无人水面船(Unmanned Surface Vehicles，USV)，简称“无人船”，是一种可以自主执行任务的水上移动平台。无人船技术相较于传统载人系统的优点在于它不仅增强了执行任务的安全性，还提升了任务的可重复性，且有效减少了运营成本。更重要的是，无人船技术能够支持超出人类直接观察能力范围的远程操作，从而扩展了任务执行的可能性和效率，因而具有十分广阔的应用前景。无人船一般都配备了能应对各种应用需求的辅助子系统，以确保无人船能够有效执行导航及任务作业，图1展示了无人船上各个子系统的组成及其通常所包含的设备详情。
图1 无人船系统构成[1]
Fig.1 Unmanned vessel system component[1]
在材料科学及新一代信息与控制技术的推动下，人工智能和无人系统已经成为研究的热门领域，为渔业养殖水质监测、智能投饵技术、污染物清理及渔业资源调查等领域的研究工作开创了新的道路。近年来，智能浮标、水下机器人、智能无人机及浮动传感器平台等新型智能载体发展迅速，新技术的进步不仅提高了渔业领域中水质监测、智能投饵和污染物清理等任务的效率和精度，还有助于实现精准化的渔业管理，提升渔业资源的利用效率和可持续性。智能化技术发展促进了人们对渔业领域的深入认识，也为相关资源的开发及水域环境保护提供了新的可能性。传统的渔业研究通常需要借助浮标、调查船舶和潜标等作为作业基地，再配备必要的设备执行渔业资源调查和水产养殖的监控等活动。但是在面对恶劣的自然环境和复杂多变的水体环境时，以上传统水上作业平台通常存在明显的缺点及局限性。无人船通过其独特的设计和集成等关键技术，实现了远程控制和多样化任务执行的能力。因此无人船也成为当前海洋科学研究和渔业资源开发中不可或缺的工具。
无人船技术作为一个快速发展的领域，其将自动化、机器人和人工智能的进步整合到海上导航中，对包括渔业在内的各个部门都有重大影响。近几十年来，该技术已经从理论探索过渡到实际应用中，标志着海事行业的转型。在渔业领域，无人船技术为加强数据收集、生态系统监测和海洋资源的可持续管理提供了前所未有的机会。配备先进传感器的自主水面和水下航行器促进了对海洋生态系统和鱼类种群的详细研究，有助于更合理保护和管理实践。总之，无人船技术的发展和应用，将极大地促进渔业的智能化和可持续发展。
1 无人船发展历史
无人船起初主要在军事领域中发挥作用，大多应用于执行反水雷战、情报监视与侦察、攻击与防御作战和警戒巡逻等一系列战术支持任务。随着技术的不断进步，无人船的应用范围逐渐扩大，开始在民用领域承担起重要职责，如海洋环境监测、海事搜救、渔政监察，以及海洋渔业养殖与捕捞等。无人船作为一种新兴的海上无人系统，以其独特的优势和广泛的应用前景，正逐渐成为海洋科技领域的一个重要研究方向。根据无人船技术发展特点，基本可以划分三个阶段(表1)。
表1 国外无人船发展历程
Tab.1 Foreign development history of unmanned ships
时间time发展程度degree of development代表船只representative ship船舶特征ship characteristics用途purpose“二战”初期至“二战”后期无人船的雏形诞生阶段靶船和遥控船为主依靠船员远程操作海上作战20世纪90年代—21世纪初无人船初步具备自主能力美国“海上猫头鹰”X级,长3 m,最大航速45 km现代无人船开发的首次尝试,海上拦截,侦察21世纪初—今快速发展阶段美国“斯巴达侦察兵”舰队级,长11 m,最大航速50 km侦察,打击作战,反潜战,反水雷
第一阶段是自“二战”—20世纪90年代初，该阶段为无人船的雏形诞生阶段。在二战时期，无人船第一次被应用在实战中，最初只是作为一次性的制导武器使用。在第二次世界大战后期，为了提高在浅海雷区作业的效率，美国海军在登陆艇上配备了先进的无线电控制操舵装置，使登陆艇能够被远程操作。除此之外，登陆艇还安装了专用的扫雷火箭弹，用于探测和清除水雷，以保障航行安全和完成战术任务。这一阶段无人船技术得到了快速发展和广泛应用，代表船只主要是德国海军的FL-Boote遥控艇，该遥控艇最初设计用于装载炸药，以攻击盟军舰艇。然而，初期的无人驾驶船只，主要依赖于电缆传输的导航信号，或者由母船通过无线电进行远程操控，自主能力非常有限。
第二阶段自20世纪90年代—21世纪初，这一阶段是无人船的起步阶段。随着人们对无人船艇的了解日益加深，无人船在反潜作战、海上侦察监视及目标搜索等领域的潜力逐渐被发掘出来。1997年1月，由美国自主研发的“遥控猎雷作战原型艇”(remote mine-hunting operational prototype，RMOP)在海上扫雷演习中取得了显著的成果。在此次演习中，“库欣”号驱逐舰作为指挥舰，领导了演习的整个操作过程，成功地展示了RMOP的扫雷能力[2]。同一时期，美国Nav Tec公司研发出了在隐蔽性和配重能力上有显著提高，且具有侧扫声呐和摄像功能的“Owl MK Ⅱ”号[3]。该阶段无人船初步具备自主能力，并且形成了现代无人艇的基本技术特征。
第三阶段为无人船的快速发展阶段，自21世纪初以来，随着通信技术和人工智能等领域的技术进步，无人船的发展瓶颈得到了有效解决。无人船技术的进步包括但不限于航行自动生成与路径规划、通信技术、自主决策和避障技术、水面物标探测与目标自动识别技术等方面。目前，全球大约有50种不同类型的无人船平台，其中，军用无人船占据了约70%的比例，在军用无人船中，美国占据了显著的份额，约为50%。2008年，美国通用动力公司向美国海军交付了两艘专门被设计用于执行反潜作战任务的“港湾”级反潜无人船，增强了海军在对抗潜艇威胁方面的能力。2012年，美国又研发出了名为“食人鱼”的新型无人水面艇，该无人艇集成了多种先进功能，包括扫雷、探测及攻击潜艇的能力，大大扩展了无人船在军事方面的应用范围，同时也进一步证明了其在现代海上战斗中的重要性。
与美国和以色列在无人船研究方面的领先地位相比，中国虽然起步较迟，但发展迅速，近年来也取得了十分显著的进步。2008年，国内新光公司自行研发的“天象1号”无人船完成了下水试验并取得了成功(图2)，并且作为气象应急装备在“奥帆赛”期间提供了气象保障服务[4]。这标志着中国在自主研发无人船只领域取得了实质性进展，是中国在高科技海洋设备研发和应用中的一次重要里程碑，该无人船也为中国无人船技术应用于民用领域进行了有益探索。珠海云洲智能科技有限公司与哈尔滨工程大学等国内多所高校在无人船技术领域持续推进技术创新，处于行业前沿。珠海云洲智能科技有限公司是一家专注于无人船艇开发与制造的先锋企业，也是国内首家此类公司，该公司提供一系列适用于海洋调查的无人船产品(图2)，包括CS40P便携式多波束测量无人船、SE40多功能无人船及ME120全自动无人船平台等多种无人船型号。哈尔滨工程大学在无人水面船领域专注于运动控制和仿真技术的研究，涉及运动控制策略、目标检测算法及路径规划等关键技术[5]。此外，上海大学无人船团队研制了多个系列的“精海”无人船[6](图2)，这一系列无人船配备北斗导航系统，可实现完全自主定位、航迹线远程动态设定、航迹自主跟踪和障碍物自主避碰等技术，并成功应用于国家海洋局、中国海事局等单位，执行东海、黄海和南极等海域的任务[6]，该系列无人船被应用于岛礁探测、环境监测和地质调查等多种任务，显示了其广泛的应用范围和重要性。另外，华中科技大学工业技术研究院研究出了应用于无人机与无人船配合及多船协同方面的“HUSTER”系列无人船(图2)。除此之外，图2还展示了国外代表性无人船。
图2 国内外代表性无人船
Fig.2 Representative domestic and foreign unmanned vessels
2 无人船关键技术
水面无人船涵盖的技术领域非常广泛，除了具有传统的船舶技术之外，现代的无人船只还涵盖了基于多个传感器的智能化监控系统、自动避碰系统[7]、高度可靠且具备高冗余的数据传输系统[8]、电子海图系统和智能机器人系统[9]等一系列智能化技术。此外，无人船还涉及一直备受瞩目的物联网和大数据等技术。无人船自主驾驶技术的实现有四大关键部分构成——环境感知、路径规划、目标分析和编队控制，图3展示了其实现流程。
图3 无人船自主驾驶技术流程
Fig.3 Flow chart of unmanned vessel driving technology
2.1 环境感知技术
环境感知技术是智能无人驾驶系统的关键，该技术通过利用雷达系统和传感器等设备来探测和收集周围环境信息，从而获得无人船所处水域环境与周围静、固态物体的相对距离，无人船的运动状态及运动角度等多种信息，环境感知技术是确保无人驾驶过程安全和有效操作的关键技术之一。无人船的环境感知技术从较广泛范围看可分为两种主要类别：一是对自身状态的感知；二是对外部环境的感知。
无人船的工作环境具有变化性和高动态等特点，故船体自身状态也会随着周围环境的改变而发生变化，因此无人船的本体状态感知是确保其稳定航行的关键，在航行过程中，船体状态主要包括无人艇的运动状态信息(如航向角、位置和船速等)及姿态信息(如横倾角、纵倾角、横摇、纵摇和升沉幅度等)。随着全球导航卫星系统(GNSS)和惯性导航系统(INS)的发展，无人船的定位、速度和姿态控制技术已经取得了显著进步。在无人船船体运动状态的相关研究中，Onunka等[10]提出了一种结合四元数和方向余弦矩阵(DCM)的方法，集成GPS和INS传感器，以实现无人船的精确位置和姿态测量。Xia等[11]应用GNSS/INS组合导航测姿系统于无人船，并结合粒子滤波(PF)和无迹卡尔曼滤波(UKF)，提出了一种改进的非线性无迹粒子滤波算法，旨在加强导航系统的精度和鲁棒性。
