水下机器人导航系统调研：VSLAM与声纳、惯导融合的现状与边界

水下没有GPS——电磁波穿不透海水，机器人一下水就和全球导航卫星系统彻底失联。行业通用的答案是"声学+惯性+光学"的多传感器融合：惯导和多普勒计程仪（DVL）做航位推算打底，超短基线（USBL）/长基线（LBL）水声定位提供绝对坐标修正，相机和成像声纳负责近场感知。国内外研究则在这条工程主线上，探索把VSLAM（视觉同步定位与建图）真正纳入水下导航闭环。

本文把研究侧和产业侧的情况都摆一遍，看看"视觉SLAM下水"这件事离工程成熟还有多远。

为什么水下导航必须融合，单一传感器都不够用

水下每一类传感器都有自己的"舒适区"和"死区"，这是物理规律决定的：

传感器	能提供什么	舒适区	死区
IMU/INS（惯导）	高频姿态与加速度积分	完全自主、不依赖环境	误差随时间累积，长期必漂
DVL（多普勒计程仪）	对底速度（“水下里程计”）	离底高度合适、底质较硬	深水离底过高、软底散射弱时信号丢失
压力计	深度	便宜、高频、全天候	只管竖直一个方向
USBL/LBL（水声定位）	绝对位置	工程上唯一成熟的水下绝对坐标来源	需外部基础设施、更新率低、浅海多径干扰
相机	近距高分辨率纹理	清水、数米内、有主动照明	浑浊、黑暗、低纹理——恰是多数作业现场
成像声纳	中远距几何轮廓	不依赖光，浑浊黑暗稳定工作	分辨率低、俯仰角欠定、近距有盲区、帧率低

多篇综述的共识性结论[1][2]：没有任何单一传感器能在水下独立完成长期精确导航。主流架构是"INS/DVL航位推算作骨干 + 视觉/声纳作外感受约束（视觉管清水近距、声纳管浑浊远距）+ 压力计约束深度 + USBL/LBL/水面GPS作稀疏绝对修正"，在EKF/UKF或因子图框架下紧耦合[2][3]。

工程精度的直观感受：一套好的INS+DVL组合，自主推算精度约为航程的0.1%_{0.3%（CEP，各厂商口径不同）。跑10公里，误差10}30米——必须靠声学定位定期"箍"住。

国内外研究现状：视觉SLAM下水，难在哪、做到哪一步了

水下视觉SLAM面临的挑战，多篇综述和专题论文有系统总结[1][4][5]：

• 吸收与散射：水对光选择性吸收（红橙光先消失），后向散射造成"雾感"，浑浊水域视觉有效距离往往只有几米；
• 折射：相机装在耐压壳里，光线经"水-玻璃-空气"多层折射，陆上标定的针孔模型系统性失效，密封舱轻微形变都会撞掉标定；
• 低纹理与光照剧变：海底沙地、洞穴壁纹理稀疏；深水无自然光，全靠主动照明，又带来光斑不均和"手电筒效应"；
• 动态干扰：海洋生物、悬浮颗粒、被灯光诱集的"海洋雪"造成大量误匹配，Ferrera等人为浑浊动态水体的实时单目视觉里程计专门做过建模[6]。

