真实位置及方向高度一致。该系统保持平稳的轨迹跟踪，波动极小，表明在受控环境中表现可靠。然而，在流体动力干扰增强时，系统会出现位置和方向的偏差，导致跟踪性能不稳定。这些结果凸显了经典PID控制在非线性水下环境中的局限性，并提示需要更稳健的控制策略。总体而言，该框架提供了一个安全、灵活且经济高效的平台，用于测试水下导航算法和评估模拟环境中的感知-控制集成。

引言

无人水下载具（UUV）常用于人类存在有限的场景，如海洋监测、勘探和石油工业。它们配备了先进的传感器，能够从复杂的水下环境中收集数据，这需要强大且经济高效的测试平台。包括使用ArUco标记的基于视觉的方法在内的仿真技术，为降低UUV实际部署风险提供了有效手段。

从第一款专用水下研究载具到现代自主水下载具，UUV的历史凸显了它们在科研、国防^和工业中的重要性。自主水下载具的发展进一步强调了在模拟环境中准确定位、导航和测试的需求 ^2,3。

图1展示了UUV模拟系统的传统架构。机器人操作系统（ROS）与凉亭模拟器的结合，提供了一个多功能的建模、控制和实时通信平台。ROS促进传感器、执行器和控制模块之间的高效通信，而Gazebo则提供真实的3D模拟环境，用于测试导航和控制算法^4,5。在此背景下，基于ArUco标记的方法通过精确检测和跟踪参考点来增强姿态估计⁶。

图1：UUV模拟系统的传统架构。图示展示了ROS–Gazebo框架内仿真、感知和控制组件之间的相互作用。请点击此处查看该图的放大版本。

多项研究推动了超外射线模拟、导航和^{感知技术的发展}。ROS–Gazebo框架在机器人建模中的适用性已被证明^4，该方法已通过UUV模拟器扩展到水下应用，用于多机器人和干预任务⁵。基于视觉的定位也通过结合ArUco标记与跟踪算法得到^改进。同样，通过先进的^{模拟平台实现}了水下任务的高保真模拟和监督，同时在有限环境中使用标杆进行稳固定位也已得到^演示。

这些技术发展辅以调查研究。水下导航和定位挑战的进展已被全面审查^10,11，商业和开源模拟平台系统性评估¹²。其他综述还考察了自主^水下载具的技术水平，以及多载^{体系统的编}队控制和通信策略。此外，稳健跟踪控制¹⁵和深度学习方法（如门控循环单元¹⁶）状态估计的进步，进一步提升了自主水下任务的可靠性。这些研究共同展示了在模拟、导航和无人载具智能控制的真实性方面取得了显著进展。

尽管取得了这些进展，但仍面临若干研究挑战。电流模拟器缺乏准确的传感器模型，尤其是在前视声纳和侧扫声纳系统方面。大多数平台仅支持单一AUV作战，多AUV协调和编队能力有限。传感器和动态模型的不准确可能导致性能不佳，环境干扰如电流和噪声在模拟器间难以一致地模拟。为解决这些局限性，本研究引入了基于ArUco标记的姿态估计的ROS–Gazebo仿真框架，以实现更准确的状态估计和对UUV导航算法的严谨评估。

本研究提供了三大主要贡献。首先，它采用了基于ArUco的单眼姿态估计方法，应用于水下ROS–凉亭模拟环境，采用RexRov2模型。其次，它分析不同扰动条件和控制场景下的姿态稳定性。第三，它指出了在动态扰动下非线性水下环境中经典PID控制的局限性。此外，这项工作将感知、控制和仿真整合为统一框架，弥合了此前独立处理这些组成部分的研究中的空白。

方案

1. 软件环境的设置

一台运行Ubuntu 20.04和机器人操作系统（ROS）Noetic的Linux工作站被用作实现水下自我定位系统¹⁷的主要开发平台。系统初始化时，创建了一个带有mkdir -p ~/catkin_ws/src的catkin工作区，然后用catkin_init_workspace初始化。uuv_simulator和aruco_ros包被克隆到源目录中，并用catkin_make命令编译，以支持水下干预建模。

通过启动默认水下世界并通过rostopic list命令确认主动通信，验证了ROS中间件与Gazebo 9模拟器之间的连接。图像处理和姿态估计节点采用Python 3.8实现，并集成了ArUco库，利用OpenCV计算相对姿态。ROS环境配置为管理依赖关系并支持实时数据通信，使机器人能够相对于多个人工标记进行^定位。该配置还使得在不同条件下评估标记检测性能成为可能。 图1 展示了ROS–凉亭环境中模拟、感知和可视化节点之间的通信。

2. UUV模型与流体动力参数化

RexRov2 车辆模型从uuv_descriptions包中获得，并在 Gazebo 上线，使用其统一机器人描述格式（URDF）文件⁵。该飞行器模型由连杆和接头组成，干质量为1863公斤，体积排水量为1.838^立方米，对应于密度为1000公斤/^立方米的水中近中性浮力。

利用uuv_underwater_object_plugin模拟了流体动力学效应，包括线性和二次阻尼力。新增的质量浪涌系数设定为779.79，阻尼参数根据报告的RexRov2特性校准，以模拟真实飞行器运动¹⁹。 图2 展示了整体仿真架构。