外界环境感知涉及无人艇基于其特定任务需求对环境中特定类型信息的获取能力，主要包括对障碍物、气象状况及水文条件的全面了解。根据信息获取方式，无人艇的外界环境感知可以被划分为3种类型：主动式感知、被动式感知及融合式感知。主动式感知依靠自主设备独立收集和感知周围环境信息，无需其他智能技术或人工干预；被动式感知则是一种共享型感知方式，主要通过通信技术获取其他设备收集到的信息，或依赖人工输入和处理的环境数据；融合式感知是将上述的两种方法结合起来，形成一种综合性的感知策略。在无人艇对外界环境的感知过程中，与早期采用单一传感器获取信息的方式不同，目前大多数无人船利用多传感器融合技术来实现其对周边环境的感知和目标探测。表2列出了几个国家具有代表性的无人船及其采用的环境感知技术和具体用途。
表2 国内外无人船环境感知技术
Tab.2 Environment sensing technology applications of domestic and foreign unmanned vessels
无人船名称name of unmanned vessel国家country环境感知技术environment sensing technology用途purpose天行1号中国可见光、雷达、红外摄像头、声呐多功能船只海翼1号中国雷达、光电系统、北斗系统、航行姿态传感器军事侦察、武装打击Spartan Scout美国侦察(ISR)和监视系统、视觉和红外传感器、GPS系统军事侦察、武装打击Springer[12]英国测速仪及深度传感器、罗经、GPS系统污染物追踪检测、环境监测MUNIN挪威物标自动检测、岸基信号传输系统、GPS系统远洋货物运输UMV Series[13]日本声呐、水下摄像机采集海洋、大气的生物地球化学和物理参数Protector[14]以色列光电监控系统、瞄准系统、雷达、GPS系统军事侦察、武装打击、反潜作战Delfim[15]葡萄牙水下定位装置、声呐、差分全球定位系统(DGPS)海洋数据采集、海底测量Morvarid[16]伊朗GPS系统、惯性测量装置(IMU)、激光测距雷达、超声波传感器、立体视觉系统和单波术回声测深仪水文信息测量,环境监测
2.1.1 主动式环境感知技术 主动感知技术涉及信息的采集和处理两个关键步骤。信息采集主要依赖于系统搭载的各类传感器，利用传感器主动收集环境数据。采集到的数据经过预处理，转换成机器可识别的电子信号，随后传输至数据处理单元。在数据处理单元中，这些信号经过进一步的计算、分析和综合，最终形成对环境的全面认知。主动感知技术一般适用于小型无人船，应用范围还比较受限。目前，无人船使用的主动式感知设备主要分为两大类别：雷达和声呐。
雷达传感器作为主要的主动式感知设备之一，其独特优势在于能提供全天候覆盖的全景图像；雷达的电磁波探测对海洋生物和生态环境造成的影响极小，相对于声呐的声波可能对某些海洋生物产生较大干扰和影响，雷达在环境保护方面更具优势。此外，船舶的雷达系统在空气中工作，因此能够完成远距离(数十到数百公里)的目标探测，该特点使得雷达系统多应用于远程导航和监控大范围的海域。目前把无人船作为载体、各类型雷达作为感知手段的研究较多(表1)。但是雷达系统在无人船上的应用面临着稳定性和目标检测能力的挑战，此外，雷达能够进行障碍物检测，但其预测距离范围和准确性仍然是需要解决的问题。
声呐作为另外一种重要的主动式环境感知技术，现阶段广泛应用于对水下目标、地形和鱼类的探测[17]，如对暗礁、鱼群和鱼雷等的探测效果较好。与雷达不同，声呐的具体探测距离通常取决于声呐类型(主动声呐或被动声呐)和水体环境，而雷达的探测距离受天气条件和目标特性的影响较小。但在复杂海况中，无人艇使用声呐系统时，所获得的图像通常具有低分辨率和狭窄的重叠区域，这些特性使得声呐图像难以进行有效拼接，或拼接后的图像会出现严重失真。为解决以上问题，Li等[18]提出了一个基于改进的SIFT(sonar image mosaicing algorithm)算法的无人艇声呐图像拼接方法，传统的SIFT算法虽然在图像匹配领域表现出色，但其高维特征描述子导致了较大的内存占用和计算复杂度，该算法的核心在于对传统SIFT算法的改进，以适应声纳图像的特殊需求。声呐系统虽然被广泛应用，但也不可避免地存在一些缺点，如价格昂贵，扫描范围受限，同时容易受到周围噪声的干扰，导致杂波产生(表3)。
表3 主动式环境感知技术研究
Tab.3 Research on active environmental sensing technologies
类别category方法method应用application相关文献related literature连续波雷达开发了无人船的动态性能和环境感知分析模型,实现无人船的自主避障功能Onunka等[19]雷达radar激光雷达主要用于船舶避碰和精确操作Jimenez等[20]4G固态雷达和激光雷达主要应用于内河无人测量船航行环境感知余必秀[21]微米DST(digital sonar tech-nology)声呐基于模糊控制技术和势场法的创新型避障方法,适用于小型化、低成本无人船的避障行动Chen等[22]声呐sonar基于声呐系统的“SI-PENY”海洋管理系统用于鱼群探测以及溢油检测Meuthia等[23]紧凑型侧扫声呐和测深声呐结合无人机图像实现了对锡罗斯岛岸线数字表面模型的绘制Nikolakopoulos等[24]
雷达和声呐系统在无人船的环境感知技术方面虽然各有独特优势，但也存在一些共同的优势。如两者都具有较高的探测精度。雷达能够精确地确定目标的方位和距离，在近距离内表现尤为出色。声呐在水下环境中同样能够提供高精度的目标定位和识别，特别是在静止或低速状态时。此外，雷达和声呐都能提供实时的监测数据，帮助船只在航行过程中做出及时的决策。这种实时性对于应对突发情况和环境变化至关重要。
2.1.2 被动式环境感知技术 利用机器视觉的无人船环境感知是被动式环境感知技术的主要形式之一[25]，主要包括单目视觉、多目视觉和红外视觉等，其最显著的优点是直观高效。无人船在没有外部引导的情况下，能够实现对水上目标的识别、跟踪和检测，这一技术领域是近年来机器人学和机器视觉研究的热点。由于无人艇作为一种运动载体，其所处的海面环境气象条件多变，因此其视觉感知技术面临着诸多挑战，如图像去雾处理、摄像头与探测目标的相对稳定性，以及目标识别等问题。近年来，许多学者在以上问题上都提出了相关的解决方案(表4)。
表4 被动式环境感知技术研究
Tab.4 Research on passive environmental sensing technologies
方法method国家country研究创新research innovation缺点shortcoming文献reference基于暗通道和亮通道先验理论的去雾方法中国加强了对于海雾图像去雾的有效性与针对性,进一步减少人工在算法中的参与部分受恶劣环境因素影响,无人船无法保持长时间稳定航行状态时,该算法的实时性会降低唐云鸢[27]边缘信息融合的直方图均衡化算法中国能够重点应用于欠曝光或过曝光的海面可见光图像的细节增强算法的实时性分析能力不足丁畅[28]基于机器学习的无人船目标识别系统中国能够同时识别多种不同的目标物,有效提高了识别率和降低了虚警率机器学习算法和HAAR特征提取可能需要较高的计算资源,限制了系统在计算能力有限平台上的应用刘雨青等[29]用于环境感知的全方位云台摄像机目标识别美国引入了“存在概率”的概念,以评估目标的真实存在性,并据此触发警报条件在极端海况或复杂背景下的性能尚未充分验证Wolf等[30]
综合分析上述各类环境感知技术及其发展现状，可以明确无人船在环境感知技术发展方面的长处与不足，表5列出了现有环境感知技术的优势与局限性。未来的研究开发工作应重点针对现有传感器的局限性进行改进，并致力于开发专门适配无人船平台的感知系统，以满足其特定的应用需求。
表5 现有环境感知技术的优势与局限性
Tab.5 Strengths and limitations of existing environmental sensing technologies
环境感知方法environment sensing method局限性limitation优势strength可见光视觉对图像样本要求较高,受气象条件限制图像分辨率高GNSS磁环境和封闭空间下使用效果较差定位精度高,相关技术成熟,导航能力强红外视觉探测距离有限,成本较高不受水域光照条件影响连续波雷达易受水域环境影响,如海浪、雨雪等;探测小尺度目标能力有限可远距离探测,可全天候作业,精度高多传感器融合高度数据冗余,成本高精度高,多种设备的优势互补激光雷达船体自身运动对图像影响较大,存在传感器噪声和校准误差,成本高近距离物标探测能力强,深度分辨率和精度较高IMU易受自身误差和外界环境影响能耗较低,硬件尺寸小,测量误差小声呐扫测范围存在限制,噪声及船体震动对测量精确度影响较大不易受海面气象条件的影响,深度分辨率和精度高
2.2 路径规划技术
路径规划的起源可以追溯到早期陆地机器人的研究，其主要目的是为机器人提供一条从起始位置到目标位置的可行路径。在此过程中，需要输入起始位置、目标位置及障碍物信息，以便机器人能够输出一条避开所有障碍物并到达终点的最短路径。路径规划是一个优化问题，其中最明显的优化标准是距离[26]。路径规划作为无人船自主航行的关键技术之一，也是无人船关键技术发展领域的重难点问题。
无人船路径规划可以分为全局静态路径规划及局部动态路径规划两种[31]。全局静态路径规划是一种适用于广阔区域和长期任务的导航策略，它依赖于电子海图等资源提供的预先信息，并结合特定任务的需求。通过采用合适的搜索算法，在既定的航行区域内，该方法旨在从起点到终点之间寻找一条避开所有已知障碍物的可行路径。而局部动态路径规划则专注于无人船沿全局路径航行的过程中，对途中出现的未知障碍物进行实时探测，并自主进行避障，以避免潜在的碰撞风险。途中一旦障碍物被成功规避，无人船将恢复沿着原先的全局路径航行。
