💻 computer science

Multi-AUV Marine Life Tracking with Single Hydrophone Payloads via a Hidden Markov Model Equipped Particle Filter

本文提出了一种多自主水下航行器（AUV）海洋生物追踪系统，该系统利用单水听器载荷和配备隐马尔可夫模型的粒子滤波器，实现了与传统多水听器 AUV 系统相比具有显著更低阻力和更高精度的解析声学定位。

原作者： Christopher Herrera, Kehlani Fay, Christopher Clark, Alberto Soto, Christopher Lowe, Mario Espinoza

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Christopher Herrera, Kehlani Fay, Christopher Clark, Alberto Soto, Christopher Lowe, Mario Espinoza

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，试图在一个充满浓雾的巨大游泳池中寻找一位特定的朋友。你的朋友戴着一个特殊的哨子，每隔 8 秒会发出一声短促、独特的“嘟嘟”声。你看不见他们，但你有一双极其灵敏的耳朵，可以听到哨声。

这篇论文介绍了一支研究团队，他们研究出如何利用一群水下机器人（AUV）来追踪这些“鸣叫”的海洋动物（如鲨鱼），这些机器人比之前的版本更小、更快、更便宜。

以下是使用简单类比对他们工作的拆解：

问题所在：“沉重背包”问题

在过去，为了寻找鲸鱼或鲨鱼，科学家使用携带了两个麦克风（水听器）在大型框架上的水下机器人。

类比： 想象一下，你正尝试穿着一个背着两个巨大扬声器的沉重背包去跑马拉松。这让你很难跑快，而且额外的重量会迅速消耗你的能量（电池）。
后果： 由于机器人又慢又重，它们无法跟上快速移动的动物。此外，如果动物游出了单个固定麦克风的探测范围，数据就会丢失。

解决方案：“轻量级集群”

研究人员提出了一种新策略：不再使用一个携带两个麦克风的大型机器人，而是使用多个小型机器人，每个机器人只携带一个微小、轻便的麦克风。

类比： 与其是一个背着沉重背包的慢跑者，不如想象成一个由五名短跑运动员组成的团队，每个人只带着一只羽毛般轻盈的耳朵。他们可以移动得更快，并一起覆盖更多的区域。
优势： 这些机器人线条流畅且速度极快，能够追逐高度活跃的动物，而不会产生过多的体力消耗或水阻（拖拽力）。

神奇的大脑：“侦探算法”

棘手之处在于，一个麦克风只能告诉你声音离你有多远，却不能告诉你声音来自哪个方向。这就像你听到汽车鸣笛，知道它在 100 米外，但不知道它是在你的左边还是右边。

为了解决这个问题，团队使用了一个配备了隐马尔可夫模型 (HMM) 的粒子滤波 (Particle Filter) 程序。

粒子滤波（“猜谜游戏”）： 想象向水中投掷数千个微小的、隐形的飞镖，每个飞镖都在猜测鲨鱼可能的位置。当机器人听到哨声时，程序会检查这些飞镖。如果一个飞镖所在的位置正是应该听到声音的地方，它就会保留下来。如果一个飞镖所在的位置是不应该听到声音的地方，它就会被移除。随着时间的推移，这些飞镖会聚集在鲨鱼真实的所在地附近。
隐马尔可夫模型（“行为侦探”）： 这是聪明之处。程序不仅仅是在随机猜测；它学习了鲨鱼实际是如何移动的。它知道鲨鱼通常不会瞬间移动或原地旋转。通过研究过去的鲨鱼运动轨迹，程序可以预测它们下一步最可能走的路径。
- 类比： 如果你在追踪一只狗，一个随机的猜测可能会认为狗可能出现在任何地方。但一个“行为侦探”知道狗很可能会去追球或跟随气味，而不是突然出现在城市的另一头。这有助于机器人更快、更准确地找到鲨鱼。

结果：效果如何？

团队通过两种方式测试了该系统：

真实海洋测试： 他们在加利福尼亚州长滩海岸追踪了一个静止的发射器（充当鲨鱼），以及一个在哥斯达黎加移动的发射器。
- 结果： 对于短途行程，系统的精度在 10 米左右（大约是一辆巴士的长度）。
计算机模拟： 他们使用来自 22 条白鲨数月追踪数据的真实数据，运行了一个大规模虚拟模拟。
- 结果： 即使在长距离和广阔区域内，系统仍能保持在 15 米左右的精度。

为什么“侦探”更胜一筹

研究人员将他们的“行为侦探”（HMM）与两种更简单的猜测方法进行了对比：

“随机游走者”： 假设动物向完全随机的方向移动。（这经常失败）。
“匀速”游走者： 假设动物以恒定的速度沿直线移动。（这还可以，但不是很好）。
“行为侦探”（HMM）： 这个赢了。因为它理解了鲨鱼的“习性”，所以即使机器人在一段时间内丢失了信号，或者数据很杂乱，它也能弄清楚鲨鱼的位置。

核心结论

这篇论文证明了，你不需要一个巨大的、昂贵的、缓慢的、带有沉重麦克风装置的机器人来追踪海洋生物。通过使用一群小型、快速的机器人以及理解动物行为的智能算法，科学家可以更准确、更持久地追踪动物，且对海洋环境的干扰更小。

