В сфере морской аквакультуры на сетях, используемых для садков, часто скапливаются морские обрастания. Это препятствует циркуляции воды и создает угрозу безопасности. Традиционные ручные методы очистки отличаются низкой эффективностью, высокой трудоемкостью, значительными затратами и серьезным ущербом для окружающей среды.

В данной статье рассматривается текущее использование роботов для очистки сетей в аквакультуре для выполнения таких задач, как очистка, подводный осмотр и мониторинг. Подчеркиваются их преимущества, включая повышение эффективности работы и снижение затрат. Затем проводится обзор ключевых технологий, таких как:

• захват подводных изображений и визуальное распознавание;
• движение, основанное на прилипании к поверхности;
• эффективное удаление обрастаний;
• управление движением;
• позиционирование и навигация.

В конечном итоге, статья прогнозирует будущее развитие роботов для очистки сетей, акцентируя внимание на их потенциале в области интеллектуализации и устойчивого развития. Это может привести к тому, что морская аквакультура станет более эффективной и экологически безопасной.

Обзор составлен на основе статьи - Heng Liu, Chuhua Jiang, Junhua Chen, Hao Li, Yongqi Chen. Research Advances in Marine Aquaculture Net-Cleaning Robots. Sensors 2024, 24(23), 7555.

1. Введение

В последние годы морская аквакультура стала важнейшим способом удовлетворения мирового спроса на морепродукты. Согласно статистическому отчету Продовольственной и сельскохозяйственной организации (ФАО) ООН за 2022 год, морская аквакультура вносит значительный вклад в общую стоимость мирового рыболовства и является основным двигателем экономического развития в рыбной промышленности. Однако такое масштабное расширение аквакультуры также влечет за собой многочисленные проблемы.

Садковые системы — это основная инфраструктура в морской аквакультуре. Тем не менее, в процессе выращивания на сетках накапливаются значительные отложения и биологические обрастания, которые могут препятствовать водообмену и ставить под угрозу безопасность аквакультуры. Для решения этой проблемы были исследованы различные методы очистки. На ранних этапах основным методом была ручная очистка, которая была проста в исполнении, но из-за высокой трудоемкости и низкой эффективности постепенно выявились ее недостатки. К концу XX века, с развитием механического оборудования, в очистке сетей стали применяться механические промывочные системы. Эти системы используют потоки воды под высоким давлением для удаления загрязнений, значительно повышая эффективность очистки. Однако механическая очистка требует специальных технических навыков и может негативно повлиять как на материал сетей, так и на окружающую среду.

Чтобы еще больше повысить эффективность и минимизировать воздействие на окружающую среду, в последние годы были разработаны экологически чистые методы очистки, такие как использование противообрастающих покрытий и биотехнологий. Противообрастающая краска уменьшает биологическое обрастание с помощью химического покрытия, но существует потенциальный риск химического загрязнения. С другой стороны, контроль биологического обрастания использует пропорциональное сочетание рыбы-чистильщика для уменьшения налипания. Несмотря на экологические преимущества, этот метод имеет ограниченную область применения, а его эффективность зависит от поведенческих особенностей рыбы.

С быстрым развитием искусственного интеллекта и робототехники, интеллектуальные роботы для очистки сетей постепенно стали одним из направлений исследований. Благодаря своей гибкости, высокой эффективности и приспособленности к окружающей среде, эти роботы способны выполнять точные задачи по очистке сетей в различных морских условиях. Однако существующие методы включают компромиссы между адаптивностью к окружающей среде, эффективностью очистки и практическими затратами на применение, и еще не привели к появлению широко применимого решения. В частности, заметно отсутствие систематических исследований по интеграции эффективного очистительного оборудования и интеллектуальных технологий. Кроме того, хотя существующие исследования в основном сосредоточены на отдельных технологиях очистки, недостаточно обсуждается интеграция, интеллектуализация и устойчивое развитие технологий очистки сетей.

В связи с этим, данная статья фокусируется на применении и ключевых технологиях роботов для очистки сетей в морской аквакультуре, с целью восполнить пробелы в исследованиях в этой области. Сначала мы систематически рассматриваем текущее состояние применения роботов для очистки сетей, анализируя типичные случаи их использования для очистки сетей и подводной инспекции в аквакультуре. Затем мы обсуждаем статус развития и проблемы пяти основных технологий, задействованных в роботах для очистки сетей, включая визуальное распознавание, движение с прилипанием к сети, высокоэффективную дезактивацию, управление движением, а также позиционирование и навигацию. Наконец, мы анализируем будущие направления интеграции и интеллектуализации этих ключевых технологий, предоставляя как теоретическую поддержку, так и практическое руководство для продвижения технологического прогресса и содействия практическому применению в этой области.

Структура данной статьи следующая: Раздел 2 обобщает текущее состояние применения роботов для очистки сетей в морской аквакультуре; Раздел 3 предоставляет детальный анализ прогресса исследований и проблем ключевых технологий; Раздел 4 предлагает прогноз будущих тенденций развития и завершается подведением итогов всей статьи.

2. Текущее состояние применения роботов для очистки сетей в аквакультуре

Применение роботов для очистки сетей в морской аквакультуре стало ключевой стратегией для повышения эффективности производства, совершенствования методов управления и защиты морской среды. Этот раздел исследует текущее состояние роботов для очистки сетей, охватывая их роли в очистке сетей, подводной инспекции и мониторинге в морской аквакультуре. Эти применения не только улучшают эффективность культивирования, но и существенно снижают затраты и зависимость от ручного труда.

2.1. Очистка сетей в аквакультуре

Робот для очистки сетей эффективно выполняет подводную очистку сетей, интегрируя систему управления, модуль движения и очистительный блок. Система управления спроектирована так, чтобы гибко регулировать скорость и продолжительность очистки в зависимости от типа и распределения обрастаний на сетях, обеспечивая точные и целенаправленные операции. Очистительный блок включает в себя передовые инструменты, такие как сопла для струи воды и щетки, которые эффективно удаляют мусор, грязь и биологические обрастания с помощью струй воды под высоким давлением или механической чистки щетками. Это обеспечивает как эффективность, так и надежность процесса очистки.

Flying Net Cleaner 8 (FNC8), разработанный норвежской компанией AKVA, позволяет управлять всем процессом очистки сетей из централизованной диспетчерской. В отличие от традиционных методов с использованием колес или ремней, FNC8 ползает по садкам, сводя к минимуму износ сетей. Другой подводный робот, совместно разработанный шведскими компаниями WEDA Water и Mainstay, специализируется на удалении водорослей и отложений со дна с вертикальных или горизонтальных поверхностей в условиях аквакультуры. Aurora Marine, базирующаяся в Великобритании, разработала подводного робота для очистки сетей на гусеничном ходу, который обеспечивает стабильное прилипание к поверхностям садков и оснащен системой струй воды под высоким давлением для эффективной очистки сеток. Японская фирма Yanmar Marine представила робота для очистки сетей, использующего уникальный метод, сочетающий струи воды под высоким давлением с чисткой щетками. Этот гибридный подход к очистке значительно повышает эффективность и эффективно удаляет стойкую грязь и биологические обрастания с садков. Китайская компания Colorful Ocean Technology Co., Ltd. разработала автоматизированного робота для очистки сетей, который прикрепляется к сетям, нуждающимся в очистке, с помощью механизма тягового прилипания. Робот может управляться вручную или работать автономно, перемещаясь по сетям и используя технологию кавитационной струи для удаления мусора с сетей. Между тем, Лю Сыюань и его коллеги из Гуандунского океанического университета разработали полностью автоматизированного робота для очистки глубоководных сетей. Этот робот также использует технологию кавитационной струи для очистки и систему гусениц для перемещения по сетям. Кроме того, он оснащен подводной камерой для визуального мониторинга окружающей среды. Рисунок 1 представляет обзор роботов для очистки сетей.

Несмотря на значительные достижения в робототехнике для очистки сетей в последние годы, а также растущее число связанных технологий и исследований, несколько фундаментальных проблем остаются нерешенными. Во-первых, меняющаяся среда аквакультуры, в частности, требования к очистке глубоководных и структурно сложных сетей, создает проблемы, которые текущие технологии еще не могут эффективно решить. Существующие роботы-уборщики часто демонстрируют ограниченную адаптивность и гибкость при работе с различными конфигурациями сетей, такими как сетки неправильной формы или трехмерные структуры, что ограничивает их применение в сложных водных условиях. Во-вторых, существует заметный компромисс между эффективностью очистки и долговечностью оборудования для текущих технологий очистки. Хотя технология струи воды под высоким давлением очень эффективна для удаления обрастаний на сетях, ее интенсивное воздействие может привести к истиранию сетки, что потенциально может нарушить структурную целостность и срок службы сетей при длительном использовании. Кроме того, хотя существующие автоматизированные системы очистки в некоторой степени повысили эффективность очистки, их уровень автоматизации и адаптивности остается неадекватным. Это особенно очевидно в сложных условиях водного потока и глубоководных условиях, где стабильность и интеллектуальность автоматизированных систем не соответствует идеальным стандартам, что препятствует их широкому распространению в практических применениях.

2.2. Подводное обнаружение и мониторинг

В области морской аквакультуры поддержание стабильного качества воды, целостности сетей, распределения корма и здоровья рыбных популяций имеет решающее значение. Традиционные методы обнаружения и мониторинга, которые в основном основаны на ручном наблюдении или стационарном сенсорном оборудовании, часто приводят к ограниченному охвату мониторинга, низкой скорости обновления данных и недостаточной информации. Роботы для очистки сетей могут быть оснащены различными передовыми датчиками, такими как мониторы качества воды, камеры для визуализации и гидролокационные системы. Эти устройства позволяют собирать и анализировать данные об окружающей среде аквакультуры в режиме реального времени и способствуют быстрой передаче информации в береговой центр управления, обеспечивая своевременное обновление данных мониторинга.

Чтобы эффективно отслеживать и смягчать потенциальные негативные воздействия в морской аквакультуре, Кариманзира [18] предложил метод навигации, который сочетает управление на основе поведения с отслеживанием путевых точек, оснастив автономные подводные аппараты (AUV) датчиками, такими как мониторы электропроводности и растворенного кислорода, для облегчения мониторинга качества воды на большой площади. Исследователи из Норвежского университета науки и технологий (NTNU), включая Осена [19], разработали дистанционно управляемый аппарат (ROV), который использует небольшие пропеллеры для движения с несколькими степенями свободы, что позволяет воспринимать множество факторов в условиях аквакультуры на мелководье. Как показано на рисунке 2, сценарии мониторинга аквакультуры в морских садках. Ли [20] применил метод обработки изображений с адаптивным порогом для автоматизации мониторинга корма в аквакультуре в условиях различной мутности воды и неравномерного освещения. Кроме того, Даляньский технологический университет [21] интегрировал усовершенствованную систему захвата изображений на подводных роботах, используя технологию адаптивной обработки изображений для достижения автоматического распознавания и точной локализации повреждений сетей в морских садках.