2.2.1 全局路径规划 目前，无人船的全局路径规划技术大多借鉴于地面机器人(ground robots，GR)和无人机(unmanned aerial vehicle，UAV)等其他类型无人运载平台，传统的路径规划方法有人工势场法[32]和模拟退火算法[33]等，但是这类方法效率较低，且容易陷入局部最优的问题。近年来，随着人工智能及机器学习的深入研究和发展，各种新兴的智能算法不断被提出，这些新兴算法因其鲁棒性和智能性而被广泛应用于解决路径优化问题，目前一些应用较为广泛的路径规划算法主要有：粒子群算法(particle swarm optimization，PSO)，蚁群算法、可视图法、A*算法、遗传算法及萤火虫算法等(表6)。
表6 全局路径规划算法研究比较
Tab.6 Comparison of research on commonly used algorithms for global path planning
方法method研究创新research innovation优点advantage缺点disadvantage参考文献reference可视图法将Voronoi图与可视图(Visibility)相结合,提出了一种名为Voronoi-Visibility(VV)的新算法VV算法通过结合Voronoi图的计算效率和可视图的路径优化特性,在安全导航、路径距离和计算成本方面产生最优解算法未充分考虑所有实际航行中可能遇到的因素,如海流、天气条件Niu等[34]A∗算法为了使无人船路径符合无人船回转特性,同时提高算法性能,提出了一种改进变步长稀疏 A∗算法的路径规划方法该算法在复杂环境中具有较好的搜索能力只考虑了静态障碍物环境,未考虑动态障碍物对无人船路径规划的影响冯辉等[35]PSO算法针对传统PSO算法在全局路径规划过程中存在搜索路径不合理、容易陷入局部最优解等问题,提出了一种粒子群-人工蜂群融合算法防止粒子群算法陷入局部最优,提高了算法的搜索效率该算法在复杂环境下还存在成功率低、搜索时间长等问题徐小强等[36]遗传算法提出了基于遗传算法优化PID控制器的方 法,解决无人船路径跟踪在环境未知扰动以及模型参数难以确定的问题系统抗干扰能力强,可以使无人船在控制过程中获得良好的动态性能未考虑外界环境风、浪、流等的干扰杨琛等[37]蚁群算法提出一种基于改进量子蚁群算法的全局路径规划算法实现了同时规划具有多个目标的全局路径还需计算多个目标之间的相关性,以确定每个目标在成本函数中的权重Xia等[38]萤火虫算法在传统萤火虫算法的基础上,提出了一种改进混沌萤火虫算法,对原算法进行了优化提高了算法的局部搜索能力和鲁棒性,收敛速度更快,性能更优未将无人艇的物理特性、外界 天气环境和动态障碍物等因素考虑进去柳俊等[39]
除以上路径规划算法外，强化学习(reinforcement learning，RL)算法作为近年来新兴的算法，在无人船的路径规划技术中也备受关注。强化学习算法是一种通过与环境交互来学习策略的方法，其目标是最大化累积奖励。强化学习算法拥有强大的适应性和自学习能力，通过与环境的交互，强化学习算法能够自我学习最优策略，无需预先定义好的规则，从而自主地制定出高效的航行路径。与上述其他路径规划算法相比较，强化学习算法显示出了其独特的优势。如与传统的基于规则的算法(如人工势场法)相比，强化学习算法能够更好地适应环境变化和不确定性；与遗传算法和蚁群算法等启发式算法相比，强化学习算法在处理大规模和复杂程度较高的问题时通常能提供更优的解决方案。但是目前强化算法也存在着一定的局限性，如收敛速度慢和较高的计算需求。未来研究中可能会进一步探索如何结合强化学习与其他算法的优点，以克服各自的局限性，从而提高无人船路径规划的效率和效果。
2.2.2 局部路径规划 局部路径规划是一种在线小范围的路径规划方法，它依赖于船舶自动识别系统(automatic identification system，AIS)来获取周围船舶的信息，或者利用雷达等传感器来探测周围环境中的障碍物。局部路径规划通常应用于环境信息不完全可知的情况，因此要求系统能够快速处理传感器实时获取到的数据，并基于这些信息进行动态调整，系统通过处理这些数据，生成适应当前环境的最优路径。英国的Naeeml等[40]利用遗传算法和哈默斯坦及维纳模型，开发了一种基于非线性预测控制算法，可通过接收两种不同输入信号来实现对精确控制的无人船实时局部路径规划的系统。Kuwata等[41]使用速度障碍法实现了对无人船局部动态避障功能的开发。该方法通过建立恰当的代价函数，然后从可行速度空间中选择一个使得代价函数最小的速度矢量，确保了无人船在避开障碍物的同时，保持最佳的导航路径。
Canny等[42]在研究中证明，路径规划问题在二维平面中存在动态障碍物的情况，且这些障碍物的速度是受限制的，这一问题属于NP(nondeterministic polynomial)问题，但是文章没有解决如何才能得到无人船需要的接近于实时计算的最优问题。Tam等[43]通过对来船的航行方向、相对位置进行分析，对两艘船舶之间的相遇状况进行评估，并针对可能遇到的情况进行了安全区域的划分，采用进化算法完成了安全航路的设计。以上方法综合了国际船舶避碰规则中关于船舶追越、交叉相遇和对遇的相关规定，打破了以往只依靠两船DCPA和TCPA进行应急判定的惯例，而采用预先设定的来船方位及航速等信息，实现船舶与船舶间的相遇态势的智能判定，进而形成安全航行区和航路。该方法具有操作简单、高效、可快速生成满足需求的最佳路径等优点，但未充分考虑无人船的机动性，也未考虑风浪和海流等因素的影响。针对无人船在上述复杂水域下的行驶情况，张汝波等[44]以Sarsa在线策略强化学习算法为基础，以渐进贪心策略作为无人船行为探索策略，建立了复杂海况下无人船风险规避决策模型，证明了无人船自适应危险规避决策过程能够以100%概率收敛到最优行为策略。
目前，全局路径规划技术已在理论研究和实际应用中取得了显著的进展，并被广泛采用。该技术在处理大规模、复杂的海域环境时表现出了较高的可靠性。然而，局部路径规划技术的研究相对落后，大多集中在简单的工程应用领域，面对复杂的障碍物环境，该技术通常难以提供有效的解决方案。因此，未来的研究方向应注重开发一种综合考虑无人船运动学特性、路径平滑性，以及时间规划等多重约束条件的局部路径规划算法，确保无人船的行驶安全和路径优化。此外，还必须遵循海事法规，以确保规划的路径符合法律要求。
2.3 无人船编队控制技术
无人船集群编队概念的最初启发来源于对生物群集动力学的研究，而生物群集动力学的研究思想最早可以认为起源于1986年。当时计算机科学家Craig Reynolds及其团队在研究群体行为时，模拟了生物群体的三个基本原则，分别为“排斥”(separation)、“聚合”(alignment)和“方向一致性”(cohesion)原则，通过计算机仿真技术，Reynolds及其团队成功再现了群体行为的复杂性，并基于这些基本原则提出了Boid模型。该模型用于模拟群体中个体之间的交互规则，从而生成集体行为的整体效果，后被广泛接受并应用于多个领域。1995年，匈牙利科学家Vicsek等[45]在Boid模型的基础上，针对速度一致性原则，发展了Vicsek模型。在Vicsek模型中，所有个体以恒定的速度行进，其运动方向会根据周围邻近个体的平均方向进行调整。该研究展现了群体系统中的速度同步机制，为相关学者后续的研究工作开辟了新的道路。
无人船在编队控制技术方面的研究涉及多个交叉学科，包括自动控制、人工智能和通信网络等多个技术领域。近年来，随着无人船技术和群体智能的不断发展，无人船集群技术已成为研究的热门领域，与单一无人船的作业方式相比，无人船编队在扩展覆盖范围和提升信息处理能力等方面展现出显著优势。美国海军早在2007年就发布了“海军无人水面舰艇总体计划”，显示了多种无人船编队对于军事上协同作战的重要性。无人船编队不仅能够覆盖更大区域，还能通过协同工作实现高效的数据采集和处理。此外，集群作业可以提高系统的鲁棒性和灵活性，有效应对复杂和动态的海域环境。基于以上优势，无人船集群技术在海洋监测、渔业资源勘探和环境保护等领域具有广阔的应用前景。现有已知的无人船编队控制技术主要有领航-跟随法[46]、基于行为法[47]、虚拟结构法[48]和基于图论法[49]等。
无人船编队控制技术面临的挑战包括动力学模型中的非线性、强耦合和欠驱动特性，以及水域自然环境的干扰。为了解决上述问题，研究者们提出了多种编队控制策略和算法。如宋大雷等[50]基于领航-跟随者策略及一致性方法对无人船群进行编队控制，使无人船群在复杂海域环境中可以依次抵达预设航路点，同时结合人工势场法完成了多无人船的自主变换队形实时避障航行。李贺等[51]针对复杂海域环境扰动下的领航-跟随无人船编队系统的控制问题，结合积分滑模和反步控制技术提出了固定时间控制(FTC)策略，有效提高了领航-跟随无人船编队系统的鲁棒性和精确性。此外，无人船的编队控制技术还涉及位置估计算法的研究。邓志良等[52]针对多无人船编队中由于定位精度不足导致的队形不稳定问题，提出了一种结合扩展卡尔曼滤波(EKF)的领航-跟随编队控制策略。针对通信资源受限的问题，黄兵等[53]提出了一种可以降低通信频率的动态事件触发数据传输机制，成功减少了控制算法对系统带宽的占用。
总之，无人船编队控制技术是一个高度综合性的研究领域，它不仅需要深入理解无人船的动力学和运动学特性，还需要掌握人工智能技术、通信网络技术及自动控制理论。未来的研究方向可能会更加注重算法的优化、系统的实用性，以及在实际应用中的稳定性和可靠性。
3 无人船在渔业领域的应用
