對于水下機器人來說，渾濁的海水就像一堵看不見的墻。

當機器人降落到海底，或在沙地里進行挖掘、抓取等操作時，螺旋槳和機械臂很容易攪起大量泥沙。短短幾秒鐘內，原本清晰的視野就會變成一片渾濁，攝像頭幾乎什么也看不見。很多時候，機器人只能停在原地，等泥沙慢慢沉降后再繼續(xù)工作。

這聽起來似乎不是什么大問題，但在一些場景中：例如水下排爆、深海打撈、海底設施巡檢等，這種等待不僅會拖慢機器人的作業(yè)效率，更會增加額外的成本和風險。因為機器人如果無法及時判斷周圍環(huán)境，可能發(fā)生激烈碰撞或誤操作。

這個問題在最近迎來了進展：美國麻省理工學院與伍茲霍爾海洋研究所（Woods Hole Oceanographic Institution，WHOI）的工程師合作開發(fā)了一套名為 Sonar-MASt3R 的水下測繪系統(tǒng)，能夠將聲吶傳感器的聲學數(shù)據(jù)與光學攝像頭的視覺圖像融合在一起，使水下機器人在低能見度的渾濁水域中也能實時生成精細的三維地圖。

該研究由 MIT 航空航天系研究生 Amy Phung 主導，與 WHOI 應用海洋物理與工程領域的資深科學家 Richard Camilli 合著。目前已在 ICRA 上正式發(fā)表并入選最佳論文候選名單。

圖｜Amy Phung（來源：WHOI）

據(jù)研究團隊透露，推動這項研究的重要出發(fā)點之一，就是水下未爆彈藥的清除。許多歷史遺留爆炸物埋藏在近岸海域的沉積物中，不僅影響航運安全，也給海洋工程帶來風險。

長期以來，水下感知技術在兩種方案之間權衡。一個是光學攝像頭，另一個是聲吶。前者能夠提供豐富的紋理、顏色和細節(jié)信息，但對環(huán)境要求極高。一旦進入深海、夜間環(huán)境，或是被泥沙和沉積物遮蔽的區(qū)域，相機獲取的信息便會急劇下降。相比之下，聲吶幾乎不受水體渾濁程度影響，它通過發(fā)射聲波并分析回波來測量目標的距離、輪廓和深度，即使在完全看不見的環(huán)境中也能工作。

但聲吶也有自己的局限性。它擅長回答“那里有什么”，卻很難回答“那到底是什么”的問題。相比真實圖像，聲吶生成的結果像是一幅缺少紋理與色彩的地形圖，只能勾勒出目標的大致輪廓。

因此，過去十余年里，研究人員一直試圖將視覺與聲學兩種感知方式結合起來，這一方向被稱為“光學-聲學融合（Opti-Acoustic Fusion）”。理論上，視覺負責提供細節(jié)，聲吶負責提供距離和結構信息，兩者結合能夠兼顧分辨率與魯棒性。

然而，真正實現(xiàn)這一目標并不容易。此前的大多數(shù)研究主要面向目標識別或局部場景重建，往往需要離線處理數(shù)據(jù)，難以滿足實時作業(yè)需求。能夠同時實現(xiàn)實時運行、三維建圖，并適用于高渾濁水下環(huán)境的系統(tǒng)一直十分罕見。

但這一次，MIT 團隊的 Sonar-MASt3R 做到了。它脫胎于一個名為 MASt3R（Matching And Stereo 3D Reconstruction，匹配與立體三維重建）的圖像匹配算法。該算法由法國 Naver Labs Europe 團隊開發(fā)，并于 2024 年發(fā)表在歐洲計算機視覺大會 ECCV 上。而 MASt3R 又建立在更早的 DUSt3R 框架之上。

（來源：Naver Labs Europe）

相比前代，MASt3R 最大的改進是在網(wǎng)絡中增加了一個專門輸出稠密局部特征圖的模塊（Head），并配合快速互惠匹配算法，能夠從多張二維圖像中快速估算場景內每個像素的相對深度，從而在不依賴相機位姿信息的情況下實時生成三維點云。