Несмотря на значительные потенциальные преимущества роботов для очистки сетей в морской аквакультуре, практическое применение существующих технологий по-прежнему сталкивается с рядом проблем. Во-первых, многие существующие на рынке роботы для очистки сетей громоздки, что ограничивает их эксплуатационную гибкость в ограниченных или сложных конструкциях сетей-клеток и снижает их применимость в различных условиях аквакультуры. Во-вторых, хотя эти роботы предназначены для повышения эффективности очистки, их производительность часто не соответствует ожиданиям в практических применениях. Кроме того, некоторые роботы для очистки сетей оснащены устройствами с высоким энергопотреблением, что приводит к короткому времени работы и неспособности удовлетворить требования крупномасштабных или долгосрочных операций по очистке. Более того, сложность подводной среды может мешать передаче сигнала, что приводит к нестабильной связи и влияет на управление роботами и передачу данных в реальном времени.

Чтобы преодолеть эти проблемы, будущие исследования и разработки должны быть сосредоточены на следующих областях: Во-первых, за счет использования легких материалов и оптимизации конструкции, можно уменьшить размер робота, тем самым повысив эксплуатационную гибкость в сложных конструкциях сетей-клеток. Во-вторых, совершенствование технологий управления энергией и очистки, например, разработка систем рекуперации энергии или внедрение энергоэффективных методов очистки, может продлить время работы робота, чтобы удовлетворить потребности долгосрочных операций. Наконец, следует уделить первоочередное внимание разработке более совершенных технологий подводной связи и управления, таких как многомодальные системы связи и адаптивные алгоритмы управления, для повышения стабильности и надежности роботов в сложных подводных средах.

Применение роботов для очистки сетей в морской аквакультуре не только значительно повышает эффективность очистки и точность управления фермерским хозяйством, но и эффективно снижает затраты и риски для безопасности за счет уменьшения зависимости от ручного труда. По мере того как технологии продолжают развиваться, ожидается, что автоматизация и интеллектуальность роботов для очистки сетей будут совершенствоваться. Ожидается, что в будущем эти роботы будут расширяться в дополнительные области, продвигая индустрию морской аквакультуры к более эффективной и экологически устойчивой эре.

3. Основные технологии робота для очистки сетей

Хотя подводная робототехника нашла широкое применение в различных областях, таких как подводные исследования, спасение и обслуживание конструкций, исследования, конкретно ориентированные на роботов для очистки сетей, еще не привлекли достаточного внимания. Существующая литература в основном рассматривает общие технологии подводных роботов (например, подводное распознавание изображений, локализацию и навигацию, а также управление движением) и не учитывает в достаточной мере уникальные проблемы, связанные с очисткой сетей. Роботы для очистки сетей должны не только обладать возможностями локализации и управления движением, которые требуются от традиционных подводных роботов, но и решать конкретные потребности в точной очистке сетей в сложных подводных средах, в частности, с точки зрения эффективной дезактивации и движения с прилипанием к сетям. Поэтому этот раздел рассмотрит достижения в области роботов для очистки сетей по следующим основным технологическим направлениям: захват подводных изображений и визуальное распознавание, технология движения с прилипанием к сетям, технология высокоэффективной дезактивации, технология управления движением, а также технология подводной локализации, навигации и планирования движения. Основное внимание будет уделено анализу их применения и технологических инноваций в контексте задач по очистке сетей, с целью предоставить как техническую поддержку, так и теоретическую основу для будущего развития автоматизации аквакультуры.

3.1. Технология захвата подводных изображений и визуального распознавания

При выполнении задач по очистке робот для очистки сетей может захватывать изображения с помощью бортовой подводной HD-камеры и гидролокационной системы. Подводная HD-камера предоставляет изображения водной среды с высоким разрешением, в то время как гидролокационная система предлагает данные о расстоянии и форме. Это позволяет роботу эффективно идентифицировать обрастания, биологические налипания и потенциальные структурные повреждения во время работы. Рисунок 3 показывает технологию подводного видения робота для очистки сетей. Робот для очистки сетей, разработанный компанией Qingdao, China Sencott Technology Co., Ltd. в Китае, использует технологию кавитационной струи для очистки сеточных покрытий. Он оснащен подводной HD-камерой и системами освещения, что позволяет операторам в диспетчерской наблюдать за подводной средой в режиме реального времени. Институт автоматизации Шаньдунской академии наук [22] разработал автоматизированного робота для очистки сетей с кавитационной струей. Он объединяет такие технологии, как подводные сенсорные системы, гидролокационное обнаружение и встроенное управление, что позволяет выполнять беспилотные и автоматизированные операции по очистке подводных сетей в условиях высокого давления, аноксии и плохой видимости. Использование этих технологий не только повышает производительность робота, но и обеспечивает надежную техническую поддержку для автоматизации и интеллектуализации подводных операций.

Технологию подводного распознавания для роботов для очистки сетей можно разделить на два типа: технология оптического распознавания и технология акустического распознавания [23]. Оптическое распознавание включает использование данных изображения, захваченных подводными камерами высокой четкости, которые затем анализируются с помощью алгоритмов обработки изображений для извлечения информации о функциях. Это позволяет роботу идентифицировать и классифицировать подводные объекты. В области исследований технологии оптического распознавания Форст [24] разработал дистанционно управляемый подводный робот (ROV) для аквакультуры, который позволяет идентифицировать рыбу и собирать данные, неся видеокамеру высокой четкости. Кроме того, Цзиньцюань Чжан [25] разработал AUV рамного типа, оснащенный видеосистемой, и предложил стратегию для обнаружения разрыва спирального сетчатого покрытия. Они также разработали соответствующее аппаратное и программное обеспечение системы управления AUV с тремя степенями свободы посредством моделирования движения и динамических расчетов. Это исследование позволило добиться автоматического обнаружения разрыва сеточного покрытия в морских сетях, что значительно повысило эффективность обслуживания и безопасность сетевой аквакультуры и снизило риски и затраты, связанные с ручным осмотром.

В районах сетевого хозяйства рассеяние света, поглощение и характеристики отражения объектов подводной среды могут вызывать размытие изображений и потерю информации. Это не только влияет на четкость изображений, но и значительно снижает точность и надежность алгоритмов обнаружения целей. Чтобы решить эту проблему, улучшение подводных изображений стало решающим этапом предварительной обработки для улучшения производительности методов распознавания. За счет увеличения контраста изображения, уменьшения шума и улучшения деталей по краям, эти методы могут значительно повысить возможности визуального распознавания роботов для очистки сетей, а также повысить эффективность очистки и оптимизировать ее точность.

Чтобы решить проблему искажения изображений, вызванного подводным мусором, налипаниями на сетях и другими факторами, Пети [26] предлагает метод инверсии затухания на основе кватернионов для устранения искажения изображений, вызванного подводными обрастаниями и налипаниями на сетях. Метод сначала применяет сжатие цветового пространства на основе кватернионов, а затем улучшает изображение, используя принцип инверсии затухания света. Лян [27] улучшил оценку передачи подводного темного канала (UDCP) путем включения визуальных факторов, таких как зависящее от длины волны затухание, вызванное налипаниями на сетках и обрастаниями, а также размытость изображения относительно яркости, тем самым еще больше повышая четкость и контрастность изображения. Лю [28] разработал каскадную многомодульную структуру улучшения изображения, которая включает модули улучшения изображения с адаптивной сетью компенсации цветового канала (AC3Net) и эффективно смягчает специфическую для подводной среды проблему искажения цвета с помощью симуляционных экспериментов.

В области улучшения подводных изображений методы глубокого обучения могут автоматически изучать и извлекать признаки из сложной подводной среды, значительно повышая точность и эффективность обработки изображений. Хан [29] рассматривает различные интеллектуальные алгоритмы удаления тумана и восстановления цвета, подчеркивая большой потенциал методов глубокого обучения в решении проблем поглощения, рассеяния и искажения цвета, характерных для подводных изображений. Чтобы решить проблемы отклонения цвета и размытия деталей, вызванные грязью, которые распространены в подводных изображениях, Чжоу [30] разработал модель на основе глубокого обучения и объединил модуль внимания к пиксельному взвешенному каналу (PCAM), чтобы повысить способность модели распознавать и обрабатывать признаки подводных изображений. Сыци Лу [31] предложил двухфазный метод улучшения подводных изображений на основе сверточных нейронных сетей. Этот метод включает двухфазный процесс обработки, включая искажение и восстановление изображения, для повышения визуального качества изображения. Он использует сверточные нейронные сети для решения общих проблем подводных изображений, таких как искажение цвета и плохая четкость. Ючжэнь Лю [32] предложил метод улучшения подводных изображений, основанный на слиянии многомасштабных признаков и сети внимания, который строит каналы признаков и остаточные блоки внимания к пикселям (CPARs) для достижения динамической модуляции многоуровневых признаков. Этот подход эффективно улучшает детали изображения, подавляя избыточную информацию.

Хотя глубокое обучение достигло некоторого прогресса в области улучшения изображений, оно по-прежнему сталкивается с проблемами в задачах очистки сетей из-за ограниченных наборов данных о налипаниях на сетях, которые ограничивают возможности обучения и обобщения моделей глубокого обучения. Чтобы решить проблему недостатка данных для обучения подводных изображений, Чэнь [33] предложил метод перцептивного улучшения подводных изображений, который объединяет глубокое обучение с физическими априорными знаниями и представляет сетевую структуру HybridDetectionGAN. Эта структура объединяет физические модели и данные, управляемые подсказками, для синтеза данных для обучения, и включает оптимизацию взаимодействия детектора для повышения адаптивности модели к реальным подводным изображениям.

С другой стороны, акустическая идентификация основана на гидролокационных системах, которые излучают и принимают звуковые волны для обнаружения объектов. Когда звуковые волны сталкиваются с объектом, они создают эхо, и, анализируя время прохождения и интенсивность этих эхо-сигналов, гидролокатор может определить расстояние, размер и форму объекта. Однако, когда гидролокационные сигналы распространяются в подводной среде, такие факторы, как водные течения и топография морского дна, взаимодействуют на пути распространения звуковой волны, что приводит к искажению сигнала и генерации шума. Сложность гидролокационных сигналов и помехи от шума значительно увеличивают сложность обработки и идентификации гидролокационных данных. В исследовании обработки гидролокационных сигналов Ван [34] применил золотое сечение к процессу удаления шума из данных нелокальной пространственной информации в своем исследовании удаления шума из гидролокационных данных, чтобы адаптивно регулировать параметр степени фильтрации. Этот параметр использовался для оптимизации производительности алгоритма шумоподавления и эффективного подавления шума в подводных гидролокационных изображениях. Ли [35] применил нелокальный низкоранговый алгоритм для удаления шума из подводных гидролокационных изображений, используя присущую им информацию о слоистой структуре. Они улучшили ориентированное изображение в качестве загрузочного изображения и вычислили надежные загрузочные веса на основе этого изображения для точного выбора аналогичных блоков и удаления шума. Чен [36] объединил метод самоконтролируемого шумоподавления с динамическим механизмом внимания, чтобы предложить самоконтролируемую сетевую структуру шумоподавления «слепого пятна», основанную на глобальной стратегии осведомленности. Эта стратегия использует потерю восприятия, управляемую предложением маски, для повышения адаптивности модели к характеристикам гидролокационного изображения. Таблица 1 систематически обобщает прогресс исследований в области технологии подводного оптического и акустического распознавания.