当今社会，随着科技的发展和全球人口的增长，对食品安全和资源的可持续利用提出了更高的要求。渔业作为人类赖以生存的重要产业，其发展方式和技术水平直接关系到全球食品供应链的稳定性和环境保护。传统的渔业养殖方式往往依赖大量人力，这不仅增加了劳动成本，还可能导致资源的过度开发和环境污染问题，因此，寻找一种既能提高生产效率又能减少对环境影响的新型渔业技术成为行业发展的必然趋势。无人船技术的出现，为解决上述问题提供了新的思路。无人船通过集成先进的传感器、控制系统、通信技术及遥感技术[54]，能够在复杂多变的水域环境中进行高效、精确操作，近年来，无人船在渔业应用领域展现出了巨大的潜力和价值，从水质监测[55]、养殖环境监控[56]到海洋生物观测等多个方面，无人船均显示出其独特的优势。
3.1 渔业养殖水质检测
无人船技术在渔业水产养殖方面的应用已经成为现代化养殖业的重要组成部分。随着智能化、自动化技术的发展，无人船在水产养殖中的作用日益凸显。中国拥有广阔的水域资源，这为水产养殖业提供了天然优势，然而，水体环境的安全对水产养殖产业影响极大，一旦环境受到污染，不仅会影响生态质量，还会威胁养殖安全，并可能导致产量减少。因此，监测水质状态并及时采取应对措施显得尤为重要。
近年来，无人船技术在水质监测领域得到了广泛应用和快速发展。张启元等[57]针对当前水产养殖业中存在的水质监测难度大和调节困难等问题，采用NB-IoT技术，开发了一种新型的水质监测无人船系统，该系统能够实现自主巡航并自动采集水质数据，并通过云端平台进行实时监控和调节，大大提升了水质管理的效率和质量。此外，陈培伦[58]设计的无人船水质监测系统不仅能够进行自主巡航或遥控巡航，还能实现监测数据的远程传输、储存、显示、统计和查询等功能。
传统的水产养殖水质监测，由于使用部署在固定位置的无线监测节点，存在监测范围小、监测位置不灵活和部署成本较高等问题。针对这一问题，江先亮等[59]研制了基于无人船的水产养殖水质动态监测系统，该系统将无人船和多个传感器进行结合完成水质采样，测得pH值、水温和水体浊度等多项参数，然后将监测数据通过岸基控制台上传至云服务器，经此设计的动态监测系统能够扩大监测范围，提高监测效率，并降低成本。Jia等[60]通过动态节点和静态监测节点相组合的方式，实现了对整个水域环境的实时在线监测，有效解决了采样节点受到较大限制的问题，为水质监测实施提供了新的手段。
无人船水质监测系统中多参数数据的实时传输和处理也是无人船系统中的极为重要部分，通过集成先进的传感器技术、物联网平台，以及高效的数据处理和分析软件，无人船水质检测系统实现了多参数数据的实时传输和处理(表7)。
表7 常见无人船水质监测系统实现多参数数据传输和处理的技术
Tab.7 Techniques for realizing transmission and processing of multi-parameter data in the water quality monitoring systems vessel
技术method年份year优点advantage缺点disadvantage参考文献reference基于物联网的水质监测无人船系统2017系统满足了精细化测量需求,信息传递快速、稳定依赖太阳能可能在多云或光线不足的条件下限制无人船的运行吴珊珊等[61]无人船水质参数采集与分析软件系统2020 提供了统一的水质数据分析和管理手段。实现了水质在线监测、水质评价和数据存储过程的一体化。确保与水质采样无人船建立稳定的通信连接,从而成功读取数据流并进行处理水质评价效率与准确性还存在一定不足黄智雯[62]Internet of Maritime Things (IoM-T) 平台2021支持长距离和高速率通信缺乏统一的标准可能影响不同系统和设备间的互操作性Song等[63]基于宽光谱技术的无人船水质在线监测系统2022采用希尔伯特-黄变换(HHT)作为预处理方法,减少船体晃动引入的噪声,对非线性、非稳态信号降噪较好系统在精度方面还需继续研究和提升戴犀尊[64]
近年来，由Saildrone公司开发的Saildrone Explorer无人船，配备了多种环境传感器，可以测量温度、盐度、氧含量和pH值等，主要应用于阿拉斯加太平洋沿岸的渔业养殖区域，进行水质监测和鱼群分布的研究，研究发现，该无人船在长时间远程自主运行中表现出色，数据采集范围广，精度高，有助于提高渔业养殖水质检测效率、优化渔业养殖管理和保护海洋生态。挪威SINTEF Ocean研究所开发的无人船，配备了先进的水质传感器和自动导航系统，主要应用于挪威沿海地区鲑鱼养殖场的水质监测，以及有害藻类和病原体的检测。通过无人船的监测，可以及时发现水质异常并进行病害预警，显著减少了养殖损失，提高了养殖效率和产量，但目前还需解决传感器在长期使用中的漂移问题，进一步优化无人船在复杂海况下的导航能力。
3.2 智能投饵
随着中国水产养殖行业的迅速发展，智能化、自动化和物联网等技术也逐渐在水产养殖领域中被广泛利用。在水产养殖过程中，投饵环节是使用劳动力较多的部分之一，且饵料的均匀分布、破碎程度及投放的精确度，都是决定水产品健康和水质有效净化的关键因素。目前的投饵方式主要有人工投饵、自动投饵和机器投饵，随着无人船技术的不断完善与发展，研究人员开发出了一种全新的投饵方式——自动巡航无人驾驶船投饵。相较于传统的投饵方式，无人船投饵技术解决了投饵花费时间长、所需劳动力多、投饵不均匀、投饵方式比较固定等一系列缺陷。无人投饵船主要由饵料箱、下料结构、船体、抛料结构以及驱动和控制装置等组成。目前，对无人投饵船的研究主要集中在投饵结构、投饵路径规划以及投饵策略与智能投饵管控算法等几个方面。
下料环节作为无人船投饵环节运作的首要步骤，其核心功能在于确保饵料能够按照预定量被输送，同时保障整个输送过程的安全性与效率。洪扬等[65]为了对下料过程中饵料移动速度进行准确定量计算，以确保装置的高效运行，设计并研发了一种螺旋输送机构的投饵装置，该装置在该螺旋输送机构的出口位置采用了迷宫式的密封技术，不仅能够保证系统的密封性，还能有效防止破碎饵料堵塞密封口的现象。但是，螺旋输送式机构在实际运行中往往会导致饵料的破碎，饵料在输送过程中受到机械力的挤压和摩擦，容易碎裂成小块或粉末，从而出现残饵、污染物增多等现象。胡庆松等[66]设计了一种采用偏心轮的旋转运动产生振动的振动式抖料机构，这种设计将抖动的支点定位于料箱的中心，利用料箱左右两侧的重力平衡特性，减少了料箱底部在振动时的阻力，显著降低了饵料在下料过程中的破碎率。
抛料环节在无人船投饵系统的操作流程中扮演着第二阶段的角色。该环节对于饵料的分布均匀性、覆盖范围及饵料的完整性等指标具有直接影响，是整个无人船投饵系统中至关重要的部分。周达辉等[67]设计了一种用于无人船的旋转凹槽式抛料机构，该机构能精确控制投饵速度及投饵量，具有构造精巧、易于组装等优点，实现了离堤岸一定距离的移动投料。此外，还有一种基于抛盘结构的自动抛料机器，克服了旋转凹槽式抛料机构投饵范围小的缺陷。抛盘式投料机构可以通过调整电机的转速来控制投喂范围、均匀性及饵料数量，实现了精确、大范围的定量投料，因此已成为目前使用最为广泛的投料方法。
除此之外，制定合理的无人船自动投饵策略也极为重要。过量投饵会造成水质污染，投饵不足则无法为鱼类存活提供足够的营养物质。投饵量受到多种因素的影响，如鱼的种类和习性、鱼类的群体密度和活动水平、水温、水中溶氧量、水体环境及鱼群摄食情况等。实施科学合理的投饵策略不仅能够有效降低饵料成本，避免因过量投喂导致的资源浪费，还能提升投喂效率和鱼类的健康水平。因此，制定和执行良好的投饵策略在水产养殖中具有重要意义，已成为学术研究和业界关注的焦点。目前，机器视觉及声学技术在这一领域的应用日益增多，它们在效率和准确性方面表现出了不同的特点(表8)。
表8 机器视觉及声学技术在无人船智能投饵技术方面的应用比较
Tab.8 Comparison of machine vision as well as acoustic techniques for intelligent feeding technology on unmanned vessels
算法algorithm年份year技术创新点technological innovation缺点disadvantage参考文献reference基于机器视觉的智能投饵算法2015利用机器视觉识别残饵,系统依据饵料残渣与排泄物之间的特征差异对残饵进行精准计数,为投饵提供即时的数据反馈,使得饵料投放参数可根据实际情况做出适当调整2015通过获取摄食鱼群的实时视频信息,计算目标鱼群摄食过程中的动态参数,智能判断投饵过程中的控制参数,实现精准有效地投喂,还可以扩展用于监测鱼类行为2019基于单目视觉的水产养殖智能投喂系统,具有高定位精度和不受外界环境影响的优势,能够精确实施对水产动物的投喂2022应用深度学习技术对由鱼群摄食活动产生的水面波动进行识别,依据波动的大小来判断是否应继续进行投喂操作或终止喂食。准确率高达93.2%粪便和残饵在视觉上可能存在相似之处,可能增加区分难度只能基于图像的分析,以确定是否继续或停止向水产品进行饲料喂食,系统的效能在很大程度上依赖于图像处理算法的准确性水面自然环境对识别准确性会产生一定的影响穆春华等[68]王勇平等[69]池涛等[70]Hu等[71]基于声学技术的智能投饵算法2020对投饲现场的声信号进行采集和分析,分析该鱼群摄食欲望,提供投喂决策,驱动执行机构完成抛撒饵料动作,提高饵料的利用率需要针对不同种类的鱼进行优化,以确保声信号的准确识别和投喂效果。李志鹏等[72]2020结合水声信号采集技术、信号分析技术、神经网络算法及PLC等多项技术,解决了观察水下虾群摄食状况的难题分析过程比较复杂繁琐,且未对环境变换做出响应陆天辰[73]