图2：仿真环境的整体架构。 图中展示了UUV模型、传感器输入、感知流水线以及用于姿态估计和导航的控制模块的集成情况。 请点击此处查看该图的放大版本。

3. 摄像机、标记和环境设置

一台单眼相机安装在rexrov2/camera_link画面上。相机参数设置为1280×720像素，30赫兹。相机配置文件中定义了内在参数，焦距为554.25像素，主点为（640.5,360.5）。

一个边长0.5米的固定垂直ArUco标记，从6×6_250词典（编号：582）中选取，坐标为（20.0， 0.0， -10.0）。模拟环境配置为水深10米，X方向恒流速度为0.1米/秒，采用/uuv_simulation_app/set_current_velocity ROS服务。使用0.8的光强以确保标记9的可见^性。图3展示了模拟的水下环境。

图3：凉亭9号的模拟水下环境。 环境包括RexRov2无人机、虚拟ArUco标记以及受控环境条件，如水深、照明和水流。 请点击此处查看该图的放大版本。

4. 姿态估计与导航控制

标记检测流水线通过ArUco ROS节点启动，该节点订阅了/rexrov2/forward_camera/image_raw主题。通过透视点（PnP）方法估算车辆姿态，以计算旋转矩阵（R）和平移矢量（t）相对于已知三维标记几何形状。

估计姿势通过静态变换发布器从摄像机帧转换为全局参考帧。PID控制器通过向/rexrov2/thruster_manager/input主题发送速度命令来调节飞行器运动。激增轴和上下舵轴的比例增益（Kp）分别设置为1500和2000，以确保跟踪性能稳定^。

5. 评估与真实比对

基于视觉的姿态估计与模拟轨迹之间的一致性通过uuv_gazebo_ros_p3d插件提供的/rexrov2/pose_gt主题进行了评估。基于ArUco的管道估计姿态与真实里程计数据进行了比较，以评估系统的稳定性和一致性。

评估通过轨迹比较和实时可视化进行，利用Rviz和rqt_plot监测位置（X、Y、Z）和方向（滚转、俯仰、偏航）。这使得在正常和扰动诱导条件下都能观察到偏差。

该研究侧重于定性和比较性评估。利用均方根误差（RMSE）进行定量评估被视为未来工作，将利用多次模拟运行来评估位置和方向误差。

6. 结果生成与可视化

Rviz 被用作三维可视化工具，用于监测 UUV 的轨迹和姿态。对/rexrov2/camera_link和/aruco_marker_frame坐标系进行了可视化，以评估车辆与标记²之间的空间关系。

rqt_plot工具用于实时生成飞行器姿态（滚转、俯仰、偏航）的图，使用/rexrov2/pose_gt和/aruco_pose主题。rosbag 记录命令用于捕获仿真数据，包括视频流和控制输入，进行定性分析。

模拟在理想视觉条件下进行，假设光线良好且浊度低。阿鲁科标志被认为保持无阻碍。流体动力阻尼效应采用简化系数建模，传感器噪声未被纳入。

结果

利用模拟水下环境评估了利用RexRov2无人机提出的ROS–凉亭系统。波形模拟环境（图3）提供了一个动态且可控的环境，用于评估基于标记的姿态估计系统。

图4 展示了检测到的ArUco标记与所得UUV轨迹之间的关系。基于ArUco标记检测的感知流程，成功实时检测并跟踪了受托标记。该感知流水线与RexRov2模型和PID控制器（见图5）集成，实现了相对于标记器的实时姿态估计。探测结果被用来通过透视点（PnP）方法估算车辆的相对姿态。

讨论

数值观察支持该框架在受控条件下的有效性。位置（约10^⁻2 米）和方向（约10^⁻² 弧度）的微小变化表明姿态跟踪稳定。这些结果表明ArUco标记为短距离定位提供了可靠的^参考。此外，仿真平台支持生成专门数据集以实现稳健的SLAM，支持在人工标记可能^不存在的环境中进行定位。

结果也凸显了经典PID控制在非线性水下环境中的局限性。缺乏适应性导致在动态扰动下出现超冲和不稳定性¹⁵。与基于自适应和基于学习的方法相比，如基于粒子滤波的估计¹⁶ 或利用视觉-惯性^{传感器集成的}自主对接系统，这一局限性更加明显。

表1 展示了RexRov2代理人在扰动条件下的位置估计。...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
ArUco 标记检测库	OpenCV	N/A（开源）	基于视觉的标记检测用于姿态估计
Gazebo 模拟器	Open Robotics	N/A（开源）	用于无人水下航行器测试的3D模拟环境
REXROV2 无人水下航行器模型	无人水下航行器模拟器项目	N/A（开源）	用于姿态估计实验的预定义无人水下航行器模型
机器人操作系统（ROS）	Open Robotics	N/A（开源）	用于通信和控制的中间件
RViz	Open Robotics	N/A（开源）	用于无人水下航行器模型和传感器数据的可视化工具
Ubuntu Linux（20.04 LTS）	Canonical Ltd.	N/A	支持ROS和Gazebo的操作系统
无人水下航行器模拟器包	挪威科技大学（NTNU）	N/A（开源）	ROS-Gazebo水下模拟框架