Таблица 1. Прогресс исследований в области технологии подводного оптического и акустического распознавания.

Для роботов для очистки сетей, работающих под водой, оптическое распознавание обеспечивает изображения с высоким разрешением на близком расстоянии, что делает его подходящим для точного обнаружения, в то время как акустическое распознавание более эффективно для обнаружения на большие расстояния. При обнаружении грязи и повреждений сеток оптическое распознавание является более практичным из-за его способности захватывать мелкие детали. В то же время акустическое распознавание имеет важное значение для восприятия окружающей среды и обнаружения препятствий. С постоянным развитием сенсорных технологий интеграция мультимодальных сенсорных систем будет еще больше расширять возможности подводных операций робота для очистки сетей и продвигать развитие подводной автоматизации и интеллектуализации на более глубокий уровень.

3.2. Технология движения робота для очистки сетей с прилипанием к сети

Морское садковое хозяйство является важной частью освоения морских ресурсов. Поскольку большинство современных сетей для морских ранчо изготовлены из гибких или полугибких материалов, режим движения робота для очистки сетей должен быть адаптирован к этим характеристикам, чтобы обеспечить эффективные операции по очистке. В настоящее время тремя основными режимами движения для роботов для очистки сетей являются колесный, ножной и гусеничный. Как показано в таблице 2, колесная подвижность проста в эксплуатации, но ее ограниченная способность преодолевать препятствия на сетке и ее восприимчивость к запутыванию ограничивают ее применимость к сложным поверхностям сеток. Хотя ножная подвижность обеспечивает высокую гибкость, она не может удовлетворить требования крупномасштабных операций по очистке из-за небольшой площади контакта, низкой скорости и ограниченной грузоподъемности. Напротив, гусеничная подвижность, с ее большей площадью контакта и более высоким трением, демонстрирует превосходные возможности преодоления препятствий и стабильность, что делает ее особенно подходящей для перемещения по поверхности сетки.

Таблица 2. Сравнение методов передвижения роботов для очистки сетей.

Школа морских наук и технологий Северо-Западного политехнического университета [43] разработала подводного робота для задач по очистке корпуса (Рисунок 4). Этот робот оснащен шестью пропеллерами и двумя гусеничными механизмами. Был применен когерентный контроллер скользящего режима для эффективного решения проблем синхронизации между гусеничными механизмами и неточностями в измерении глубины, вызванными изменениями в подводной среде. Гуандунский океанический университет [44] разработал систему треугольных гусеничных колес в качестве системы мобильности для робота для очистки сетей. Эта конструкция сочетает в себе гибкость шин со стабильностью гусениц, что значительно повышает мобильность и адаптивность робота в сложных подводных условиях.

Эффективность очистки робота для очистки сетей тесно связана с его силой сцепления с сеткой. Чтобы обеспечить стабильное прилипание к сетке в различных океанских условиях, в гусеничный механизм, в дополнение к оптимизации его системы мобильности, может быть интегрирован адаптивный механизм захвата, чтобы усилить силу сцепления робота. Multi Pump Innovation AS разработала серию роботов для очистки сетей Racemaster с гусеничной подвижностью и встроенным адаптивным механизмом захвата. Эта конструкция позволяет им справляться с большими нагрузками и поддерживать стабильную эффективность очистки даже в условиях с высокой скоростью течения или с провисшей сеткой. Рисунок 5 показывает робота для очистки сетей Racemaster. Китайская академия рыболовства [45] разработала гусеничный робот для очистки сеток для аквакультуры в морских садках. Внешняя поверхность гусеницы оснащена специально разработанными зубьями для захвата, которые могут быть точно встроены в сетку, обеспечивая плотное прилегание робота к сетке для стабильного захвата.

Чтобы гарантировать, что роботы для очистки сетей сохраняют мобильность и маневренность в сложных и динамичных подводных средах, они часто оснащены винтовыми пропеллерами для повышения их 3D пространственной маневренности. Однако, поскольку винтовой движитель является нелинейным инерционным звеном, нескоординированное управление тягой между несколькими движителями во время работы может привести к фазовым различиям между движителями, что, в свою очередь, влияет на стабильность и точность маневрирования робота [46]. Фоссен [47] предоставил углубленный анализ различных методов распределения тяги для автомобилей с избыточной мощностью и подчеркнул, что должны быть учтены ограничения насыщения выходного сигнала движителя и ограничения на скорость нарастания тяги. На этой основе Акмаль [48] предложил стратегию адаптации к неисправностям, основанную на нечетком методе Тагаки-Сугено (T-S), для решения проблемы активного отказоустойчивого управления в системах движения подводных аппаратов. Эта стратегия поддерживает нормальную работу подводных роботов путем динамической корректировки подхода к управлению в случае сбоев движения, тем самым повышая надежность и безопасность системы. Бак [49] применил метод декомпозиции для решения проблемы нелинейности вектора тяги, вызванной механизмом наклона. Он применил технику проекции нулевого пространства, чтобы минимизировать тягу и избежать достижения границ угла наклона, успешно решив проблему управления распределением тяги с помощью симуляционных экспериментов, как показано на рисунке 6. Ван [50] решил проблему компоновки и распределения управления сферическим движителем с магнитной связью для подводных роботов (SRMCT-II), используя генетический алгоритм для определения оптимальной компоновки движителя независимо от традиционного инженерного опыта. Они решили проблему распределения управления с помощью дополненного метода Лагранжа.

Робот для очистки сетей объединяет несколько технологий, сочетая адаптивный захват с гусеничной системой подвижности, а также с интеллектуальной системой управления и технологией движителей. Это не только значительно увеличивает силу сцепления между роботом и сеткой, но и повышает эффективность и безопасность его операций по очистке в динамичной морской среде. Более того, это технологическое достижение поддерживает устойчивое развитие марикультуры и защиту окружающей среды, открывая путь к более эффективному и экологически безопасному подходу к будущему использованию морских ресурсов.

3.3. Технология эффективной дезактивации для роботов для очистки сетей

Оборудование для дезактивации сеточного покрытия для роботов для очистки сетей обычно объединяет технологии щеток и струй воды. Во время процесса очистки щетки удаляют водоросли, микроорганизмы и другие органические загрязнители с сеточного покрытия посредством физического контакта. Технология струи воды, известная своей высокой эффективностью и энергосберегающими функциями, смывает рыхлую грязь и обеспечивает тщательную очистку сеточного покрытия. С технологическими достижениями дезактивацию робота для очистки сетей можно далее разделить на технологию легкого соскабливания и чистки щетками и технологию струи воды с высоким потреблением энергии. Таблица 3 сравнивает характеристики и области применения технологии дезактивации сеток.

Таблица 3. Сравнение характеристик и областей применения технологии дезактивации сеточного покрытия.

Технология легкого соскабливания и промывки обеспечивает эффективную очистку сеточного покрытия с низким энергопотреблением за счет объединения функций соскабливания и промывки под низким давлением. Она гарантирует отсутствие повреждений сетчатого материала, одновременно эффективно удаляя водоросли, микроорганизмы и другие органические загрязнители.

Вэй Сун [52] разработал подводного робота для очистки сетей, который включает компонент отрицательного всасывания, опорный элемент и вращающееся скребковое устройство. Во время процесса очистки скребковое устройство эффективно соскабливает сетку, в то время как система всасывания под отрицательным давлением работает синхронно, чтобы мгновенно удалять соскобленный мусор. Чжу Чжэнхай [53] разработал устройство для очистки сетей, которое объединяет узел передвижения с двумя наборами скребковых узлов. Оно оснащено вращающимся стержнем с крыльчаткой и спиральным скребком со сборным бункером. Это устройство точно соскабливает грязь с сети во время движения и одновременно собирает мусор, эффективно предотвращая повреждение материала сети.

Технология струи воды включает в себя очистку вращающейся струей воды, очистку струей воды под высоким давлением и технологию кавитационной струи.

Технология очистки вращающейся струей использует один или несколько высокоскоростных вращающихся сопловых дисков для создания потоков воды, которые под действием центробежной силы охватывают сеточное покрытие веерным или круговым рисунком, обеспечивая эффективную очистку. Баба [54] применил технологию очистки вращающейся струей к роботу для очистки сетей и интегрировал ее с системой обработки изображений для достижения точной очистки сеточных покрытий. Осака [55] разработал подводного робота для очистки с винтовым движителем, который эффективно адаптируется к сеточному покрытию и использует вращающиеся струи для удаления прикрепленного материала. Рид [56] разработал узел поворотного шарнира высокого давления, который соединяет жидкостный шланг с внутренней системой промывки, создавая вихрь высокого давления, который не только повышает эффективность процесса очистки сеточного покрытия, но и сводит к минимуму повреждение сетчатого материала. Цзичао Чжуан [57] и его коллеги разработали плавающего робота для очистки сетей, который объединяет технологию вращающейся струи воды высокого давления с распылительным диском для расширения площади очистки сеточного покрытия.

Технология очистки струей воды под высоким давлением использует высокоскоростной поток воды, генерируемый насосом высокого давления, для формирования чрезвычайно тонкой струи через сопло, которая непосредственно воздействует на грязь на сеточном покрытии, эффективно достигая очистки [58, 59]. Опираясь на это, Питер [60] интегрировал технологию струи воды высокого давления в автоматизированного робота для очистки сеточного покрытия и объединил ее с манипулятором для усиления эффекта очистки. В Японии Niigata Engineering [61] разработала подводного робота «Aqua Boy», который использует технологию струи воды высокого давления и сочетает вращающиеся щетки для эффективного удаления налипаний на сетях за счет двойного действия физического трения и воздействия воды. Сяомин Чжан [62] разработал подводную машину для мытья сетей с коллекторным типом струи высокого давления, которая может формировать струю высокого давления через насос высокого давления и сопло для достижения эффективной очистки сеточных покрытий. Эта конструкция оптимизирует распределение и давление потока воды и повышает однородность и эффективность очистки. Сефа Сун [63] в своем исследовании объединил технологию струи высокого давления с технологией очистки щетками и использовал гидродинамические расчеты, основанные на уравнении Бернулли и теореме о импульсе, чтобы оптимизировать конструкцию очистного оборудования и обеспечить, чтобы струи воды высокого давления были эффективными на практике.