3.3 污染物清理
随着社会的发展，水资源污染问题日趋严重，尤其是水产品资源丰富的海洋、河流等水体出现污染，更需要采取有效的措施来净化和保护水资源。由于水体环境复杂多变且面积广阔，使得清洁工作不仅任务艰巨，而且具有一定风险。
传统的水域污染物清理多依靠人工确认污染物位置，然后驾驶船只进行打捞，打捞船在清理作业中使用的机械装置往往体积庞大，且依赖于燃油作为动力来源。这种操作方式不仅打捞效率低，打捞成本高，还可能对清理区域造成额外的环境污染。无人驾驶清洁船不仅解放了人力，而且避免了清理人员因水况不稳定而面临危险的情况，极大地保证了打捞人员的安全，从而使得水上污染物清理作业可以平稳有序地进行。除此之外，水面清理无人船大多采用电力驱动，减少了对水域进行二次污染的风险，使整个作业过程更加符合现代环境保护的要求。目前，国内外学者针对无人清理船进行了相关的研究，内容涵盖导航系统优化、垃圾识别算法改进及高效清理机械的设计等领域。王稳等[74]研发了一套基于单片机技术的海岸垃圾收集船控制系统，该系统能够支持多种巡航模式，使得无人船能够自主完成垃圾清理和航行任务。然而，使用无人船进行自主巡检时，由于需要覆盖整个水域，其效率相对较低，故出现了一种无人机-船协同的水域自动清理策略，为水域清理工作提供全新的解决方案，显著提升了清理的效率。预计无人清洁船将不仅局限于表面垃圾的清理，还能够逐步拓展至水体深层污染物的回收与处理。与此同时，通过引入物联网技术，无人清洁船可以与其他环境监测设备建立联动网络，实现清理作业与水质监测的无缝结合，为水域环境保护提供更加全面和高效的解决方案。
此外，无人清洁船作业的关键在于准确识别和检测水面上的漂浮物，由于无人船在工作时面临特殊的环境条件，水面污染物的检测过程需要特别考虑水面和水岸之间的界限。在实际操作中，水面和水岸的分割是一项关键任务，研究者也提出了一种基于深度学习的无人船水面漂浮物检测算法，并结合深度学习技术解决了无人船工作过程中的水岸图像分割问题，从而确保无人清洁船能专注于水面漂浮物的清理。得益于轻量化卷积神经网络技术的发展，现在已经能够在移动平台上训练神经网络模型，且能满足实时处理的需求，这极大地推动了无人船在自主巡航和区域清洁任务中的应用。未来新的算法可能会更注重能效优化和对复杂场景的适应能力，如引入强化学习技术，让无人清洁船在动态环境中自主学习和调整清理策略。同时，结合5G通信和云计算，无人清洁船能够通过远程协作实现更高效的数据处理和任务执行，为水域环境保护提供更加智能化的解决方案。
3.4 渔业资源调查
渔业资源调查是了解和评估水域中鱼类及其他水生生物种类、数量、分布及其生态状况的重要手段。渔业资源调查对于制定合理的渔业管理政策、保护生物多样性、促进渔业可持续发展具有重要意义。渔业资源调查的方法多种多样，包括底拖网调查、声学调查和直接计数等[75]，此外，还有基于计算机模拟的采样设计优化方法，如使用克里金插值法进行资源量分布模拟[76]和利用环境DNA技术进行无创的鱼类多样性调查，此外，杨胜龙等[77]研究的基于BiLSTM模型的远洋渔船类型识别，也为渔业资源的研究提供了可能。目前，在渔业资源调查领域相关学者的研究推动下，调查设备和技术已经取得了显著进步。但是，在一些特殊或危险的水域环境中，由于调查平台自身的固有限制和外部环境的复杂性，调查工作仍然面临诸多挑战，如危险水域调查工作无法进行、收集到的数据不准确等一系列问题。无人船技术的出现，为渔业资源调查的发展提供了新思路。无人船在渔业资源调查领域具有显著的优势，相较于载人调查船，无人船仅需少量甚至不需要船员操作，不仅减少了船员在恶劣天气条件下的工作压力，还降低了因人为因素造成的操作失误的风险。与浮标、潜标等固定观测设备相比，无人船拥有更强的机动性。浮标和潜标通常在一个固定位置进行观测，无法适应环境变化或临时需求的调整，而无人船可以迅速部署到不同的调查区域，并根据需要进行灵活的航行和定位。此外，与无人自主潜航器相比，无人船通常配备更先进的GPS定位系统和实时通信设备，能够持续传输数据并与操作中心保持联系，提供了高精度的位置信息和可靠的实时数据传输。以上特点使得无人船在定位和通信技术方面更加简便，且具有更长的续航能力。
无人船的机动灵活性和高安全性使其能够在常规调查平台受限的水域中作业，这种灵活性适合于复杂或危险的海洋环境，如极地、污染区和浅水区等。此外，无人船能够搭载多种传感器和设备，进行连续性的海洋参数测量，如温度、盐度和水深等，这对于海洋环境监测尤为重要。近年来，中国首艘海洋牧场养殖观测无人船成功下水，标志着无人船技术在实际渔业养殖观测中的应用取得了重要进展。在渔业资源调查方面，无人船还能够用于评估海洋生态系统的健康状况，如Buscher等[78]通过低成本的迷你ROV进行了加拿大本土海域生态基线评估，记录下多种重要的物种，并且完成了系统的底栖生物分类。此外，也可以将卷积神经网络(convolutional neural network，CNN)与长短期记忆模块(long short term memory，LSTM)应用在传统电子监控系统数据中，再搭载在无人船上从而增强相关渔业公司及政府部门的管理效率[79]，提升渔业资源的调查能力。
由华中科技大学主持研发的“海翼”无人船，配备了声呐、摄像头和多种环境传感器，用于长江口及其周边海域的渔业资源调查，包括鱼类种群和栖息地环境等，成功获取了大量鱼类资源分布数据，提升了调查效率和精度。同时，无人船能够在不同海况下稳定运行，实现了全天候作业。在东海海域，上海海洋大学设计了搭载高精度声呐系统和水质监测设备的“海豚”无人船，能够进行大范围的海洋生物调查，主要是鱼类、贝类和虾类的资源评估。该无人船在多次调查中表现出色，并且通过水质监测设备对调查区域的环境状况进行了全面评估，然而，目前其在续航能力和数据处理能力方面还存在不足。在今后的研究中可以通过提升电池技术和能量管理系统，增强无人船的续航能力，满足更长时间、更大范围调查的需求。
无人船的发展，不仅能够弥补现有观测手段的不足，还能加强渔业资源的开发，对促进渔业事业的进步具有深远的影响，其在渔业资源调查方面的应用展现出了巨大的潜力和价值，尤其是在提高数据收集效率、降低成本及促进渔业资源管理现代化方面。未来的研究和技术开发将进一步提升无人船的功能和应用范围，使其成为渔业资源调查不可或缺的重要工具。
4 存在问题及展望
4.1 存在问题
无人船作为新兴的渔业工具备受关注，不仅提高了作业效率，降低了成本，还有助于减少人为操作错误和事故发生。然而，无人船发展也面临诸多问题和挑战，需要通过技术创新、法律规范及国际合作共同解决。
1)释放回收。布放与回收技术对于无人船至关重要。布放过程相对容易，而回收过程则较为复杂，无人船的释放回收通常涉及自主导航返回、位置校正、精确对接及自主停靠等多项技术。目前，无人船艇的布放回收主要依赖于母船上的起重机和滑道，这一过程耗时较长，需要经验丰富的操作员参与，且存在安全风险。该方法在低航速和良好海况下较为适用，但在高航速或复杂海况下则面临着一定的挑战。此外，无人船还需具备自主停靠的能力，这要求其配备先进的传感器、控制系统和高效的算法，以应对复杂多变的海况和母船的运动状态。
2)环境适应性问题。目前，一般的航向控制算法都是利用船舶线性运动模型所建立的，然而，在实际的工作过程中，恶劣天气及复杂海域条件对无人船影响较大，风浪流会对无人船的工作产生干扰，此时无人船的实际航行状态是一种非线性运动，故船舶的控制性能通常达不到理想的程度，因此无人船在复杂多变的海洋环境中运行时，需要具备高度的自主性和适应性。随着水产养殖业逐渐向深海拓展，若要利用无人船进行远程养殖及渔业资源调查作业，就必须增强船舶在复杂海洋环境下的运动控制能力，以提高其抗干扰性能。目前，无人船在恶劣天气条件下的稳定性和可靠性仍需提高。
3)远距离探测。当无人船超出视线范围或在执行大范围的渔业作业时，可能会遇到无线网络通信中断或完全失去联系的问题。无线网络是确保无人船与控制中心保持实时通讯的重要手段。一旦无线网络连接中断，无人船可能无法接收到新的操作指令或无法向控制中心发送实时数据，这不仅会影响作业的效率，还可能导致无人船偏离预定航线，无法及时返回安全区域。此外，如果无人船在恶劣天气或复杂海况下运行，网络中断的风险会进一步增加，在这种极端情况下，无人船可能会完全失去控制，无法通过远程操作进行干预，这不仅会对船只本身造成损害，还可能危及附近的其他船只和海洋生态环境。
4)成本问题。无人船在水产养殖中通常负责监控多种关键参数，监控任务主要依赖多种传感器与数据处理器的协同工作完成。无人船技术成本较高主要因为高精度传感器和数据处理设备等关键部件的高昂成本。无人船的数据处理需求极高，需要在复杂海况下及水产养殖过程中对实时数据进行处理和决策制定，数据中心的成本主要包括电力、冷却和维护等。高性能计算设备和大数据分析能力是无人船能够执行复杂任务的基础，因此需要投入大量资金用于硬件购置和软件开发。此外，软件开发和维护、人力投入，以及能源和维护成本也是不可忽视的因素。
5)法律与责任问题。随着无人船技术的发展，相关的法律法规也需要相应更新，以确保其安全、合法地运行。此外，无人船在执行任务时可能涉及的数据隐私和网络安全问题也需要得到妥善解决。目前，无人船在法律上的地位尚未完全明确，不符合“最低安全配员”的要求，无法获得国籍登记和通过船舶检验。此外，无人船的碰撞责任主体问题也是一个难题，可能涉及船舶所有人、管理人及生产者、销售者等多个方面。目前，无人船的应用场景日益多样化，涵盖海洋调查、环境监测、物流运输和军事防卫等多个领域，但与之匹配的法律框架尚显滞后，迫切需要国际社会和各国立法机构予以关注。
4.2 未来研究方向