GEOMAR团队在真实AUV场景系统评测了10种主流单目VSLAM方法[7]，结论很直白：所有方法在空中表现良好，水下显著退化；图像增强能部分挽回，但不能根治。

近十年的主要技术路线

• 折射显式建模：从Treibitz & Schechner的平面折射几何理论（TPAMI 2011/2012）[8]、Agrawal的多层平面折射模型（CVPR 2012）[9]，到Jordt-Sedlazeck的水下相机折射标定（ECCV 2012）[10]、Chadebecq等的折射双视图三维重建（2019）[11]，一条线做了十几年；工程上的折中是用高阶非参数畸变模型近似折射，避免多层模型的复杂度；双目视觉里程计中也有在线修正折射的工作（Servos & Waslander, IROS 2013）[12]；
• 深度学习图像增强接入SLAM前端：这是2020年后最活跃的路线。哈工大（威海）团队的ULL-SLAM把端到端低光增强网络作为SLAM前端预处理（2023）[13]，同团队的GAN实时增强方案兼顾精度与帧率（2023）[33]；哈工程水下机器人技术重点实验室的RU-SLAM用深度学习增强弱纹理区域的特征质量（Sensors 2024）[34]；西班牙UIB团队把深度学习外点剔除与鲁棒图优化结合（JMSE 2022）[35]；更早还有用深度网络直接回归水下视觉里程计位姿的尝试（IEEE Access 2020）[36]；
• 视觉惯性里程计的系统化与评测：南加州大学团队在OCEANS 2019上系统对比了VINS-Mono、OKVIS等开源VI算法在水下人造结构、洞穴、珊瑚礁多场景的表现，证实IMU融合显著降低漂移[37]；同一团队的SM/VIO在视觉退化时于模型推算与VI估计间自动切换（2020）[38]；ORB-SLAM3融合IMU与深度计的改装系统验证了廉价传感器水下定位的可行性（2024）[39]；国内海军工程大学与哈工程联合提出面向低光弱纹理场景的点线特征双目VIO（2025）[40]；
• 声-光-惯紧耦合：这条线的标杆是SVIn/SVIn2（南卡大学/Brown/Dartmouth的Rahman、Quattrini Li、Rekleitis团队，ICRA 2018、IROS 2019、IJRR 2022）[14][15]——把成像声纳测距、双目/单目视觉、IMU、压力计做进同一个关键帧优化框架；赫瑞瓦特/爱丁堡团队将声学感知融合进视觉SLAM（ICRA 2021）[41]并进一步把光-声外参标定与VA-SLAM联合求解（IROS 2021）[42]；哈工大（深圳）与天津大学的RUSSO把成像声纳、双目、IMU深度融合，显著改善视觉退化下的偏航估计（TMECH 2025）[43]；Royal Holloway的VIA-SLAM把DVL作为声学因子统一进状态估计（IEEE JOE 2025）[44]；AQUA-SLAM在紧耦合声-光-惯融合的同时在线标定传感器外参（T-RO 2025）[45]；中科院沈阳自动化所提出紧耦合视觉-DVL-惯性融合的高精度定位方案（IROS 2023）[46]；此外还有加入语义信息的光-声语义SLAM（2024）[16]；
• 声纳SLAM与DVL融合的深化：成像声纳只有方位+距离、俯仰角欠定，CMU的Huang & Kaess提出"声学运动恢复结构"（ASFM, IROS 2015）专门解决这一问题[17]，Westman在其博士论文中系统研究了成像声纳的定位与建图[18]，Fallon等用前视声纳特征做SLAM（IEEE JOE 2013）[19]，后续有DRACo-SLAM多机器人分布式声纳SLAM（2022）[20]；近年还有轻量前视声纳双阶段里程计（Remote Sensing 2025）[47]。DVL一侧的容错成为热点：海法大学用深度学习在DVL部分波束失效时重构速度（2021）[48]，神经网络补偿洋流误差的SINS/DVL方案（IEEE Sensors Journal 2022）[49]，INS/USBL/DVL的图优化抗差融合（2023）[3]；
• 视觉SLAM的工程化先例：密歇根大学PeRL团队用视觉SLAM+DVL/压力传感器绘制泰坦尼克号残骸地图（Eustice, 2005/2006），并做过船体巡检的实时视觉SLAM（Kim & Eustice, T-RO 2013）[21][22]；MIT的HAUV船体巡检平台把相机、成像声纳和惯导用在同一套因子图框架里[23]；
• 新范式萌芽：结构光地形子图SLAM（AUV 2016）[50]、AUV搭载激光扫描仪的点云SLAM用于结构巡检（JFR 2019）[51]已证明"主动光学辅助定位"可行；2023年起水下NeRF（SeaThru-NeRF, ICCV 2023）[52]与三维高斯泼溅重建[53]成为热点，把介质衰减/散射物理建模进重建管线，距离"用神经渲染辅助定位"还有一段路；事件相机水下SLAM仅有仿真数据管线（EREBUS, 2025）[54]，尚无成熟系统。

