更多新闻 →
少年版 · 好奇喵 | 晨启10分钟

蒙着眼、在烟雾里插插头?他们让水下航行器在浑浊水体中“精准停车”

📅 2026-10-13 来源:科学网 ✍️ 好奇喵 | 晨启10分钟 AI 改写
蒙上眼睛,走进一间烟雾弥漫的黑屋子,然后要求你把插头准确插进墙角那个巴掌大的插座——这差不多就是水下航行器在浑浊水体中对接时要完成的“高难度动作”。 水下航行器,简称AUV,是一种不需要人驾驶、能自己潜到海底干活的机器人。它可以测绘海底地形、监测水质、搜寻沉船,甚至给海底观测网当“快递员”。但它有个老问题:电池有限,干上几小时就得回家充电;而“家”通常是一个固定在海底的对接坞,入口并不宽敞。能不能对准、插稳,直接决定它能否长期待在水下。 在清澈的海水里,这件事还算好办,摄像头能看清对接坞上的标记。可一旦水体变浑浊——河流入海口、繁忙港口、泥沙被搅动的海底——情况就完全变了。水本身会吸收光线,红光最先消失,潜到几米深就已经是一片暗蓝;水中的泥沙颗粒和浮游生物还会把光四处散射,摄像头拍到的往往只是一团模糊光斑。用科研人员的话说,这是“视觉失效”。 于是,科学家把目光转向声音。声波在水中的传播速度大约是1500米/秒,是空气中(约340米/秒)的四倍多,而且能传得很远。水下定位常用的超短基线、长基线系统,就是靠测量声波到达的时间差来判断目标方位的。但声学也有短板:分辨率不如光学,图像粗糙、刷新慢,海底与海面之间的来回反射还会制造“回声干扰”,让人分不清哪一个才是真正的目标。 所以,真正可靠的方案往往是“多传感器融合”。思路有点像我们走路:先用手机导航大致确定方向(声学远距离搜索),接近目的地后再用眼睛找门牌号(光学近距离识别)。研究者会让声学负责把航行器带到对接坞附近,再用视觉、惯性导航等数据在最后几米里不断微调姿态;有的对接坞上还会安装声学信标、引导灯甚至磁场源,给航行器提供额外的“路标”。算法最难的地方在于:当某一种传感器“看不清”时,如何判断该相信谁、相信多少。 这项技术的意义,远不止“停得准”。有了可靠对接,水下机器人就能像电动汽车一样“回站充电”、上传数据、领取新任务,海底可以布设长期运行的观测网络,海洋牧场、深海采矿、海底管线巡检都会因此变得更高效、更便宜。换句话说,能对接,才有了“水下常驻”的可能。 当然,问题还远没有彻底解决:浑浊度多高还能工作?对接一次要花多久?万一失败,航行器能不能自己安全撤离?这些都要靠一次次湖试、海试去回答。技术的进步,往往就藏在这些不起眼的“几米”里。
💡 专家观点

有海洋工程研究者指出,水下自主对接的难点不在“动力”,而在“感知”——谁能更聪明地整合有限的感知信息,谁就能让机器在水下待得更久。

📊 关键数据
  • 声波在海水中传播速度 约1500米/秒
  • 声波在空气中传播速度 约340米/秒
🧠 知识点
  1. 水会“吃掉”光线,红光最先消失 水对光的吸收有选择性,波长较长的红光被吸收得最快,所以下潜越深,世界越偏蓝绿。浑浊水体中悬浮泥沙和浮游生物还会造成强烈散射,让成像对比度急剧下降。
  2. 声波在水中的传播速度约1500米/秒 空气中外声速约340米/秒,而海水中约为1500米/秒,是空气中的四倍多,且海水对声波的吸收远小于对光的吸收,因此声呐成为水下探测的主力工具。
  3. 多传感器融合:像人一样“综合判断” 工程上常把声学、光学、惯性导航、磁场等多种信息交给算法统一处理,例如卡尔曼滤波,用来在某一传感器不可靠时做出最优估计。这与人类同时依靠视觉、听觉和前庭觉保持平衡十分相似。
  4. AUV与ROV的区别 AUV是自主式水下航行器,靠自带程序独立完成任务;ROV是有缆遥控潜水器,通过缆绳与母船相连、由人实时操作。AUV更自由,但一旦出问题也无法立刻拉回船上。
  5. 对接坞相当于水下的“充电桩” 对接坞通常固定在海底,可为航行器充电、传输数据、更新任务指令。可靠对接是水下长期驻留、组建海底观测网的关键前提。
❓ 常见问题
为什么水下航行器一定要对接?
航行器电池有限,干几小时就需要回到海底对接坞充电、上传数据并领取新任务,能否对准插稳直接决定它能否长期在水下工作。
为什么不用摄像头解决浑浊水体中的定位?
水会吸收光线,红光最先消失,浑浊水体中的泥沙和浮游生物还会强烈散射光线,摄像头只能拍到模糊光斑,出现“视觉失效”。
声学定位有没有缺点?
有。声学分辨率不如光学,图像粗糙、刷新慢,海底与海面之间的来回反射还会造成“回声干扰”,所以需要与视觉、惯性导航等融合使用。
想了解更多适合青少年阅读的科技新闻?来好奇喵·晨启10分钟看看吧。
🆕 最新阅读
给量子网络“对表”:中国团队把相位锁定做到理论极限
中国团队用多波长联合锁定与贝叶斯估计,让量子网络跨节点相位锁定达到散粒噪声极限。
中国科大实现量子网络跨节点散粒噪声极限相位锁定
科学家让两台量子机器隔空对表,精度达到理论极限。
AI成了“点子王”?CMU和Meta让机器和人类专家比创意
CMU与Meta让AI生成科研点子,请一百多位NLP研究者盲评,结果AI新颖性略胜、可行性稍逊。
AI也会出主意啦!CMU和Meta造出一个“点子工厂”
CMU和Meta让AI学会跨领域出点子
给量子网络“对表”:中国团队把相位锁定做到理论极限
中国团队用多波长联合锁定与贝叶斯估计,让量子网络跨节点相位锁定达到散粒噪声极限。
🐱
在好奇喵小程序中打开
儿童版/少年版切换 · 听读 · 答题互动
↗

点击右上角 ··· 按钮

选择「在浏览器中打开」

即可跳转好奇喵小程序