1)新能源的应用。随着石油等不可再生资源逐渐减少及环境污染问题日益严重，节能和减少排放已经成为全球关注的焦点议题。当前，无人船主要还是依赖汽油、柴油或电池储存的化学能作为动力来源。传统能源虽然具有技术成熟、供应稳定的优势，但其使用过程中会带来一定的碳排放和环境污染，尤其是柴油发动机排放的氮氧化物和颗粒物，对海洋生态环境构成了潜在威胁。无人船因其体积较小、操作简便及成本相对较低，可优先考虑新能源的应用。此外，还可利用太阳能、波浪能作为辅助能源，智能化能源管理系统的引入也将成为关键，通过实时监测和动态分配能源，可实现多种能源形式的高效协同。
2)加强长续航能力。续航能力对无人船的工作表现影响较大，目前，国内外对无人船的续航能力也展开了相关研究，大多数研究都集中在能源技术方面，国内也正在围绕复合能源系统开展研究，通过整合多种能源形式，提升无人船的续航能力和运行效率。未来相关技术还可从以下几方面进行考虑：改进无人船的船型设计，提升其环境适应性，同时还能减小无人船在行驶过程中遇到的阻力；开发设计能提供无人船电力保障的技术和装备以提高续航能力；研发新型无人船发动机系统。
3)加强模块化设计。随着无人船在渔业应用领域范围的不断扩大，模块化设计在船体、载荷及接口的应用，将成为无人船未来研发的关键方向。尤其是在渔业领域，不同作业场景(如鱼群监测、海洋环境分析和网箱巡视等)对无人船的功能要求差异较大，通过模块化设计可以快速实现任务配置的切换，显著减少无人船的设计、测试和训练周期，加快创新研发进程。此外，模块化设计还能简化无人船上设备的维护和维修过程，当无人船上搭载的传感器、电子设备等系统都采用了标准化的模块接口时，仅需插入或拔出模块即可完成换件维修，极大地节省了劳动力和成本。
4)渔业执法提升。无人船在渔业执法中的应用潜力巨大。由于海洋面积广阔，传统的人力执法方式往往难以覆盖所有区域，而无人船则可以实现全天候、全时段的监控，目前，无人机对辅助渔业执法已有相关研究，但是针对无人船的渔业执法提升文献研究较少。与无人机不同，无人船具有更高的负载能力及更强的海面环境适应性，能够携带更多种类的传感器和设备，从而为执法工作提供了多维度的技术支持。无人船可以通过搭载高清相机和其他传感器，对非法捕鱼活动进行有效监控和取证。这不仅可以提高执法效率，还可以增强执法的公正性和透明度。因此，随着技术的不断进步和应用场景的不断拓展，无人船有望成为未来渔业执法的重要工具。
5)无人船成本的控制。规模化生产可以通过分摊研发成本和提高生产效率来降低单位成本。如采用标准化的设计和模块化生产方式，可以简化生产和维护过程，降低人工成本和提高生产效率。此外，规模化生产还有助于提高供应链的稳定性和议价能力，进一步降低采购成本。进行技术革新也是有效控制成本的一种可行性措施，采用更先进的传感器技术，如基于霍尔位置传感器的无刷直流电机控制，可以提高无人船系统的可靠性和精度，同时降低长期维护成本。在导航和感知领域，引入智能化的传感器技术和算法优化，也能够在降低设备成本的同时提升无人船的整体性能。
[1] 张安民,周健,张豪.水面无人艇环境感知技术及应用发展[J].科技导报,2021,39(5):106-116.ZHANG A M,ZHOU J,ZHANG H.Environmental perception technology and application development of unmanned surface vehicles[J].Science &Technology Review,2021,39(5):106-116.(in Chinese)
[2] UNLIMITED D.The navy unmanned surface vehicle (USV) master plan[R].US,Department of the Navy,2007.
[3] BERTRAM V.Unmanned surface vehicles-a survey[R].Copenhagen,Denmark,2008.
[4] CACCIA M,BIBULI M,BONO R,et al.Basic navigation,guidance and control of an unmanned surface vehicle[J].Autonomous Robots,2008,25(4):349-365.
[5] ZHAO Y X,LI W,SHI P.A real-time collision avoidance learning system for Unmanned Surface Vessels[J].Neurocomputing,2016,182:255-266.
[6] 彭艳,陈加宏,李小毛,等.时空上下文融合的无人艇海面目标跟踪[J].中国科学(技术科学),2018,48(12):1357-1372.PENG Y,CHEN J H,LI X M,et al.Sea surface object tracking for USV with spatio-temporal context fusion[J].Scientia Sinica (Technologica),2018,48(12):1357-1372.(in Chinese)
[7] 丁志国,张新宇,王程博,等.基于驾驶实践的无人船智能避碰决策方法[J].中国舰船研究,2021,16(1):96-104+113.DING Z G,ZHANG X Y,WANG C B,et al.Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J].China Ship Research,2021,16(1):96-104+113.(in Chinese)
[8] 李雪,胡海驹,王伟平,等.水面无人艇远距离通信系统设计与实现[J].电信科学,2021,37(7):48-56.LI X,HU H J,WANG W P,et al.Design and realisation of long-distance communication system for surface unmanned craft[J].Telecommunication Science,2021,37(7):48-56.(in Chinese)
[9] 王广河.智能船舶技术发展路径探究[J].信息系统工程,2022(4):137-140.WANG G H.Research on the development path of intelligent ship technology[J].China CIO News,2022(4):137-140.(in Chinese)
[10] ONUNKA C,BRIGHT G,STOPFORTH R.USV attitude estimation:an approach using quaternion in direction cosine matrix[J].Robotica,2016,34(5):995-1009.
[11] XIA G Q,WANG G Q,CHEN X H,et al.Low-cost MEMS-INS/GNSS integration using quaternion-based nonlinear filtering methods for USV[C]//OCEANS 2016-Shanghai.Shanghai,China.IEEE,2016:1-7.
[12] NAEEM W,XU T,SUTTON R,et al.The design of a navigation,guidance,and control system for an unmanned surface vehicle for environmental monitoring[J].Proceedings of the Institution of Mechanical Engineers,Part M:Journal of Engineering for the Maritime Environment,2008,222(2):67-79.
[13] LIU Z X,ZHANG Y,YU X,et al.Unmanned surface vehicles:an overview of developments and challenges[J].Annual Reviews in Control,2016,41:71-93.
[14] BREIVIK M,HOVSTEIN V E,FOSSEN T I.Straight-line target tracking for unmanned surface vehicles[J].Modeling,Identification and Control:A Norwegian Research Bulletin,2008,29(4):131-149.
[15] ALVES J,OLIVEIRA P,OLIVEIRA R,et al.Vehicle and mission control of the DELFIM autonomous surface craft[C]//2006 14th Mediterranean Conference on Control and Automation.Ancona,Italy.IEEE,2006:1-6.
[16] MOUSAZADEH H,JAFARBIGLU H,ABDOLMALEKI H,et al.Developing a navigation,guidance and obstacle avoidance algorithm for an unmanned surface vehicle (USV) by algorithms fusion[J].Ocean Engineering,2018,159:56-65.