数据集与基准

Girona大学CIRS的Underwater Caves Sonar and Vision Dataset（水下洞穴，极端低光低纹理）[24]、法国ONERA/LIRMM的AQUALOC（单目+IMU+压力计，港口与考古遗址）[25]、上海交大的HAUD高精度VIO数据集[26]、Heriot-Watt等的Tank多传感器数据集（2025）[27]、事件相机水下基准AquaticVision（2025）[28]、海法大学的FLSea前视双目+VI数据集（RA-L 2023，近年论文的标配基准）[55]——可复现的基准是这几年这个方向能加速的重要原因。

国内研究进展

• 哈尔滨工程大学：国内水下SLAM与组合导航研究重镇，2004年起就有基于声纳的AUV SLAM研究，王宏健、边信黔等的组合EKF水下SLAM（《机器人》2012）是早期代表[29]；近年水下机器人技术重点实验室的RU-SLAM（2024）[34]、占据栅格前视声纳AUV SLAM（JMSE 2022）[56]延续了这条线，SINS/DVL组合导航、水声定位方向成果积累深厚；
• 西北工业大学：前视多波束声纳的滤波式SLAM与地形重建（Frontiers 2022、ICRA 2019）[30]；
• 中科院沈阳自动化所：AUV工程化主力（"潜龙"系列6000米AUV），近年提出紧耦合视觉-DVL-惯性融合定位（IROS 2023）[46]，并开展水下视觉SLAM图像增强方向研究[31]；
• 哈尔滨工业大学体系：威海校区（ULL-SLAM[13]、GAN实时增强[33]）、深圳校区与天津大学（RUSSO[43]）、本部（SONID：神经惯性-DVL里程计与前视声纳SLAM的因子图集成，2026）[57]多点开花；
• 浙江大学：水下机器人定位建图与水下光学成像（含结构光三维重建，2024）[32]；
• 上海交大：高精度水下VIO数据集（HAUD, IEEE Sensors 2021）[26]；
• 综述产出：华科背景团队（现武汉理工）在Computer Science Review发表水下视觉SLAM综述（2022）[58]、河海大学在Remote Sensing发表水下SLAM关键技术综述（2023）[59]、《数字海洋与水下攻防》刊登中文系统综述（2024）[60]、Ocean Engineering的AUV导航总览（2023）[61]——综述密度说明这个方向正处在快速成型期。

总体判断：国内外研究的"相机+声纳+惯导"融合算法框架已经比较完整（SVIn2及其后续工作是代表），深度学习正在前端增强与容错环节落地，但多数成果仍跑在Girona 500、Sparus II这类科研平台上，离商用整机标配还有距离。