Технология кавитационной струи основана на высокой скорости потока воды через кавитационное сопло, которое создает зону низкого давления, формирующую кавитационные пузырьки. Когда большое количество кавитационных пузырьков схлопывается и воздействует на локализованное сеточное покрытие, создается сильная микроструя высокого давления, эффективно очищающая налипания на сетке [64]. Технология кавитационной струи не только эффективна для удаления стойких загрязнений с сеточного покрытия, но и наносит меньше вреда, что делает ее более экологически чистым и эффективным методом очистки. Чжэцзянский университет [65] исследовал подводного робота-уборщика с адаптивным механизмом для решения проблем стабильности и маневренности подводных роботов-уборщиков. Робот использует пассивные катящиеся шарниры и оптимизированный комбинированный блок магнитной адсорбции для обеспечения его стабильности и мобильности в изменчивой морской среде. В то же время робот оснащен технологией кавитационной струи для достижения эффективной очистки поверхностей стальных компонентов.

В технологии кавитационной струи эффективность кавитации сопла напрямую влияет на эффективность очистки сетки. Чтобы раскрыть более эффективный механизм кавитационной очистки, Хайтам [66] провел детальный анализ межотверстных взаимодействий в процессе гидродинамической кавитации многоотверстного сопла (MHO). Он обнаружил, что оптимизация расстояния между отверстиями может значительно повысить интенсивность турбулентности и эффективность образования пузырьков. Хатли [67] исследовал динамические характеристики кавитационного облака с помощью высокоскоростной фотографии и методов обработки изображений, выявив, что увеличение давления впрыска повышает как глубину проникновения, так и общую площадь кавитационного облака. Кэвэнь [68] исследовал явление кавитации в струях воды в условиях высокого давления окружающей среды посредством экспериментов и численного моделирования. Они обнаружили, что способность переноса пузырьков в кавитационной струе связана со скоростью струи и что струя должна иметь достаточный расход, чтобы предотвратить схлопывание пузырьков внутри сопла. Лян [69] продемонстрировал с помощью численного моделирования в системе водометного движителя AUV, что сопло косинусоидальной формы дает значительные преимущества в контроле кавитации и повышении эффективности преобразования импульса в тягу. Ян [70] обнаружил, что степень сжатия и диаметр центрального тела нового сопла с центральным телом являются наиболее важными факторами, влияющими на кавитацию. Их исследование геометрических параметров показало, что, когда коэффициент сжатия и диаметр центрального тела достигают оптимальных значений, вокруг сопла образуется эффективная область низкого давления, способствующая образованию многочисленных пузырьков и усиливающая кавитацию.

Будучи передовой технологией подводной очистки, технология кавитационной струи обладает значительными преимуществами в повышении эффективности очистки и минимизации повреждений очищаемых объектов. Однако она по-прежнему сталкивается с рядом проблем в практическом применении. Во-первых, внешнее оборудование для нагнетания давления является громоздким, а толстые трубы для передачи струи воды могут препятствовать мобильности и гибкости робота для очистки сетей. Во-вторых, шум, создаваемый оборудованием для нагнетания давления, и взрывной эффект кавитационных пузырьков могут нарушить подводную экосистему, потенциально пугая или даже убивая рыбу. Кроме того, фактические результаты очистки зависят от таких факторов, как конструкция оборудования, условия эксплуатации и влияние окружающей среды, что означает, что эффективность очистки не всегда может соответствовать теоретическим ожиданиям. Рисунок 7 показывает внешнее устройство кавитационной струи робота для очистки сетей.

В настоящее время большинство сетей изготавливаются из гибких или полугибких материалов, обеспечивающих необходимую поддержку и проницаемость. Однако эти конструкции могут подвергаться определенному физическому износу во время процесса очистки роботами для очистки сетей. Кроме того, когда продолжительность очистки составляет 6–8 часов или более, энергопотребление технологии струи воды во время таких непрерывных операций становится особенно значительным. Чтобы снизить энергопотребление и повысить эффективность очистки, будущие технологические достижения должны быть сосредоточены на двух ключевых областях: во-первых, разработка более совершенных стратегий очистки для минимизации физического воздействия на материал сетей; и, во-вторых, повышение энергоэффективности и выносливости роботов-уборщиков, чтобы обеспечить их непрерывную работу без ограничений по энергии.

3.4. Технология управления движением для роботов для очистки сетей

Роботы для очистки сетей специально разработаны для использования в условиях морской аквакультуры. В отличие от других подводных роботов, их основная задача — работать внутри сетчатого садка, где они сталкиваются с такими проблемами, как ограниченное рабочее пространство и необходимость надежного захвата сети для эффективной работы. Технология управления роботами для очистки сетей может быть разделена на две категории: управление инспекцией сети и управление адсорбцией сети. Управление инспекцией сетчатого садка включает в себя автономную инспекцию роботом внутренней части сетчатого садка, оценку состояния сеточного покрытия и планирование пути очистки. Управление адсорбцией сетчатого садка требует, чтобы робот оставался в непосредственной близости от сеточного покрытия во время процесса очистки для обеспечения оптимальной эффективности очистки. Для удовлетворения этих двух требований к управлению были исследованы различные методы управления как внутри страны, так и за рубежом. Эти методы в основном включают ПИД-управление, нечеткое управление и управление на основе нейронных сетей.

ПИД-управление — это классический метод управления с обратной связью, который обеспечивает динамическое регулирование системы путем настройки трех параметров: пропорционального (P), интегрального (I) и производного (D). В управлении инспекцией сетчатого садка ПИД-управление может использоваться для регулировки скорости и направления робота, позволяя ему адаптироваться к сложной среде внутри сетчатого садка. В управлении адсорбцией сетчатого садка ПИД-управление помогает роботу оставаться стабильным и поддерживать непосредственную близость к сеточному покрытию, обеспечивая точную очистку. Однако производительность ПИД-управления может быть ограничена при применении к нелинейным системам, и оно требует обширного опыта в настройке параметров. В своем исследовании Сархади [71] предложил адаптивную схему ПИД-управления с модельным эталоном. Эта схема включает адаптивный компенсатор анти-интегрального насыщения (AW) для повышения надежности в отношении проблемы насыщения привода.

Математическая модель робота для очистки сетей является типичной нелинейной проблемой, и нечеткое управление использует нечеткую логику для решения проблем неопределенности и нелинейности. В управлении инспекцией сетчатого садка нечеткое управление может эффективно справляться с неопределенностями, с которыми сталкивается робот в процессе инспекции, такими как неправильная форма сеточного покрытия и неравномерное распределение грязи. Однако разработка и настройка нечетких правил требует специальных знаний, а прогнозирование и анализ эффективности управления является сложной задачей [72].

Чтобы решить эти проблемы, Сяо Лян [73] предложил усовершенствованный метод нечеткого управления нейронной сетью, который объединяет генетический алгоритм с самообучением нейронной сети для оптимизации параметров функции принадлежности и динамической корректировки нечетких правил. Аналогично, Чэнь [74] разработал нечеткий контроллер, основанный на методе «линии визирования», и дополнительно оптимизировал его с помощью генетического алгоритма. Эффективность и надежность этого метода управления в сложных морских средах были подтверждены с помощью симуляций и экспериментов, проведенных на «Sea Dog AUV». Рисунок 8 — это схема нечеткой системы управления «Sea Dog AUV».

Управление на основе нейронной сети может быть достигнуто путем изучения всей или части нелинейной системы и обучения нейронной сети для управления сложными системами. Оно предлагает сильную способность к обобщению и адаптивность, с ключевым преимуществом, заключающимся в том, что оно не требует полного знания динамики робота для очистки сетей. В управлении адсорбцией сети нейронная сеть может автоматически корректировать стратегию адсорбции робота в ответ на изменения силы адсорбции, что позволяет ему адаптироваться к различным требованиям очистки. В настоящее время исследователи также изучают применение и усовершенствование методов управления на основе нейронных сетей. Ю [75] разработал контроллер на основе нейронной сети и применил его для управления URV. Результаты моделирования подтвердили, что управление на основе нейронной сети может эффективно справляться с неопределенностями и возмущениями в сложных средах. Эрнандес-Альварадо [76] предложил адаптивный ПИД-контроллер на основе нейронных сетей, который использует нейронную сеть для автоматической настройки параметров ПИД-регулятора, обеспечивая эффективное и точное управление, несмотря на изменения в параметрах системы или неизвестные возмущения. Рисунок 9 — это блок-схема автоматизированного ПИД-регулятора с управлением на основе искусственной нейронной сети. Минцзюнь Чжан [77] смоделировал и управлял автономным подводным аппаратом (AUV), используя метод обобщенного предиктивного управления на основе нейронных сетей, включающий улучшенную сеть Элмана. Адаптивность системы к динамическим изменениям была значительно повышена за счет механизма онлайн-обучения.

С быстрым развитием технологии искусственного интеллекта, стратегии управления с обучением с подкреплением стали передовым направлением в области управления роботами для очистки сетей. Обучение с подкреплением корректирует поведение робота для очистки сетей, получая обратную связь (вознаграждение или наказание) от окружающей среды, с целью максимизации долгосрочных совокупных вознаграждений. В применении роботов для очистки сетей обучение с подкреплением не только повышает их способность адаптироваться к динамическим средам, но и обеспечивает автономное принятие решений и обучение в неизвестных или меняющихся условиях.

Обучение с подкреплением все чаще становится ключевым направлением исследований в области управления роботами для очистки сетей, благодаря своим сильным сторонам в работе с неизвестной динамикой, неопределенностью и адаптацией в реальном времени. Элхаки [78] предлагает адаптивный надежный метод управления на основе нейронной сети, который объединяет обучение с подкреплением с теорией динамического поверхностного управления. Используя архитектуру нейронной сети Actor-Critic, этот подход компенсирует динамику системы, возмущения окружающей среды и насыщение привода. Кроме того, он повышает отзывчивость системы на неизвестную динамику и укрепляет надежность за счет обучения в реальном времени. Карлучо [79] разработал адаптивную стратегию низкоуровневого управления, основанную на глубоком обучении с подкреплением. Эта стратегия использует детерминированный градиентный алгоритм политики и глубокую нейронную сеть для аппроксимации функций ценности и политики в непрерывном пространстве действий, эффективно решая проблемы в низкоуровневом управлении автономными подводными аппаратами (AUV). Ван [80], с другой стороны, предложил надежный метод управления глубоким отслеживанием, основанный на состязательном глубоком обучении с подкреплением, специально разработанный для решения проблем глубокого отслеживания недогруженных автономных подводных аппаратов (AUV) в присутствии сложной динамики и внешних возмущений.