该系统非常稳健，即使丢失高达 20% 的声音信号也不会失效；即使信号丢失高达 80%，它最终也能找到动物，尽管需要更长的时间来确定位置。

技术摘要：基于单水听器载荷的多 AUV 海洋生物追踪技术

问题陈述
追踪海洋动物对于理解其迁徙、行为以及气候变化的影响至关重要。虽然声学遥测可以通过发射器实现连续数据采集，但传统的固定式水听器阵列在动物移出覆盖范围时会面临高数据丢失率的问题。相反，使用水面船只进行主动追踪不仅劳动强度大，且空间分辨率有限。以往的自主水下航行器（AUV）解决方案尝试利用安装在大型框架上的多水听器载荷来定位发射器。虽然这种方法在到达角估计方面很有效，但沉重的载荷会产生显著阻力，从而降低 AUV 的速度、机动性和电池寿命，限制了其追踪高移动性动物的能力。此外，使用应答式发射器的替代方案需要定制的大型发射器，这仅适用于像鲨鱼这样的大型物种。

方法论
本研究提出了一种利用多个 AUV 的系统，每个 AUV 配备一个紧凑的单向全向水听器，用以定位声学发射器。该系统运行在假设发射器和 AUV 均保持在水面附近的条件下，从而实现二维状态估计。

距离估计： 由于在没有同步时钟的情况下无法直接测量飞行时间（TOF），系统通过分析连续信号检测间隔（ $\Delta t$ ）与发射器已知脉冲周期（ $T$ ）之间的差异来估计距离变化（ $\Delta r$ ）。TOF 的变化计算为 $\Delta TOF = \Delta t - T$ 。通过从已知初始距离开始累积这些变化，系统可以估计 AUV 与发射器之间的绝对距离。
基于粒子滤波的状态估计： 粒子滤波器融合来自多个 AUV 的测量数据，以估计发射器的状态向量：位置（ $x, y$ $x, y$ ）、朝向（ $\theta$ $θ$ ）、线速度（ $v$ $v$ ）和角速度（ $\omega$ $ω$ ）。
- 预测步： 使用三种运动模型将粒子在前向传播。
- 修正步： 根据观测到的距离及其变化率（ $\dot{r}$ ）在给定粒子预测状态下的似然度，更新粒子权重。
- 重采样： 对粒子进行重采样，以将计算资源集中在高概率区域。
运动模型： 本研究对比了三种不同的运动模型：
- 基准随机游走（Baseline Random Walk）： 在坐标上添加高斯噪声。
- 速度模型（Velocity Model）： 在线速度和角速度上添加高斯噪声。
- 隐马尔可夫模型（HMM）： 一种新颖的方法，其运动模型源自历史白鲨轨迹数据。HMM 假设动物在不可观测的行为状态之间切换，观测到的速度分别符合状态相关的 Gamma 分布（线速度）和 von Mises 分布（角速度）。

核心贡献
本文概述了五项主要贡献：

提出了一种利用 AUV 上的单个紧凑型全向水听器测量现有声学发射器距离的方法。
提出了一种新型的多 AUV 定位算法，采用了基于 HMM 运动模型的粒子滤波器。
利用真实海洋部署数据和扩展模拟实验对算法进行了离线验证。
通过对比分析证明，HMM 运动模型优于标准的速度模型和随机游走模型。
分析了系统在不同测量丢失水平下的收敛性与鲁棒性。

结果
系统通过三个数据集进行了验证：长滩（Long Beach）数据集（静态发射器，移动 AUV）、圣埃琳娜湾（Santa Elena Bay）数据集（移动发射器与 AUV）以及基于 124,000 条白鲨位置观测的大规模模拟数据集。

精度：
- 短期/真实世界： 系统在短期部署中实现了约 10 米 的均方根误差（RMSE）。
- 长期/模拟： 对于更大范围内的长期试验，RMSE 约为 15 米。
模型性能：
- 在长滩数据集（简单运动）中，所有模型的表现相似（RMSE 约为 4.4m 至 6.1m）。
- 在圣埃琳娜湾数据集（复杂运动）中，HMM 模型实现了最低的 RMSE（8.78 m），优于速度模型（12.31 m）和基准模型（11.22 m）。
- 在模拟数据集（大规模）中，HMM 模型显著优于其他模型，其 RMSE 为 13.62 m，而速度模型为 30.77 m，基准模型为 970.46 m。HMM 在处理两个可能交点之间的歧义时，能特别有效地维持多峰分布而不发生发散。
收敛时间： HMM 模型通常需要更长的收敛时间（圣埃琳娜湾平均 180 秒），相比之下，基准模型（27 秒）和速度模型（40 秒）较快；这是因为它在解决正确状态之前，会在歧义位置长时间维持粒子多样性。
鲁棒性： 系统在高达 20% 的测量丢失 下仍保持鲁棒（平均收敛时间约 44 秒，RMSE 约 15 m）。在达到 80% 丢失 时，性能呈梯度下降，尽管收敛时间和 RMSE 会显著增加。超过 80% 丢失后，性能急剧恶化。
深度假设： 通过与鲨鱼深度数据对比验证了二维假设，结果显示，在深度不超过 10.7 米时，在典型追踪距离内（如 <2.4 处，在 50m 处误差小于 2.4%），二维距离估计的误差可以忽略不计。

意义
本文声称，这项工作为沉重的多水听器 AUV 载荷提供了一种实用的替代方案。通过为多个 AUV 配备单个紧凑型水听器，该系统减少了阻力，从而提高了追踪高移动性海洋生物所需的更高速度和更佳机动性。通过集成拟合了历史动物行为的 HMM 运动模型，该系统提升了定位精度，尤其是在复杂的现实场景中。该系统证明，即使在存在显著数据丢失且无需专门大型发射器的情况下，也能实现准确的状态估计（约 10–15 m RMSE）。这种方法提高了数据采集的效率，并提供了一种更“隐蔽”的追踪方式，最大限度地减少了对环境和动物的压力，最终有助于识别需要保护的区域。