产业界：商用产品的导航栈长什么样

工程标配是什么

商用ROV/AUV的位姿解算，公开资料里清一色是"INS+DVL+深度计+USBL/LBL"，视觉不参与位姿计算。这是一张全景表：

厂商	国家	代表产品	导航感知配置（公开资料）
Oceaneering	美国	Millennium Plus/Magnum工作级ROV、Freedom AUV/ROV混合潜航器	全球最大ROV服务商（约250台机队）；导航传感外采为主——Freedom配Sonardyne SPRINT-Nav（INS+DVL）+Ranger 2 USBL，Millennium Plus配DVL+Kongsberg/Tritech声纳
TechnipFMC / Schilling Robotics	美国	HD、UHD-III重型作业级ROV	UHD-III数据表写明Teledyne RDI DVL；行业标配"INS+DVL+USBL"组合导航，带StationKeep定点、AutoTrack自动循迹
Saab Seaeye	瑞典	Falcon、Leopard、Sabertooth ROV	iCON控制系统+DVL定点保持；BlueView成像声纳低能见度导航；高清/4K相机
VideoRay	美国	Mission Specialist系列ROV（美军MK20平台）	RDI/Nortek DVL + BlueView前视声纳 + 水面GPS"播种" + SeeByte CoPilot软件
Kongsberg	挪威	HUGIN AUV、HiPAP USBL	Sunstone INS + DVL + HiPAP声学更新，可无母船全自主作业；HISAS合成孔径声纳
Teledyne Marine	美国	Gavia AUV、RDI DVL	“DVL辅助INS”，标称0.3% CEP50航程精度
Exail（原ECA/IXSEA）	法国	Phins惯导、A18 AUV	Phins FOG惯导内置卡尔曼滤波融合DVL/LBL/USBL；2025年赢得美军100台UUV惯导合同
Sonardyne	英国	SPRINT INS、Syrinx DVL、Ranger 2 USBL	不做整机，做导航传感层；SPRINT-Nav是INS+DVL一体机
SMD（Soil Machine Dynamics，2017年被中国中车收购）	英国/中国	Quantum EV、Quasar作业级ROV	Quantum EV出厂标配Sonardyne Lodestar-Nav一体化导航（AHRS+DVL+压力计），可现场升级SPRINT-Nav
Blue Robotics	美国	BlueROV2（开源生态）	本体仅深度计+IMU；靠Water Linked DVL A50、UGPS等第三方配件把导航成本降到万元美金级
Blueye	挪威	X3 / X3 Ultra	Water Linked DVL/SeaTrac USBL/GPS选件；X3 Ultra内置Jetson Orin NX，端侧AI做声纳+相机的目标检测与避障
Deep Trekker	加拿大	DTG3、REVOLUTION	SeaTrac USBL、MicronNav USBL选件，支持航点与自主航线
Ocean Infinity	美国/英国	Armada无人船队	运营为主；MH370搜索动用8台Kongsberg HUGIN 6000 AUV编队
深之蓝	中国·天津	白鲨ROV、橙鲨AUV（6000m）	官网明确"INS+DVL+GPS/BDS"；自研组合导航系统；2025年文章把"声光视觉导航感知"写进感知架构
中车艾森迪	中国（央企）	重型作业级ROV、海底埋设装备	中车收购英国SMD后的主体；深海重载作业与海缆埋设；第三方榜单居中国深海机器人企业首位
博雅工道	中国·北京	R1系列、ROBO-ROV	前视多波束声纳+管道声纳+高清相机；公开资料提到"图像特征识别定位辅助"
世航智能	中国·苏州	虎鲸系列水下机器人（0-300m）、SeahiX深海系列（官方宣称6000m级）	船舶清洗/水下巡检商业化声量最大的国内初创；官方口径"声光融合感知+多传感组合导航"；正招聘VINS/水下SLAM算法工程师；具体传感器型号未公开
鳍源科技	中国·深圳	FIFISH系列	自动定距声纳、自研U-QPS水下定位；消费/行业级定位精度与工业级有差距
查湃科技	中国·上海	海峡系列便携工业ROV	官网定位"工业级水下机器人+水下视觉系统"，自研水下摄像头与视觉系统；具体导航传感器型号未公开
中科探海	中国	小型水下探查平台	管道/成像声纳自研，具备自主导航能力
彩虹鱼/深渊科学	中国·上海	万米着陆器	国产万米级USBL，2018年在马里亚纳海沟实现万米深度定位

视觉在哪里？一个反直觉的事实

商用ROV上还没有"视觉SLAM标配"。Saab、VideoRay、Blueye、Deep Trekker的公开资料里，相机和声纳的分工始终是"声纳负责定位避障、相机负责识别检测"——视觉不参与位姿解算。视觉真正商用成熟的是两个受限场景：