不過，MASt3R 也存在一個短板：它輸出的是相對深度，而不是絕對深度。用 Phung 的話來說，“它會告訴你這個像素比另一個像素近 5 個單位，卻沒法告訴你這 5 個單位究竟是 5 米還是 5 英尺。”對于需要精確判斷距離、避免碰撞的水下機器人來說，這顯然不夠。

這就是聲吶派上用場的地方。由于聲波傳播速度已知，聲吶可以通過回波返回時間直接計算目標的實際距離和深度，為場景提供可靠的絕對尺度信息。這也成為 Phung 和 Camilli 破題的思路：既然 MASt3R 擅長重建三維世界，那么就讓聲吶來補上它最缺失的那部分，也就是真實距離。

他們研究出的 Sonar-MASt3R 系統(tǒng)大致分為兩個階段。

首先是“聲吶掃描”。實驗中，一臺搭載聲吶傳感器的機械臂代替真實水下載具，在水箱中緩慢完成一次橫向掃描。系統(tǒng)根據(jù)收集到的聲學數(shù)據(jù)，快速生成環(huán)境的粗略三維輪廓圖。這張地圖雖然缺乏視覺細節(jié)，卻擁有準確的空間尺度信息：哪里有巨石、哪里有箱體、它們距離機器人多遠，都能夠被標注出來。

隨后進入第二階段，“光學抵近”。機器人根據(jù)聲吶地圖判斷目標位置，安全地向目標靠近。當距離足夠近時，水下攝像頭開始采集高分辨率圖像，并將其送入改進后的 MASt3R 管線進行處理。

為了保證實時性，系統(tǒng)采用了一種“關鍵幀”策略。每一幀新圖像都會與上一關鍵幀進行比較，如果包含新的環(huán)境信息，就被納入地圖；如果內容變化不大，則直接丟棄。這樣既減少了冗余計算，也讓整個建圖過程能夠持續(xù)實時運行。

為了驗證這一思路是否有效，研究團隊在 WHOI 的水箱設施中搭建了一套可控實驗環(huán)境。研究人員在水箱中放置了一塊小型巖石、一個咖啡杯和一個包裝箱等目標物體，并通過不斷攪動沉積物，制造出 8 種不同程度的渾濁環(huán)境。結果顯示，在所有濁度條件下，Sonar-MASt3R 的三維建圖精度和分辨率都優(yōu)于此前的光學-聲學融合方法，能夠識別厘米級別的細節(jié)。

（來源：論文）

結果顯示，即便是在最極端的渾濁條件下，此時光學攝像頭已經幾乎完全失效，聲吶仍然能夠勾勒出隱藏物體的大致輪廓。這張粗略地圖足以引導機械臂穿過渾濁水域，安全接近目標，再利用近距離拍攝獲得清晰的視覺信息。

Camilli 用了一個比喻來解釋這個實驗的難度：“這就像讓你走進一間漆黑的瓷器店，要在不打碎任何東西的情況下，找到一個特定的杯子?！?/p>

有趣的是，研究團隊認為，他們驗證算法的水箱環(huán)境其實比真實海洋更加苛刻。在封閉水箱中，聲波會不斷在四壁之間反射，產生大量混響、畸變和“鬼影”，就像在一個巨大的回聲室里工作。

這些額外信號會讓聲吶數(shù)據(jù)變得更加復雜。而在開放海域中，聲波能夠向更遠處擴散，多徑反射反而會少得多。如果 Sonar-MASt3R 能夠在這種“困難模式”下穩(wěn)定運行，那么進入真實海洋后，它的表現(xiàn)理論上只會更好。

不過，Sonar-MASt3R 距離真正的大規(guī)模應用，還有很長的路要走。接下來，Phung 團隊計劃將系統(tǒng)帶出實驗室，在真實水域開展進一步測試，讓它經歷復雜海況、洋流干擾以及長時間連續(xù)運行的考驗。

1.https://news.mit.edu/2026/new-imaging-system-sees-through-murky-waters-0611#main

2.https://europe.naverlabs.com/blog/mast3r-matching-and-stereo-3d-reconstruction/

3.https://dspace.mit.edu/entities/publication/46d5fb92-afff-4f32-9cd4-16d988b2271d

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成