Применяя эти методы, обучение с подкреплением не только адаптивно оптимизирует стратегии управления, но и постепенно смягчает неопределенность, вызванную изменениями окружающей среды, посредством непрерывного процесса проб и ошибок. Чэнь [81] предложил алгоритм управления, основанный на глубоком обучении с подкреплением, который был успешно применен для управления положением бионического робота, вдохновленного бобром. Используя алгоритм DRL, робот достигает автономного обучения, не требуя сложной модели более высокого порядка, и оптимизирует свою стратегию плавания для поддержания стабильного положения тангажа. Это исследование демонстрирует, что глубокое обучение с подкреплением может эффективно управлять физическими системами и решать сложные задачи управления в реальных приложениях, не полагаясь на полную модель. Рисунок 10 — это система стабилизации положения тангажа подводного робота, похожего на бобра.

В дополнение к упомянутым выше методам управления, в области управления роботами для очистки сетей также были исследованы такие методы, как управление скользящим режимом, обратное управление и отказоустойчивое управление, каждый из которых предлагает уникальные преимущества и способен решать конкретные проблемы и требования. Однако на практике один метод управления может с трудом удовлетворить все требования. В результате технология управления роботами для очистки сетей постепенно сместилась в сторону составных методов управления, которые объединяют несколько стратегий для достижения улучшенной производительности и большей адаптивности.

3.5. Подводное позиционирование, навигация и технология планирования движения

При выполнении задач по очистке под водой роботы для очистки сетей полагаются на точное позиционирование, навигацию и эффективные методы планирования движения, чтобы обеспечить точность и безопасность своих операций. Однако эти технологии по-прежнему сталкиваются с рядом проблем: (1) подводная неопределенность, которая может повлиять на точность позиционирования и планирование пути роботов для очистки сетей; (2) нелинейная динамика подводных роботов с шестью степенями свободы, которая усложняет создание моделей движения; и (3) сложность объединения данных датчиков в мутных средах, а также необходимость адаптации к динамическому избеганию препятствий из-за изменяющихся структур сетчатого садка.

3.5.1. Технология подводного позиционирования и навигации для роботов для очистки сетей

Технология подводного позиционирования и навигации имеет решающее значение для успеха роботов для очистки сетей. В настоящее время технологии подводного позиционирования в основном включают акустические, визуальные, лазерные и инерциальные навигационные системы. Акустическое позиционирование — это самый зрелый и широко используемый метод для позиционирования и навигации подводных роботов. Он основан на характеристиках распространения звуковых волн в воде для определения положения робота путем передачи и приема акустических сигналов. Акустические системы включают в себя системы позиционирования и навигации с длинной базовой линией (LBL), короткой базовой линией (SBL) и сверхкороткой базовой линией (USBL). Методы визуальной навигации основаны на данных изображений, захваченных подводными камерами, но видимость значительно снижается в мутных водах, что приводит к снижению точности позиционирования. Подводный LiDAR (LIDAR) — это новый метод подводной навигации. LiDAR вычисляет расстояние между подводным роботом и окружающими объектами, излучая лазерные импульсы и измеряя время, необходимое для их возвращения после отражения от объектов. Он сохраняет высокую производительность даже в условиях низкой видимости. Однако системы LiDAR относительно дороги и чувствительны к отражениям и рассеянию от поверхности воды. Инерциальные навигационные системы, с другой стороны, определяют положение и ориентацию робота путем измерения ускорения и угловой скорости, но они накапливают ошибки с течением времени. Чтобы повысить точность позиционирования и навигации роботов для очистки сетей, Юйлян Сюй [82] предложил интегрированный подход. Этот подход использует метод объединения данных нескольких датчиков для оценки скорости и положения робота в сочетании с алгоритмами фильтрации для оптимизации обработки данных датчиков, достигая точной навигации и управления движением робота с шестью степенями свободы.

Одной навигационной техники часто недостаточно для удовлетворения требований высокоточного позиционирования и навигации. Объединение нескольких навигационных техник позволяет им дополнять друг друга, повышая как точность, так и надежность. Например, акустическое позиционирование может обеспечить грубое позиционирование на большой площади, которое затем может быть уточнено с помощью визуальной или лазерной навигации.

3.5.2. Планирование движения для роботов для очистки сетей

Методы планирования пути для роботов для очистки сетей обеспечивают как эффективность, так и безопасность при выполнении задач. Из-за уникальных характеристик рабочего пространства на поверхности сети почти нет препятствий. По сравнению с другими типами подводных роботов, планирование пути для роботов для очистки сетей обычно подчеркивает эффективность и охват, а не избегание препятствий. Планирование пути роботов для очистки сетей можно условно разделить на глобальное планирование пути и локальное планирование пути. Общие методы планирования пути включают алгоритмы поиска по графу, искусственное потенциальное поле (APF), методы случайной выборки и алгоритмы искусственного интеллекта. Таблица 4 систематически обобщает и сравнивает различные общие алгоритмы планирования пути.

Таблица 4. Алгоритм планирования подводного пути.

В методах планирования пути на основе искусственного интеллекта алгоритмы обучения с подкреплением могут быть применены, чтобы позволить роботам интерактивно учиться у окружающей среды и корректировать свои стратегии на основе сигналов вознаграждения от своего поведения. Это позволяет роботам для очистки сетей максимизировать долгосрочные вознаграждения в сценариях динамического планирования пути [102]. Лю [103] предложил метод планирования пути на основе обучения с подкреплением для автономных подводных аппаратов (AUV), эффективно решающий проблемы неопределенности и изменчивости в динамичных морских средах и, в частности, достигающий оптимального планирования пути в сложных условиях течения. Инновация этого метода заключается в его алгоритме обучения с подкреплением, который автономно корректирует свою стратегию, чтобы справляться с динамическими изменениями и неопределенностями в сложных средах. Аналогично, Цуй [104] предложил адаптивный метод управления на основе нейронной сети для решения проблемы отслеживания траектории автономных подводных аппаратов (AUV) при нелинейности управляющего воздействия и неопределенности модели, используя методы обучения с подкреплением. Этот метод эффективно справляется с неопределенностью модели и сложными проблемами управления путем адаптивной корректировки стратегии управления, тем самым повышая точность отслеживания траектории AUV.

Алгоритм глубокого обучения с подкреплением объединяет возможности глубокого обучения по извлечению признаков для аппроксимации сложных функций ценности или функций политики путем обучения глубоких нейронных сетей. Этот подход особенно хорошо подходит для решения проблем подводных, многомерных сред с непрерывными пространствами действий, таких как очистка сетей. Пэнчэн Фан [105] предложил улучшенный алгоритм Dueling DQN для планирования пути в трехмерных морских средах, учитывающий влияние океанских течений для повышения производительности и точности планирования пути AUV в реальном времени. Аналогично, Ю [106] предложил оптимальный метод управления отслеживанием траектории на основе глубокого обучения с подкреплением для точного управления отслеживанием траектории автономного подводного аппарата (AUV) с использованием двух нейронных сетей и алгоритма глубокого детерминированного градиента политики (DDPG). По сравнению с традиционными методами, алгоритм DDPG лучше приспособлен для решения нелинейных проблем управления в непрерывных пространствах действий, достигая точного отслеживания траектории, особенно в сложных и неопределенных морских средах, демонстрируя высокую надежность.

Эффективная реализация различных методов планирования пути для очистки сетей зависит от построения структурированной среды рыболовства. Структурированная среда не только обеспечивает необходимое рабочее пространство для робота для очистки сетей, но и предлагает стандартизированную компоновку, которая может значительно упростить сложность планирования пути. Структурирование пространственной среды садкового хозяйства с последующим дискретным разделением для создания карты водного объекта повышает эффективность очистки садка. Использование целевой рабочей области для направления пути робота дополнительно оптимизирует процесс [107]. Эта структурированная конструкция помогает роботу для очистки сетей лучше понимать и прогнозировать свою рабочую среду, тем самым повышая его автономность и адаптивность в реальных приложениях. Рисунок 11 — это экологическое картирование аквакультуры в садковом хозяйстве.

Уникальная проблема в построении карты для роботов для очистки сетей заключается в том, что рабочее пространство в основном сосредоточено на поверхности сети, которая динамически меняется под влиянием нагрузок от течения. Поэтому построение карты должно не только фиксировать местоположение и структуру сети, но и адаптироваться к ее динамическим изменениям и прогнозировать их. Чтобы решить эту проблему, построение карты сети может быть интегрировано с гидродинамическим моделированием, машинным зрением и технологией SLAM. Гидродинамическое моделирование имитирует динамическую реакцию сети на поток воды, обновляя ее положение и форму в реальном времени. Машинное зрение контролирует состояние сети в реальном времени, выявляя грязь и повреждения и включая эти данные в карту. Технология SLAM помогает роботу для очистки сетей автономно определять свое местоположение в неизвестных средах, одновременно строя карту окружающей среды.

Способность робота для очистки сетей следовать своему запланированному движению в основном ограничена двумя факторами: точностью его динамической модели и внешними возмущениями окружающей среды. Точность динамической модели влияет на то, насколько тесно фактическое движение соответствует запланированному. Следовательно, включение кинетической модели в планирование движения в качестве регулярного ограничения, в сочетании с сильными и слабыми ограничениями, помогает повысить надежность планирования пути. Кроме того, когда робот очищает сеть, поверхность сети неизбежно колеблется из-за океанских течений или волновых нагрузок, что влияет на точность пути. В результате эти внешние факторы должны быть тщательно учтены в процессе планирования, чтобы достичь оптимального планирования пути для робота для очистки сетей.

Планирование пути для роботов для очистки сетей — это сложная проблема, которая включает многомерную и многотехнологическую интеграцию. От классических алгоритмов поиска по графу до современных методов искусственного интеллекта, каждая технология предлагает уникальные преимущества и применимые сценарии. По мере того как технологии продолжают развиваться, будущее планирование пути для роботов для очистки сетей будет становиться все более интеллектуальным и автоматизированным, что позволит им лучше решать различные проблемы и требования к задачам.

4. Выводы и перспективы

Очистка сетей представляет собой типичный «3D» (скучный, повторяющийся и тонкий) вид работы, который требует высокой степени терпения и технических навыков. Внедрение роботов для очистки сетей в индустрию аквакультуры не только упрощает очистку сетей, но и снижает затраты на рабочую силу и операционные риски за счет уменьшения ручного вмешательства, при этом повышая согласованность и эффективность очистки.

Роботы для очистки сетей могут работать в сложных и динамичных подводных средах, сводя к минимуму риск прямого контакта человека с опасными условиями. Однако сложность этих подводных сред может напрямую влиять на эффективность управления роботом и эффективность очистки. Кроме того, такие факторы, как волновые нагрузки и морские организмы, могут снизить точность восприятия роботом для очистки сетей внешней информации. Более того, подводные сигналы могут ослабляться и подвергаться помехам, что влияет на связь в реальном времени между роботом и главным компьютером.