• AUV对接回收（docking）：USBL粗引导+相机/光信标末端精确引导，研究与工程两侧都已成熟；
• 管线/结构物近距跟踪：DVL丢底（离底过高或软底）时，立体相机接管提供视觉里程计补偿——国产博雅工道的"图像特征识别定位辅助"就是这条思路的商用化表述。

离"多模态融合自主导航"最近的商用案例是Oceaneering的Freedom混合潜航器：SPRINT-Nav组合导航打底，前视声纳、多波束测深、激光成像和高清相机并存，由传感器融合系统自主决定用哪路传感器引导飞控，具备障碍物检测避让和管道跟踪能力——但它的位置仍由INS/DVL/USBL解算，光学链路负责"感知与决策辅助"，不是视觉SLAM。这个案例同时说明头部整机厂的普遍打法：导航传感器全部外采（Sonardyne、Kongsberg、Teledyne、Tritech），自己只做集成与自主决策软件。国内侧，世航智能把"声光融合感知+多传感组合导航"写进官方技术架构，并公开招聘VINS/水下SLAM算法工程师——方向上明确，但具体传感器配置与实测性能尚无公开资料可查。

视觉相关AI落地的形态也不是SLAM，而是识别与增强：SeeByte的ATR自动目标识别（美国海军水雷对抗标配软件）、Greensea的OPENSEA Edge（边缘计算平台融合声纳+视频流，2023年在VideoRay Defender上完成无缆自主演示）、Blueye X3 Ultra的端侧AI检测避障。浑水光学增强算法研究成果不少，但独立的商业化公司案例罕见——工程界的答案是"成像声纳替代光学"（Sound Metrics ARIS系列，主打"浑水中的相机替代品"）。

部件层的国产化进度

类别	国际代表	中国代表
DVL	Teledyne RDI、Sonardyne Syrinx、Nortek、Water Linked	海鹰（无锡，中科院声学所背景）相控阵DVL
USBL/LBL	Sonardyne Ranger 2、Kongsberg HiPAP、Blueprint SeaTrac	中海达iTrack系列、中科院声学所USBL、海底鹰通信定位一体机
成像声纳	Blueprint Oculus、Teledyne BlueView、Sound Metrics ARIS	海底鹰、中科探海等；综述指出国产性价比占优、可靠性仍在追
水下惯导	Exail Phins、Sonardyne SPRINT、Kongsberg Sunstone	深之蓝自研组合导航、中海达iPOS
水下相机/照明	DeepSea Power & Light、C-Tecnics、SubC Imaging	深之蓝自研低照度摄像机与照明灯

国产链条在"声学与惯导"环节已经完整，DVL、USBL、成像声纳都有市场化产品；卡位最弱的恰是"视觉"环节——独立的水下视觉SLAM供应商在国内外都基本缺位，该方向仍以高校和整机厂自研团队为主。

3D视觉模组在这个生态中的位置

回到上一篇文章（《水下机器人除了声纳，还能用什么感知方案》）讨论过的产业链分工：视觉模组厂提供光学与算力，防水耐压封装由整机厂完成，或者选带整机防水规格的现成产品。放到导航语境下，视觉模组的用法也分两层：