[17] 刘清宇,蔡志明.发展新型声呐系统的几个科学问题[J].声学学报,2019,44(2):209-213.LIU Q Y,CAI Z M.Several scientific problems in developing new sonar systems[J].Acta Acustica,2019,44(2):209-213.(in Chinese)
[18] LI H Y,DONG Y,HE X D,et al.A sonar image mosaicing algorithm based on improved SIFT for USV[C]//2014 IEEE International Conference on Mechatronics and Automation.Tianjin,China.IEEE,2014:1839-1843.
[19] ONUNKA C,NNADOZIE R C.Modelling the performance of USV manoeuvring and target tracking:an approach using frequency modulated continuous wave radar rotary system[J].Springer Plus,2013,2(1):184.
[20] JIMENEZ R A R,SECO GRANJA F.A short-range ship navigation system based on ladar imaging and target tracking for improved safety and efficiency[J].IEEE Transactions on Intelligent Transportation Systems,2009,10(1):186-197.
[21] 余必秀.基于多传感器的内河无人测量船航行环境感知系统研究[D].武汉:武汉理工大学,2018.YU B X.Research on navigation environment perception system of inland river unmanned survey ship based on multi-sensors[D].Wuhan:Wuhan University of Technology,2018.(in Chinese)
[22] CHEN J,PAN W,GUO Y B,et al.An obstacle avoidance algorithm designed for USV based on single beam sonar and fuzzy control[C]//2013 IEEE International Conference on Robotics and Biomimetics (ROBIO).Shenzhen,China.IEEE,2013:2446-2451.
[23] MEUTHIA F,FIRDHAUS A,ARY KUSUMA N,et al.Si-penyu:sistem pengelolaan kelautan berupa usv semi-automatic pendeteksi minyak dan ikan[Z].Indonesia:Pekan Ilmiah Mahasiswa Nasional Program Kreativitas Mahasiswa-Karsa Cipta 2013.
[24] NIKOLAKOPOULOS K G,LAMPROPOULOU P,FAKIRIS E,et al.Synergistic use of UAV and USV data and petrographic analyses for the investigation of beachrock formations:a case study from Syros Island,Aegean Sea,Greece[J].Minerals,2018,8(11):534.
[25] 张胜茂,张衡,唐峰华,等.计算机视觉技术在监测鱼类游泳行为中的研究进展[J].大连海洋大学学报,2017,32(4):493-500.ZHANG S M,ZHANG H,TANG F H,et al.Research progress on fish swimming behavior monitoring by computer vision technology[J].Journal of Dalian Ocean University,2017,32(4):493-500.(in Chinese)
[26] LYDIA E K,STEVEN M L.Motion planning[J].IEEE Robotics &Automation Magazine,2011,18(2):108-118.
[27] 唐云鸢.海雾环境下的智能船舶视觉系统增强方法研究[D].武汉:武汉理工大学,2021.TANG Y Y.Research on the enhancement method of intelligent ship vision system under sea fog environment [D].Wuhan:Wuhan University of Technology,2021.(in Chinese)
[28] 丁畅.复杂海况环境下海面图像增强方法研究[D].大连:大连海事大学,2018.DING C.Research on sea surface image enhancement method under complex sea state environment[D].Dalian:Dalian Maritime University,2018.(in Chinese)
[29] 刘雨青,冯俊凯,邢博闻,等.基于机器学习的无人船目标识别系统研究[J].测控技术,2019,38(8):31-36.LIU Y Q,FENG J K,XING B W,et al.Unmanned ship target recognition system based on machine learning[J].Measurement &Control Technology,2019,38(8):31-36.(in Chinese)
[30] WOLF M T,ASSAD C,KUWATA Y,et al.360-degree visual detection and target tracking on an autonomous surface vehicle[J].Journal of Field Robotics,2010,27(6):819-833.
[31] 陈鹏.基于改进人工势场的无人船自主避障研究与实现[D].武汉:武汉理工大学,2019.CHEN P.Research and implementation of autonomous obstacle avoidance for unmanned ships based on improved artificial potential field[D].Wuhan:Wuhan University of Technology,2019.(in Chinese)
[32] 李伟,张永超,宁君,等.基于改进人工势场法的欠驱动无人船编队协同避碰避障[J/OL].控制与决策, 2024,10(15):1-8.LI W,ZHANG Y C,NING J,et al.Collaborative collision avoidance and obstacle avoidance for underdriven unmanned vessel formation based on improved artificial potential field method [J/OL]. Control and Decision Making, 2024,10(15):1-8.
[33] 岳秀,张超峰,张伟,等.基于A-Star和改进模拟退火算法的航迹规划[J].控制工程,2020,27(8):1365-1371.YUE X,ZHANG C F,ZHANG W,et al.UAV path planning based on A* algorithm and improved simulated annealing algorithm[J].Control Engineering of China,2020,27(8):1365-1371.(in Chinese)
[34] NIU H L,SAVVARIS A,TSOURDOS A,et al.Voronoi-visibility roadmap-based path planning algorithm for unmanned surface vehicles[J].Journal of Navigation,2019,72(4):850-874.
[35] 冯辉,杨皓杰,徐海祥,等.基于改进变步长稀疏A*算法的无人艇路径规划方法[J/OL].武汉理工大学学报(交通科学与工程版),1-11[2024-10-08].http://kns.cnki.net/kcms/detail/42.1824.u.20230704.1352.054.html.FENG H,YANG H J,XU H Y,et al.Path planning for unmanned surface vessel based on improved variable step sparse A* algorithm[J/OL].Journal of Wuhan University of Technology (Transportation Science and Engineering Edition) ,1-11[2024-10-08].http://kns.cnki.net/kcms/detail/42.1824.u.20230704.1352.054.html.(in Chinese)
[36] 徐小强,刘静雯,冒燕.基于改进粒子群算法的无人船全局路径规划研究[J].武汉理工大学学报,2023,45(3):131-138.XU X Q,LIU J W,MAO Y.Global path planning of USV based on improved PSO[J].Journal of Wuhan University of Technology,2023,45(3):131-138.(in Chinese)
[37] 杨琛,蒋鑫,白波,等.遗传算法优化PID控制器参数的路径跟踪控制[J].制造业自动化,2022,44(5):78-81.YANG C,JIANG X,BAI B,et al.Path following control of PID controller parameters optimized by genetic algorithm[J].Manufacturing Automation,2022,44(5):78-81.(in Chinese)
[38] XIA G Q,HAN Z W,ZHAO B,et al.Global path planning for unmanned surface vehicle based on improved quantum ant colony algorithm[J].Mathematical Problems in Engineering,2019,2019.1:2902170.
[39] 柳俊,黄鋆.基于改进混沌萤火虫算法的无人艇路径规划研究[J].控制工程,2021,28(11):2209-2214.LIU J,HUANG Y.Research on path planning of unmanned surface vehicles based on improved chaotic firefly algorithm[J].Control Engineering,2021,28(11):2209-2214.(in Chinese)
[40] NAEEML W,SUTTON R,CHUDLEY J.Modeling and control of unmanned surface vehicle for environment monitoring [J].Robotic Ocean Vehicles for Marine Science Applications,2006(1):409-415.
[41] KUWATA Y,WOLF M T,ZARZHITSKY D,et al.Safe maritime autonomous navigation with COLREGS,using velocity obstacles[J].IEEE Journal of Oceanic Engineering,2014,39(1):110-119.
[42] CANNY J,REIF J.New lower bound techniques for robot motion planning problems[C]//28th Annual Symposium on Foundations of Computer Science (sfcs 1987).Los Angeles,CA,USA.IEEE,1987:49-60.
[43] TAM C,BUCKNALL R.Path-planning algorithm for ships in close-range encounters[J].Journal of Marine Science and Technology,2010,15(4):395-407.
[44] 张汝波,唐平鹏,杨歌,等.水面无人艇自适应危险规避决策过程收敛性分析[J].计算机研究与发展,2014,51(12):2644-2652.ZHANG R B,TANG P P,YANG G,et al.Convergence analysis of adaptive obstacle avoidance decision processes for unmanned surface vehicle[J].Journal of Computer Research and Development,2014,51(12):2644-2652.(in Chinese)
[45] VICSEK T,CZIR K A,BEN-JACOB E,et al.Novel type of phase transition in a system of self-driven particles[J].Physical Review Letters,1995,75(6):1226-1229.
[46] GHOMMAM J,SAAD M.Adaptive leader-follower formation control of underactuated surface vessels under asymmetric range and bearing constraints[J].IEEE Transactions on Vehicular Technology,2018,67(2):852-865.
[47] 王涛,许永生,张迎春,等.基于行为的非合作目标多航天器编队轨迹规划[J].中国空间科学技术,2017,37(1):19-25.WANG T,XU Y S,ZHANG Y C,et al.Trajectory planning for non-cooperative target multi-spacecraft formation based on behavior strategy[J].Chinese Space Science and Technology,2017,37(1):19-25.(in Chinese)
[48] 刘安东,秦冬冬.基于虚拟结构法的多移动机器人分布式预测控制[J].控制与决策,2021,36(5):1273-1280.LIU A D,QIN D D.Distributed predictive control of multiple mobile robots based on virtual structure method[J].Control and Decision,2021,36(5):1273-1280.(in Chinese)
[49] SIAVASH M,MAJD V J,TAHMASEBI M.A practical finite-time back-stepping sliding-mode formation controller design for stochastic nonlinear multi-agent systems with time-varying weighted topology[J].International Journal of Systems Science,2020,51(3):488-506.