В ответ на сложности подводных сред, исследования в области робототехники для очистки сетей сосредоточены на ключевых технологических прорывах для продвижения технологий автоматизации. Это включает в себя следующее:

(1) Интеллектуальное подводное видение и технология связи: Усовершенствованная система подводного видения должна объединять высокопроизводительное оптическое и акустическое оборудование для получения изображений, а также включать алгоритмы глубокого обучения и обработки изображений для достижения высокоточного определения и классификации структур сетчатых садков, прикрепленных организмов, грязи и других целей. Кроме того, чтобы обеспечить обмен данными в реальном времени между роботом для очистки сетей и центром управления, технология подводной связи должна объединять адаптивную модуляцию и технологии многопутевой передачи для повышения эффективности связи в сложных подводных средах.

(2) Адаптивная технология движения с прилеганием к сети: Движение с прилеганием к сети является фундаментальной способностью, которой должен обладать робот для очистки сетей. Механизм гусеничного движения обеспечивает стабильное движение и позволяет роботу надежно прилегать к сети, в то время как адаптивный захватный крюк обеспечивает плотное прилегание робота к поверхности сети. Кроме того, винтовой движитель может регулировать положение робота, создавая при этом значительную движущую силу. Чтобы эффективно справляться с различными структурами сетей и динамическими условиями водного потока, будущие исследования должны включать технологии объединения мультимодальных датчиков (например, силы, зрения и тактильных ощущений), позволяя роботу для очистки сетей точно ощущать состояние поверхности сети и реагировать на него, тем самым достигая высокоэффективных и точных движений по очистке сетей.

(3) Инновационные методы очистки с низким энергопотреблением: Методы очистки с низким энергопотреблением должны отдавать приоритет балансу между эффективностью очистки и энергопотреблением, сводя к минимуму повреждение сетчатого покрытия. Будущие разработки будут объединять легкое соскабливание, создание пузырьков, низконапорный поток воды и технологию струи воды. В частности, хотя технология кавитационной струи эффективна для удаления грязи и уменьшения повреждений сетчатого покрытия, ее высокое энергопотребление остается проблемой. Это можно решить путем оптимизации конструкции сопла и регулировки механизма генерации пузырьков для снижения энергопотребления, а также путем инновационной разработки нового решения для очистки с низким энергопотреблением, которое сочетает несколько методов соскабливания и чистки щетками.

(4) Технология управления координацией движения: Роботы для очистки сетей должны работать с несколькими степенями свободы, что требует высокого уровня координации и точности в их системах управления движением. Будущие технологические достижения будут сосредоточены на повышении интеллектуальности этих систем управления для управления сложными движениями и адаптации к меняющимся условиям окружающей среды с большей точностью. Кроме того, развитие технологий многороботного сотрудничества повысит эффективность работы и адаптивные возможности за счет коллективного интеллекта и протоколов связи.

(5) Технология позиционирования и планирования на основе искусственного интеллекта: Подводная среда не может быть непосредственно позиционирована с помощью GPS, поэтому робот для очистки сетей должен полагаться на объединение акустического позиционирования, визуальной инерциальной навигации и технологий одновременной локализации и картирования (SLAM) для достижения точного позиционирования. С точки зрения планирования пути, интеграция технологии ИИ стала неизбежной тенденцией. Применяя технологии ИИ, такие как глубокое обучение с подкреплением (DRL), робот для очистки сетей может автономно изучать и оптимизировать свой путь очистки во время непрерывной работы, тем самым повышая эффективность очистки.

(6) Характеристики биологического роста и стратегии очистки: Виды и плотность прикрепленных организмов значительно различаются в зависимости от водных объектов и материалов сетей. Интеграция характеристик биологического роста и стратегий очистки может значительно повысить эффективность очистки, сводя к минимуму повреждение структуры сетей. В будущем использование анализа больших данных и алгоритмов машинного обучения для анализа пространственно-временных закономерностей распределения прикрепленных организмов послужит научной основой для оптимизации частоты и методов очистки. Кроме того, разработка новых чистящих инструментов и биологических ингибиторов в сочетании с корректировкой интеллектуальных стратегий очистки позволит роботу для очистки сетей минимизировать повреждение сетей и обеспечить эффективность и устойчивость операции по очистке.

Кроме того, исследования и практическое применение роботов для очистки сетей до сих пор не затрагивают такие области, как эффективность очистки, технология адаптивной силы сцепления с сеткой, динамическое моделирование цифрового двойника сетки в реальных условиях и технология принятия решений на основе больших данных с использованием искусственного интеллекта. По мере развития технологий и оборудования эти технические области будут активно изучаться и совершенствоваться.

Таким образом, робот для очистки сетей является ключевым элементом для перехода к интеллектуальным методам эксплуатации и обслуживания в морском рыболовстве. Однако в настоящее время его практическое применение ограничено существующими технологиями, и он пока не может выполнять задачи по очистке сетей полностью автономно, эффективно и удобно. В будущем развитие рыболовства должно быть сосредоточено на сочетании человеческого опыта с системами принятия решений роботов для очистки сетей. Использование технологий больших данных и алгоритмов оптимизации обеспечит обратную связь в реальном времени для выбора оптимальных методов и путей очистки. Конечная цель — создать интеллектуальное рыболовство на основе сотрудничества человека и машины.

