当岛屿的电力中断时，通常需要找到水下电缆的故障点。传统方法是船只将整条电缆拉起，或派遣遥控水下机器人（ROV）沿线巡查。但如果自主水下航行器（AUV）能够先绘制电缆地图并准确定位故障位置，再由潜水员进行修复，将大大提升效率。

麻省理工学院林肯实验室的“先进水下系统与技术组”正专注于这一人机水下协作项目。该项目由内部自主系统研发计划资助，旨在发挥人类与机器人各自优势，优化美国军方的海事任务，包括关键基础设施的检查与维修、搜救、港口进入及反水雷行动。

项目负责人Madeline Miller指出：“潜水员和AUV在水下几乎没有协作。通常需要人类参与的水下任务，是因为涉及机器人难以完成的操作，比如基础设施修复或水雷拆除。即使是ROV，在执行复杂操作时也受限于机械臂的灵活性。”

人类潜水员在水下识别物体方面表现出色，且具备灵巧的操作能力；而机器人则在计算能力、高速移动和续航方面占优。为了结合双方优势，Miller团队开发了水下导航与感知的硬件和算法，这两项能力是实现高效人机协作的关键。

潜水员通常依靠指南针和划水次数来导航，但水下缺乏明显地标，且光线不足或水体浑浊，极易迷失方向。机器人若要辅助导航，必须准确感知环境。然而，黑暗和浑浊环境下，光学传感器难以成像，声纳虽能成像但缺乏色彩，仅显示物体轮廓和阴影。过去缺乏大量标注的声纳图像数据，限制了水下感知算法的训练。此外，海洋环境动态复杂，物体形态易被掩盖，增加了人工智能识别的难度。例如，破碎的飞机残骸或被贻贝覆盖的轮胎，可能不再呈现原有形态。

Miller表示：“我们的目标是为远征环境设计导航和感知解决方案。许多任务无法提前绘制水下地图，比如港口进入任务，可能只有卫星地图而无水下地图。”

在导航方面，团队借鉴了MIT海洋机器人组John Leonard教授的工作，开发潜水员与AUV协作的导航算法。Leonard团队在理想条件下进行了模拟和实地测试，使用人力划桨的皮划艇模拟潜水员和AUV。Miller团队将算法集成到实际任务相关的AUV中，并在更真实的海洋环境下测试，先用支援船模拟潜水员，后与真实潜水员合作。

Miller指出：“海流影响使得仅靠测距数据估计潜水员和AUV位置的优化问题变得复杂，潜水员需要更多传感能力。”

在感知方面，团队开发了能够实时处理光学和声纳数据的AI分类器，并在分类不确定时向潜水员请求反馈。分类器会将疑似物体的图像框发送给潜水员，询问“我认为这是个轮胎，但不确定，你怎么看？”潜水员可确认或指示更准确的目标位置，从而提升分类准确率。

这一反馈机制依赖水下声学调制解调器实现潜水员与AUV间通信。当前水下声学通信速率较低，传输未压缩图像需耗时数十分钟。因此，团队致力于在有限带宽和高延迟条件下，压缩信息量以保证实用性。为便于技术转移，团队采用了大量商用现成（COTS）传感器，构建了可集成于美国海军常用AUV的传感器载荷，包含声纳、光学传感器、声学调制解调器及多块数据处理板。

团队已在新英格兰沿海地区测试装备了传感器的AUV及算法，包括新罕布什尔州朴茨茅斯附近的开放海域，利用新罕布什尔大学的海洋研究船“Gulf Surveyor”和“Gulf Challenger”模拟潜水员，以及波士顿查尔斯河上的MIT帆船馆小艇作为替代。

Miller说：“大型船只难以模拟潜水员动作，小艇则能更贴近潜水员与AUV的相对运动。”

去年夏天，团队在密歇根理工大学五大湖研究中心开始与真实潜水员测试设备。潜水员手持名为“tube-let”的管状原型平板，配备压力和深度传感器、惯性测量单元及测距调制解调器，支持导航算法的优化计算。尽管缺少向AUV反馈信息的界面，测试仍取得进展。

Miller表示：“测试中协调潜水员与AUV的运动是一大挑战，因潜水员下潜后无法与水面团队通信，必须提前规划好两者位置，避免碰撞。”

在感知方面，博士生Caroline Keenan利用五大湖水质较佳的条件，推进了从光学传感器到声纳传感器的知识迁移研究，探索用光学分类器训练声纳分类器识别缺乏声纳数据的物体，旨在减轻人工标注声纳数据的负担。

随着内部资助项目接近尾声，Miller团队正寻求外部支持，将技术完善并推广至军事或商业应用。

Miller总结：“现代社会依赖水下电信和电力电缆，这些基础设施易受破坏。随着更多国家发展自主海洋系统，水下领域竞争日益激烈。维护全球经济安全和美国战略优势，必须融合人工智能与人类能力的优势。”