[50] 宋大雷,干文浩,许嘤枝,等.无人船实时路径规划与编队控制仿真研究[J].系统仿真学报,2023,35(5):957-970.SONG D L,GAN W H,XU Y Z,et al.Simulation of real-time path planning and formation control for unmanned surface vessel[J].Journal of System Simulation,2023,35(5):957-970.(in Chinese)
[51] 李贺,王宁,薛皓原.水面无人艇领航—跟随固定时间编队控制[J].中国舰船研究,2020,15(2):111-118.LI H,WANG N,XUE H Y.Leader-follower fixed-time formation control of unmanned surface vehicles[J].Chinese Journal of Ship Research,2020,15(2):111-118.(in Chinese)
[52] 邓志良,王振凎,沈薇,等.多无人船编队控制及其位置估计算法研究[J].机械科学与技术,2022,41(4):626-633.DENG Z L,WANG Z G,SHEN W,et al.Formation control of unmanned surface vehicles with position estimation algorithm [J].Mechanical Science and Technology,2022,41(4):626-633.(in Chinese)
[53] 黄兵,肖云飞,冯元,等.无人艇全分布式动态事件触发编队控制[J].控制理论与应用,2023,40(8):1479-1487.HUANG B,XIAO Y F,FENG Y,et al.Fully distributed dynamic event-triggered formation control for multiple unmanned surface vehicles[J].Control Theory &Applications,2023,40(8):1479-1487.(in Chinese)
[54] 张佳泽,王斐,张胜茂,等.基于遥感技术的渔业应用研究综述[J].浙江海洋大学学报(自然科学版),2022,41(1):81-90.ZHANG J Z,WANG F,ZHANG S M,et al.Summary of fisheries application research based on remote sensing technology [J].Journal of Zhejiang Ocean University (Natural Science Edition),2022,41(1):81-90.(in Chinese)
[55] 吕扬民,陆康丽,王梓.水质监测无人船路径规划方法研究[J].智能计算机与应用,2019,9(1):14-18,23.LÜ Y M,LU K L,WANG Z.Research on path planning method of water quality monitoring USV[J].Intelligent Computer and Applications,2019,9(1):14-18,23.(in Chinese)
[56] 刘培学,刘纪新,姜宝华,等.基于小型无人船的海洋养殖环境监测系统设计[J].渔业现代化,2018,45(3):22-27.LIU P X,LIU J X,JIANG B H,et al.Design of marine aquaculture environmental monitoring system based on small unmanned ship[J].Fishery Modernization,2018,45(3):22-27.(in Chinese)
[57] 张启元,张烈山,兰益成,等.基于NB-IoT的养殖塘水质监测无人艇系统研究[J].电子测量技术,2021,44(7):170-178.ZHANG Q Y,ZHANG L S,LAN Y C,et al.Research on water quality unmanned vehicle system based on NB-IoT for aquaculture ponds[J].Electronic Measurement Technology,2021,44(7):170-178.(in Chinese)
[58] 陈培伦.智能无人船水质监测系统[D].南京:南京理工大学,2021.CHEN P L.Intelligent unmanned ship water quality monitoring system[D].Nanjing:Nanjing University of Science and Technology,2021.(in Chinese)
[59] 江先亮,尚子宁,金光.基于无人船的水产养殖水质动态监测系统设计与实验[J].农业机械学报,2020,51(9):175-185+174.JIANG X L,SHANG Z N,JIN G.Design and test of dynamic water quality monitoring system for aquaculture based on unmanned surface vehicle[J].Journal of Agricultural Machinery,2020,51(9):175-185+174.(in Chinese)
[60] JIA S,ZHANG Y H, RAN W,et al.The unmanned autonomous cruise ship for water quality monitoring and sampling[C]//2017 International Conference on Computer Systems,Electronics and Control (ICCSEC).Dalian,China,IEEE,2017:700-703.DOI:10.1109/ICCSEC.2017.8447040.
[61] 吴珊珊,刘清闯,王书旺,等.基于物联网的水体环境监测无人船的设计[J].数字技术与应用,2017(5):165-166.WU S S,LIU Q C,WANG S W,et al.Design of unmanned ship for water environment monitoring based on Internet of Things[J].Digital Technology &Application,2017(5):165-166.(in Chinese)
[62] 黄智雯.无人船水质参数采集与分析软件系统的设计与开发[D].海口:海南大学,2020.HUANG Z W.The design of collection and analysis of water quality parameters of unmanned ship[D].Haikou:Hainan University,2020.(in Chinese)
[63] SONG Y,SHIN H,KOO S,et al.Internet of maritime things platform for remote marine water quality monitoring[J].IEEE Internet of Things Journal,2022,9(16):14355-14365.
[64] 戴犀尊.基于宽光谱技术的无人船水质在线监测系统研究[D].北京:北方工业大学,2023.DAI R Z.Research on online water quality monitoring system of unmanned ship based on broad spectrum technology [D].Beijing:North University of Technology,2023.(in Chinese)
[65] 洪扬,陈晓龙,田昌凤,等.蟹、虾养殖池塘移动投饲装置的设计与试验[J].渔业现代化,2018,45(3):9-14.HONG Y,CHEN X L,TIAN C F,et al.Design and test of a kind of moving feeding device for crab and shrimp ponds [J].Fishery Modernisation,2018,45(3):9-14.(in Chinese)
[66] 胡庆松,郑波,曹佳瑞,等.船载投饵装置平衡抖料系统设计与试验[J].上海海洋大学学报,2020,29(1):1-11.HU Q S,ZHENG B,CAO J R,et al.Design and test of balanced shaking system for boat-borne bait feeding device [J].Journal of Shanghai Ocean University,2020,29(1):1-11.(in Chinese)
[67] 周达辉,朱晓敏,刘伟清.基于PLC的自巡航虾塘投饲机研究[J].江苏农机化,2016(4):23-26,27.ZHOU D H,ZHU X M,LIU W Q.Research on self-cruising shrimp pond feeding machine based on PLC[J].Jiangsu Agricultural Mechanization,2016(4):23-26,27.(in Chinese)
[68] 穆春华,范良忠,刘鹰.基于计算机视觉的循环水养殖系统残饵识别研究[J].渔业现代化,2015,42(2):33-37.MU C H,FAN L Z,LIU Y.Research on the residual feeds recognition of recirculating aquaculture systems based on computer vision[J].Fishery Modernization,2015,42(2):33-37.(in Chinese)
[69] 王勇平,聂余满,谢成军,等.基于机器视觉的养殖鱼群智能投饵系统设计与研究[J].仪表技术,2015(1):1-4.WANG Y P,NIE Y M,XIE C J,et al.Design and research of intelligent feeding system for farmed fish based on machine vision[J].Instrumentation Technology,2015(1):1-4.(in Chinese)
[70] 池涛,庞云剑,沈晓晶.水产养殖智能投喂系统中单目视觉测量的研究[J].山东农业大学学报(自然科学版),2019,50(6):980-985.CHI T,PANG Y J,SHEN X J.Research on monocular vision measurement in intelligent aquaculture feeding system[J].Journal of Shandong Agricultural University (Natural Science Edition),2019,50(6):980-985.(in Chinese)
[71] HU W C,CHEN L B,HUANG B K,et al.A computer vision-based intelligent fish feeding system using deep learning techniques for aquaculture[J].IEEE Sensors Journal,2022,22(7):7185-7194.
[72] 李志鹏,王俊会,刘嗥春,等.基于摄食声学的投饵系统设计[J].水产养殖,2020,41(5):38-42.LI Z P,WANG J H,LIU H C,et al.Design of feeding system based on feeding acoustics[J].Journal of Aquaculture,2020,41(5):38-42.(in Chinese)
[73] 陆天辰.声学信号在虾塘投饵系统中的研究与应用[D].上海:上海海洋大学,2021.LU T C.Research and application of acoustic signal in baiting system of shrimp[D].Shanghai:Shanghai Ocean University,2021.(in Chinese)
[74] 王稳,张建伟,马燕飞,等.基于单片机的淤泥质海岸垃圾清理船控制系统设计[J].机械工程师,2020(8):88-89,93.WANG W,ZHANG J W,MA Y F,et al.Control system design of a mud coast garbage cleaning ship based on single chip microcomputer[J].Mechanical Engineer,2020(8):88-89,93.(in Chinese)
[75] GUNDERSON,D R.Surveys of fisheries resources [M].New York,John Wiley &Sons,1993.
[76] 张国晟,张崇良,薛莹,等.基于估计准度和调查费用的渔业资源调查采样设计优化[J].应用生态学报,2021,32(12):4523-4531.ZHANG G S,ZHANG C L,XUE Y,et al.Sampling design optimization based on estimation accuracy and survey cost for fishery-independent surveys[J].Journal of Applied Ecology,2021,32(12):4523-4531.(in Chinese)
[77] 杨胜龙,史慧敏,张胜茂,等.基BiLSTM模型的远洋渔船类型识别研究[J].海洋科学,2022,46(3):25-35.YANG S L,SHI H M,ZHANG S M,et al.Pelagic fishing vessel classification using bidirectional long short-term memory networks [J].Marine Science,2022,46(3):25-35.(in Chinese)
[78] BUSCHER E,MATHEWS D L,BRYCE C,et al.Applying a low cost,mini remotely operated vehicle (ROV) to assess an ecological baseline of an indigenous seascape in Canada[J].Frontiers in Marine Science,2020,7:669.
[79] 王书献,张胜茂,唐峰华,等.CNN-LSTM在日本鲭捕捞渔船行为提取中的应用[J].农业工程学报,2022,38(7):200-209.WANG S X,ZHANG S M,TANG F H,et al.Extracting the behavior of Scomber japonicus fishing vessel using CNN-LSTM[J].Transactions of the Chinese Society of Agricultural Engineering,2022,38(7):200-209.(in Chinese)