-----

Ссылки

1. FAO. The State of World Fisheries and Aquaculture 2022: Towards Blue Transformation; FAO: Rome, Italy, 2022. [Google Scholar]
2. Mascorda Cabre, L.; Hosegood, P.; Attrill, M.J.; Bridger, D.; Sheehan, E.V. Offshore longline mussel farms: A review of oceanographic and ecological interactions to inform future research needs, policy and management. Rev. Aquac. 2021, 13, 1864–1887. [Google Scholar] [CrossRef]
3. Bannister, J.; Sievers, M.; Bush, F.; Bloecher, N. Biofouling in marine aquaculture: A review of recent research and developments. Biofouling 2019, 35, 631–648. [Google Scholar] [CrossRef] [PubMed]
4. Zheng, Y.L. Ecological Study of Fouling Organisms in the Net-pen Aquaculture Area of Tong’an Bay; Xiamen University: Xiamen, China, 2006; pp. 1–57. [Google Scholar]
5. Man, X.D.; Song, X.F.; Huang, Z.T.; Dong, D.P. Design and Simulation Experiment of Rotary Drum Cage Cleaning Device. Mod. Fish. 2019, 46, 22–28. [Google Scholar]
6. Xu, C.X.; Zhang, H.; Luo, M.W.; Gui, F.K. Design and Impact Force Test of Purse Seine Net Cleaning Equipment. Mod. Fish. 2023, 50, 50–57. [Google Scholar]
7. Wang, L.; Ma, L.; Lei, L.; Cui, Z.Y. Progress in Underwater Biomimetic Antifouling Technology Based on Surface Microstructure Replication and Wettability Regulation. J. Chin. Soc. Corros. Prot. 2023, 43, 242–250. [Google Scholar]
8. Wang, X.Z.; Lu, G.M.; Jiang, S.; Wan, Y. Advances in Marine Antifouling Coatings. Mater. Prog. China 2023, 42, 431–440. [Google Scholar]
9. Cao, J.Y.; Tang, J.H.; Fu, T.; Zhang, H.L.; Zhao, X.H.; Tang, Y.M.; Zuo, Y. Comparisons on Comparisons on Degradation Process of Two Antifouling Coatings Containing Cu2O and Organic Antifouling Agents. China Surf. Eng. 2019, 32, 105–112. [Google Scholar]
10. Wang, Y.; Zhang, D. Advances in the Study of Natural Product Antifoulants. J. Chin. Soc. Corros. Prot. 2015, 35, 1–11. [Google Scholar]
11. Zhou, L.K.; Liu, H.Z.; Li, Y. A Review of the Current Status and Key Technologies of Cleaning Robots. Mech. Sci. Technol. 2014, 33, 635–642. [Google Scholar]
12. Song, X.F.; Sun, Y.; He, J.; Chu, Y.C.; Sun, Z.L. Advances in Deepwater Net-pen Cleaning Technology and Equipment. Mod. Fish. 2021, 48, 1–9. [Google Scholar]
13. Wei, D.S.; Shen, W.H.; Cui, H.P. Analysis of the Current Status and Development Trends of Deep-sea Aquaculture Robotics Technology. Mech. Electr. Eng. Technol. 2023, 52, 56–61. [Google Scholar]
14. Liu, S.Y.; Huang, L.Q.; Fan, G.B.; Zhu, T.K.; Chen, B.H.; Yu, G.Y. Design and Application of Deepwater Net-pen Cleaning Robot Based on Cavitation Jet. Mech. Res. Appl. 2021, 34, 66–68+71. [Google Scholar]
15. Yuan, T.P.; Hu, Y.; Wang, S.M.; Liao, Y.Q.; Tao, Q.Y.; Huang, X.H.; Liu, H.Y.; Guo, G.X. Performance Study of Cavitation Jet Type Deepwater Net-pen Net Cleaning Equipment. South. Aquac. Sci. 2021, 17, 109–117. [Google Scholar]
16. Wang, Z.M.; Wu, M.P.; Wei, J.J. Erosion Study of Brittle Materials by Abrasive Water Jet. J. Eng. Des. 2019, 26, 79–86. [Google Scholar]
17. Jiang, Z.; Zhao, Y.; Huang, J.X.; Wang, F.; Chen, Y.; Luo, C.K.; Luo, G.S. Advances in Underwater Structure Operation and Maintenance Robot Technology for Deepwater Oil and Gas Platforms. Sci. Technol. Rev. 2024, 42, 6–15. [Google Scholar]
18. Karimanzira, D.; Jacobi, M.; Pfuetzenreuter, T.; Rauschenbach, T.; Eichhorn, M.; Taubert, R.; Ament, C. First testing of an AUV mission planning and guidance system for water quality monitoring and fish behavior observation in net cage fish farming. Inf. Process. Agric. 2014, 1, 131–140. [Google Scholar] [CrossRef]
19. Osen, O.L.; Sandvik, R.I.; Trygstad, J.B.; Rogne, V.; Zhang, H. A novel low cost ROV for aquaculture application. In Proceedings of the OCEANS 2017-Anchorage, Anchorage, AK, USA, 18–21 September 2017; pp. 1–7. [Google Scholar]
20. Li, D.; Xu, L.; Liu, H. Detection of uneaten fish food pellets in underwater images for aquaculture. Aquac. Eng. 2017, 78, 85–94. [Google Scholar] [CrossRef]
21. Zhao, Y.; Niu, L.; Du, H.; Bi, C. An adaptive method of damage detection for fishing nets based on image processing technology. Aquac. Eng. 2020, 90, 102071. [Google Scholar] [CrossRef]
22. Li, X.W. Cavitation Jet Underwater Cage Automatic Cleaning Robot Research and Industrialization; Shandong Academy of Sciences, Institute of Automation: Jinan, China, 16 May 2021. [Google Scholar]
23. Li, D.L.; Bao, J.H. Advances in Key Technologies for Underwater Robots in Aquaculture. Trans. Chin. Soc. Agric. Eng. 2018, 34, 1–9. [Google Scholar]
24. Frost, A.R.; McMaster, A.; Saunders, K.G.; Lee, S.R. The development of a remotely operated vehicle (ROV) for aquaculture. Aquac. Eng. 1996, 15, 461–483. [Google Scholar] [CrossRef]
25. Zhang, J.Q.; Hu, Q.S.; Shen, T.J.K.; Jiang, Y.Z. Design and Experiment of Frame-Type AUV for Detection of Net-pen Netting in Seawater Cages. J. Shanghai Ocean. Univ. 2016, 25, 607–612. [Google Scholar]
26. Petit, F.; Capelle-Laize, A.S.; Carre, P. Underwater image enhancement by attenuation inversionwith quaternions. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, Brighton, UK, 19–24 April 2009; pp. 1177–1180. [Google Scholar]
27. Liang, Z.; Ding, X.; Wang, Y.; Yan, X.; Fu, X. GUDCP: Generalization of Underwater Dark Channel Prior for Underwater Image Restoration. IEEE Trans. Circuits Syst. Video Technol. 2022, 32, 4879–4884. [Google Scholar] [CrossRef]
28. Liu, H.; Ding, Y.; Zeng, H.; Pu, H.; Luo, J.; Fan, B. A Cascaded Multimodule Image Enhancement Framework for Underwater Visual Perception. IEEE Trans. Neural Netw. Learn. Syst. 2024, 1–13. [Google Scholar] [CrossRef]
29. Han, M.; Lyu, Z.; Qiu, T.; Xu, M. A Review on Intelligence Dehazing and Color Restoration for Underwater Images. IEEE Trans. Syst. Man Cybern. Syst. 2020, 50, 1820–1832. [Google Scholar] [CrossRef]
30. Zhou, J.; Sun, J.; Zhang, W.; Lin, Z. Multi-view underwater image enhancement method via embedded fusion mechanism. Eng. Appl. Artif. Intell. 2023, 121, 105946. [Google Scholar] [CrossRef]
31. Lu, S.Q.; Guan, F.X.; Lai, H.T.; Du, X. A Two-Stage Underwater Image Enhancement Method Based on Convolutional Neural Networks. J. Beijing Univ. Aeronaut. Astronaut. 2023, 1–15. [Google Scholar]
32. Liu, Y.Z.; Liu, M.Y.; Lin, S.; Tao, Z.Y. Underwater Image Enhancement with Multi-Scale Feature Fusion Attention Network. Comput. -Aided Des. Comput. Graph. 2023, 35, 685–695. [Google Scholar]
33. Chen, L.; Jiang, Z.; Tong, L.; Liu, Z.; Zhao, A.; Zhang, Q.; Dong, J.; Zhou, H. Perceptual Underwater Image Enhancement with Deep Learning and Physical Priors. IEEE Trans. Circuits Syst. Video Technol. 2021, 31, 3078–3092. [Google Scholar] [CrossRef]
34. Wang, X.; Li, Q.; Yin, J.; Han, X.; Hao, W. An Adaptive Denoising and Detection Approach for Underwater Sonar Image. Remote Sens. 2019, 11, 396. [Google Scholar] [CrossRef]
35. Li, S.; Zhao, J.; Zhang, H.; Bi, Z.; Qu, S. A Non-Local Low-Rank Algorithm for Sub-Bottom Profile Sonar Image Denoising. Remote Sens. 2020, 12, 2336. [Google Scholar] [CrossRef]
36. Cheng, K.; Yan, L.; Ding, Y.; Zhou, H.; Li, M.; Ghafoor, H.a. Sonar image garbage detection via global despeckling and dynamic attention graph optimization. Neurocomputing 2023, 529, 152–165. [Google Scholar] [CrossRef]
37. Shi, X.H.; Zhou, Y.; Qian, J.Q.; Yu, Z.Q. Research on the Numerical Simulation Method of Net-Mesh Grouping for Net-pen Netting Based on Hydrodynamic Performance. Fish. Mod. 2021, 48, 74–79+96. [Google Scholar]
38. Wang, S.; Feng, D.J.; Gui, F.K. Hydrodynamic Characteristics of Stitched Edge Enclosures under Wave and Current Compound Conditions. Trans. Chin. Soc. Agric. Eng. 2022, 38, 60–68. [Google Scholar]
39. Jiang, L.Z. Study on Hydrodynamics and Motion Stability of Cavitation Jet Cleaning Robot for Marine Ranch Netting; Harbin Engineering University: Harbin, China, 2022. [Google Scholar]
40. Wang, L.H. Underwater Hull Surface Cleaning Robot and Related Technology Research; Harbin Engineering University: Harbin, China, 2002. [Google Scholar]
41. Zhao, Q.C. Design and Research of Glass Curtain Wall Cleaning Robot; Harbin Institute of Technology: Harbin, China, 2017. [Google Scholar]
42. Zhu, Y.; Wang, M.H.; Li, B.; Wang, C. Design and Verification of Trackable Deformable Robot Structural Parameters Based on Goal Programming. Trans. Chin. Soc. Agric. Eng. 2016, 32, 39–46. [Google Scholar]
43. Chen, L.; Cui, R.; Yan, W.; Xu, H.; Zhao, H.; Li, H. Design and climbing control of an underwater robot for ship hull cleaning. Ocean. Eng. 2023, 274, 114024. [Google Scholar] [CrossRef]
44. Liu, G.L.; Wei, H.Y.; Li, Z.P.; Li, D.R.; Li, R.H. Design of Track-Type Deep-Sea Cage Cleaning Robot. Mach. Manuf. 2019, 57, 11–14. [Google Scholar]
45. Huang, X.H.; Yuan, T.P.; Liu, C.P.; Hu, Y.; Liu, H.Y.; Wang, S.M.; Tao, Q.Y. Method for Cleaning Netting of Tracked Aquaculture Net Cage Cleaning Robot Using Seawater. CN113275295B, 13 September 2022. [Google Scholar]
46. Li, X.F.; Jiang, S.Q.; Cui, H.B.; Wang, H.W. Dynamic Response Analysis of a Hydraulic Propulsion System Considering Propeller Load. Huazhong Univ. Sci. Technol. (Nat. Sci. Ed. ) 2017, 45, 23–28. [Google Scholar]
47. Johansen, T.A.; Fossen, T.I. Control allocation—A survey. Automatica 2013, 49, 1087–1103. [Google Scholar] [CrossRef]
48. Akmal, M.; Yusoff, M.; Arshad, M.R. Active Fault Tolerant Control of a Remotely Operated Vehicle Propulsion System. Procedia Eng. 2012, 41, 622–628. [Google Scholar] [CrossRef]
49. Bak, J.; Moon, Y.; Kim, J.; Mohan, S.; Seo, T.; Jin, S. Hovering control of an underwater robot with tilting thrusters using the decomposition and compensation method based on a redundant actuation model. Robot. Auton. Syst. 2022, 150, 103995. [Google Scholar] [CrossRef]
50. Wang, Y.; Huang, Y.; Li, Y.; Ren, C. Optimization of thruster configuration and control allocation for a spherical magnetic coupling thrusters actuated underwater robot. Ocean. Eng. 2024, 309, 118445. [Google Scholar] [CrossRef]
51. Xu, C.X. Development of Automatic Cleaning Equipment for Enclosures; Zhejiang Ocean University: Zhoushan, China, 2023. [Google Scholar]
52. Song, W.; Ji, Q.; Wang, L.; Wang, L.; Liu, Y.L. Underwater Net Cleaning Robot for Deep-Sea Large Aquaculture Platform. CN115475808B, 18 August 2023. [Google Scholar]
53. Zhu, Z.K. A Marine Net Cage Netting Marine Organism Attachment Cleaning Device and Method. CN116371774A, 4 July 2023. [Google Scholar]
54. Yoshihiko, B.; Naoki, I. Device For Cleaning Underwater Fishing Net. JP2011125262, 30 June 2011. [Google Scholar]
55. Takitaro, O.; Daisuke, H. Submersible Cleaning Robot. EP2732885, 16 March 2016. [Google Scholar]
56. Reid, D. Vortex Net Cleaner Jetter Assembly. US10136622, 27 November 2018. [Google Scholar]
57. Zhuang, J.C.; Pang, H.C.; Liu, Z.L.; Zhang, D.L.; Jiang, J.T. Design of a New Type of Deep-Sea Cage Net Cleaning Robot. Machinery 2018, 45, 72–75. [Google Scholar]
58. Chen, Z.S.; Huang, L.Y.; Du, B.X.; Chen, Y.J.; Ni, L.X.; Jiang, H. Research on Hydrodynamic Characteristics of Ultra-High Pressure Water Jet Nozzle. Explos. Shock. Waves 2022, 42, 158–171. [Google Scholar]
59. Qin, G.Z.; Tian, Z.M. High-Pressure Water Jet Cleaning Technology and Its Applications. Pipeline Technol. Equip. 2001, 38–40. [Google Scholar]
60. Lindgren, P.B. Submerged Net Cleaner. US10918199, 16 February 2021. [Google Scholar]
61. Yang, R.W. Use of Robots for Cleaning Netting in Japan. Mod. Fish. Inf. 1992, 30. [Google Scholar]
62. Zhang, X.M.; Guo, G.X.; Tao, Q.Y.; Huang, X.H.; Hu, Y. Design of Bifurcated High-Pressure Water Jet Underwater Net Cleaning Machine. South. Aquac. 2010, 6, 46–51. [Google Scholar]
63. Song, X.F.; Jia, R.; Ma, Y.X. Design and Experiment of Vortex Water Flow Type Cage Cleaning Equipment. J. Ocean. Univ. China (Nat. Sci. Ed.) 2006, 733–738. [Google Scholar]
64. Lin, L.Q.; Liu, P.; Wang, Z.Y. Numerical Simulation of Underwater Cleaning Nozzle for Aquaculture Net Cages Based on Cavitation Jet Technology. Fish. Mod. 2020, 47, 59–65. [Google Scholar]
65. Fan, J.; Yang, C.; Chen, Y.; Wang, H.; Huang, Z.; Shou, Z.; Jiang, P.; Wei, Q. An underwater robot with self-adaption mechanism for cleaning steel pipes with variable diameters. Ind. Robot. 2018, 45, 193–205. [Google Scholar] [CrossRef]
66. Osman, H.; Sedrak, M.; Hosseini, S.H.; Elsayed, K. A comprehensive study of hole-to-hole interaction for multi-hole orifice (MHO) in hydrodynamic cavitation process. Flow Meas. Instrum. 2022, 85, 102163. [Google Scholar] [CrossRef]
67. Hutli, E.; Nedeljkovic, M.; Bonyár, A. Dynamic behaviour of cavitation clouds: Visualization and statistical analysis. J. Braz. Soc. Mech. Sci. Eng. 2019, 41, 281. [Google Scholar] [CrossRef]
68. Peng, K.; Tian, S.; Li, G.; Huang, Z.; Zhang, Z. Cavitation in water jet under high ambient pressure conditions. Exp. Therm. Fluid Sci. 2017, 89, 9–18. [Google Scholar] [CrossRef]
69. Liang, J.; Li, X.; Zhang, Z.; Lou, X.; Zhu, Y. Numerical investigation into effects on momentum thrust by nozzle’s geometric parameters in water jet propulsion system of autonomous underwater vehicles. Ocean. Eng. 2016, 123, 327–345. [Google Scholar]
70. Yang, M.; Xiao, S.; Kang, C.; Wang, Y. Effect of geometrical parameters on submerged cavitation jet discharged from profiled central-body nozzle. Chin. J. Mech. Eng. 2013, 26, 476–482. [Google Scholar] [CrossRef]
71. Sarhadi, P.; Noei, A.R.; Khosravi, A. Model reference adaptive PID control with anti-windup compensator for an autonomous underwater vehicle. Robot. Auton. Syst. 2016, 83, 87–93. [Google Scholar] [CrossRef]
72. Zhang, M.J.; Duan, Q.J. A Neural Network-Based Motion Predictive Control Method for Underwater Robots. China Shipbuild. 2001, 45–53. [Google Scholar]
73. Liang, X.; Zhang, J.D.; Li, W.; Guo, B.J.; Wan, L.; Xu, Y.R. T-S Fuzzy Neural Network Control for Underwater Robots. Electr. Mach. Control. 2010, 14, 99–104. [Google Scholar]
74. Chen, J.; Zhu, H.; Zhang, L.; Sun, Y. Research on fuzzy control of path tracking for underwater vehicle based on genetic algorithm optimization. Ocean. Eng. 2018, 156, 217–223. [Google Scholar] [CrossRef]
75. Yuh, J. A neural net controller for underwater robotic vehicles. IEEE J. Ocean. Eng. 1990, 15, 161–166. [Google Scholar] [CrossRef]
76. Hernández-Alvarado, R.; García-Valdovinos, L.G.; Salgado-Jiménez, T.; Gómez-Espinosa, A.; Fonseca-Navarro, F. Neural Network-Based Self-Tuning PID Control for Underwater Vehicles. Sensors 2016, 16, 1429. [Google Scholar] [CrossRef]
77. Zhang, M.J.; Gao, P.; Xu, J.A. Generalized Predictive Control of Autonomous Underwater Robots Based on Neural Networks. Robotics 2008, 91–96. [Google Scholar]
78. Elhaki, O.; Shojaei, K.; Mehrmohammadi, P. Reinforcement learning-based saturated adaptive robust neural-network control of underactuated autonomous underwater vehicles. Expert Syst. Appl. 2022, 197, 116714. [Google Scholar] [CrossRef]
79. Carlucho, I.; De Paula, M.; Wang, S.; Petillot, Y.; Acosta, G.G. Adaptive low-level control of autonomous underwater vehicles using deep reinforcement learning. Robot. Auton. Syst. 2018, 107, 71–86. [Google Scholar] [CrossRef]
80. Wang, Z.; Xiang, X.; Duan, Y.; Yang, S. Adversarial deep reinforcement learning based robust depth tracking control for underactuated autonomous underwater vehicle. Eng. Appl. Artif. Intell. 2024, 130, 107728. [Google Scholar] [CrossRef]
81. Chen, G.; Zhao, Z.; Lu, Y.; Yang, C.; Hu, H. Deep reinforcement learning-based pitch attitude control of a beaver-like underwater robot. Ocean. Eng. 2024, 307, 118163. [Google Scholar] [CrossRef]
82. Xu, Y.L.; Du, J.H.; Lei, Z.Y.; Cai, Y.Y.; Ye, Z.Y.; Han, Z.Y. A Review of the Application Status and Key Technologies of Underwater Robots in Fisheries. Robotics 2023, 45, 110–128. [Google Scholar]
83. Che, J.T.; Gao, F.Y.; Xie, Y.W.; Li, D.L.; Niu, K.; Ma, S.E. Underwater Robot Path Planning Based on Dijkstra Algorithm. Mech. Des. Res. 2020, 36, 44–48. [Google Scholar]
84. Carroll, K.P.; McClaran, S.R.; Nelson, E.L.; Barnett, D.M.; Friesen, D.K.; William, G.N. AUV path planning: An A* approach to path planning with consideration of variable vehicle speeds and multiple, overlapping, time-dependent exclusion zones. In Proceedings of the 1992 Symposium on Autonomous Underwater Vehicle Technology, Washington, DC, USA, 2–3 June 1992; pp. 79–84. [Google Scholar]
85. Zhang, L.; Li, Y. Mobile Robot Path Planning Algorithm Based on Improved A Star. J. Phys. Conf. Ser. 2021, 1848, 12013. [Google Scholar] [CrossRef]
86. Xu, B. Precise path planning and trajectory tracking based on improved A-star algorithm. Meas. Control. 2024, 57, 1025–1037. [Google Scholar] [CrossRef]
87. Kruger, D.; Stolkin, R.; Blum, A.; Briganti, J. Optimal AUV path planning for extended missions in complex, fast-flowing estuarine environments. In Proceedings of the 2007 IEEE International Conference on Robotics and Automation, Roma, Italy, 10–14 April 2007; pp. 4265–4270. [Google Scholar]
88. Warren, C.W. A technique for autonomous underwater vehicle route planning. IEEE J. Ocean. Eng. 1990, 15, 199–204. [Google Scholar] [CrossRef]
89. Khatib, O. Real-time obstacle avoidance for manipulators and mobile robots. In Proceedings of the 1985 IEEE International Conference on Robotics and Automation, Louis, MO, USA, 25–28 March 1985; pp. 500–505. [Google Scholar]
90. Karaman, S.; Frazzoli, E. Incremental Sampling-based Algorithms for Optimal Motion Planning. arXiv 2010, arXiv:abs/1005.0416. [Google Scholar]
91. Yu, L.; Wei, Z.; Wang, Z.; Hu, Y.; Wang, H. Path optimization of AUV based on smooth-RRT algorithm. In Proceedings of the 2017 IEEE International Conference on Mechatronics and Automation (ICMA), Takamatus, Japan, 6–9 August 2017; pp. 1498–1502. [Google Scholar]
92. Karaman, S.; Frazzoli, E. Sampling-based algorithms for optimal motion planning. Robot. Res. 2011, 30, 846–894. [Google Scholar] [CrossRef]
93. Saoud, H.; Hua, M.D.; Plumet, F.; Amar, F.B. Routing and course control of an autonomous sailboat. In Proceedings of the 2015 European Conference on Mobile Robots (ECMR), Lincoln, UK, 2–4 September 2015; pp. 1–6. [Google Scholar]
94. Alvarez, A.; Caiti, A.; Onken, R. Evolutionary path planning for autonomous underwater vehicles in a variable ocean. IEEE J. Ocean. Eng. 2004, 29, 418–429. [Google Scholar] [CrossRef]
95. Wang, N.; Wu, H.H.; Zhang, Y.H. Path Planning for Unmanned Surface Vehicles Considering Manipulation Constraints. Chin. J. Ship Res. 2024, 1–9. [Google Scholar]
96. Jin, H.P. Research on Multi-AUV Collaborative Exploration Path Planning Technology Based on Marine Environment; Zhejiang University: Hangzhou, China, 2021. [Google Scholar]
97. Fang, W.; Liao, Z.; Bai, Y. Improved ACO algorithm fused with improved Q-Learning algorithm for Bessel curve global path planning of search and rescue robots. Robot. Auton. Syst. 2024, 182, 104822. [Google Scholar] [CrossRef]
98. Sun, Y.; Gu, R.; Chen, X.; Sun, R.; Xin, L.; Bai, L. Efficient time-optimal path planning of AUV under the ocean currents based on graph and clustering strategy. Ocean. Eng. 2022, 259, 111907. [Google Scholar] [CrossRef]
99. Song, C.X. Online Path Planning of AUV in Three-Dimensional Complex Underwater Space; Shenyang Aerospace University: Shenyang, China, 2019. [Google Scholar]
100. Xu, P.-F.; Ding, Y.-X.; Luo, J.-C. Complete Coverage Path Planning of an Unmanned Surface Vehicle Based on a Complete Coverage Neural Network Algorithm. J. Mar. Sci. Eng. 2021, 9, 1163. [Google Scholar] [CrossRef]
101. Sun, Y.S.; Wang, L.F.; Wu, J.; Ran, X.R. A Review of Path Planning Methods for Intelligent Underwater Robots. Ship Sci. Technol. 2020, 42, 1–7. [Google Scholar]
102. Sun, Y.S.; Ran, X.R.; Zhang, G.C.; Wang, L.F.; Wang, J. Current Status and Prospects of Path Planning for Intelligent Underwater Robots; Harbin Engineering University: Harbin, China, 2020; Volume 41, pp. 1111–1116. [Google Scholar]
103. Liu, B.; Lu, Z. AUV Path Planning under Ocean Current Based on Reinforcement Learning in Electronic Chart. In Proceedings of the 2013 International Conference on Computational and Information Sciences, Shiyang, China, 21–23 June 2013; pp. 1939–1942. [Google Scholar]
104. Cui, R.; Yang, C.; Li, Y.; Sharma, S. Adaptive Neural Network Control of AUVs With Control Input Nonlinearities Using Reinforcement Learning. IEEE Trans. Syst. Man Cybern. Syst. 2017, 47, 1019–1029. [Google Scholar] [CrossRef]
105. Fang, P.C.; Zhou, H.Y.; Dong, M.J. Research on AUV Path Planning Based on Deep Reinforcement Learning. Mach. Tool Hydraul. 2024, 52, 134–141. [Google Scholar]
106. Yu, R.; Shi, Z.; Huang, C.; Li, T.; Ma, Q. Deep reinforcement learning based optimal trajectory tracking control of autonomous underwater vehicle. In Proceedings of the 2017 36th Chinese Control Conference (CCC), Dalian, China, 26–28 July 2017; pp. 4958–4965. [Google Scholar]
107. Sandøy, S.S.; Hegde, J.; Schjølberg, I.; Utne, I.B. Polar Map: A Digital Representation of Closed Structures for Underwater Robotic Inspection. Aquac. Eng. 2020, 89, 102039. [Google Scholar] [CrossRef]