厂商	产品系列	与导航相关的关注点
RealSense	D435i/D455	VSLAM原型事实标准，IMU硬件同步、ROS生态完善（陆用规格），水下需自行密封封装并解决折射标定
RealSense	D405/D415/D435	立体匹配深度ASIC，生态最成熟；AI与SLAM算法需上位机（陆用规格）
Stereolabs	ZED 2i/ZED Mini	官方SLAM SDK、高帧率双目输出，科研装机量大（陆用规格）
Luxonis	OAK-D/OAK-D Pro	IMU+VPU，可端侧加速特征提取，轻量化平台常用（陆用规格）
奥比中光	Gemini 335L/336L	双目+结构光，弱纹理稳定性强，带IP65基础防护（陆用规格）
奥比中光	Astra 2 / Gemini 2	自研深度引擎芯片，经典结构光/双目RGB-D（陆用规格）
图漾科技	Percipio 系列 / FS820	结构光路线，近距精度好，FS820带出厂预标定（陆用规格）
小觅智能	MYNT EYE D1000	双目+IMU微秒级同步，专为VSLAM设计（陆用规格）
肇观电子	Feynman M1	主动双目+结构光，整机IP68、50米防水规格，带IMU与自研VPU端侧算力
肇观电子	Feynman N1/N2	被动双目立体，无主动光、功耗低，弱纹理表现需实测
光鉴科技	Nebula 240 / Stellar 800	自研mToF芯片，Stellar 800车规级带IMU（陆用规格）
华捷艾米	iToF模组系列	体积小、功耗低，利于舱内集成；纯ToF路线注意水下光衰减（陆用规格）
蓝芯科技	S2 Max	iToF RGBD，部分算法可端侧运行（陆用规格）
元橡科技	睿目S系列	自研双目深度ASIC，硬件深度加速（陆用规格）
知微传感	结构光模组系列	国产工业3D模组，定制灵活
思岚科技	Aurora S	机内融合建图定位、稠密深度与AI语义、端侧算力（陆用规格）
海康机器人	3D视觉相机	工业级品质，配套算法平台，偏工业检测场景

上表绝大多数为陆用规格，用于水下必须由整机厂做防水封装并实测光衰减；按前文分析，纯ToF路线（部分机型、华捷艾米、蓝芯）受近红外水衰减影响更大，水下优先考虑双目/结构光路线。带整机防水规格的属少数，这也是多数整机厂选择"裸模组自封装"的原因。

逐家说明：芯片路线决定主机负担。放到水下平台语境，选型时真正要算的是四笔账：自重（省掉GPU工控机的数百克到数公斤）、功耗（直接决定续航与电池舱尺寸）、发热（水下散热只能靠壳体传导，每瓦废热都增加密封舱热设计难度）、是否需要视觉上位机（相机端能闭环的，主机用低功耗处理器即可）。各家情况如下。

**RealSense（美国，原英特尔旗下，已被康耐视收购、预计2026Q4交割）**｜端侧AI算力：无。核心是自研立体匹配深度ASIC，相机端只输出深度和RGB，D435i的IMU硬件同步和ROS生态使它成为VSLAM原型的事实标准，资料和参考案例最多。但检测、避障、SLAM算法都要跑在主机上，通常意味着配一块GPU工控机——四笔账一笔都省不掉，小型水下平台要算清这笔账。水下使用需自行密封封装，并重新处理折射标定问题。

**Stereolabs（法国）**｜端侧AI算力：无。ZED系列走高帧率双目路线，官方SDK自带定位跟踪功能，科研装机量大，深度计算在机内完成；但SLAM运行时仍依赖主机算力，GPU上位机不可避免。生态里有成熟的第三方耐压封装方案（如ZedHead，耐深140米），想快速搭水下双目平台可以借道。

Luxonis（美国）OAK系列｜端侧AI算力：有（外购VPU方案）。出身OpenCV社区的OAK系列在相机端跑检测模型和特征提取，开源生态活跃、轻量化平台常用；主机只接结果流，负担明显轻于前两家。四笔账能省大头，但VPU是外购方案，深度本身走被动双目路线，弱纹理表现受环境影响。陆用规格，水下封装需自行解决。

**奥比中光（中国·深圳）**｜端侧AI算力：仅Femto Mega等少数具备。科创板"3D视觉第一股"，核心技术是自研深度引擎芯片，结构光/双目的深度计算在相机端完成，深度这一路不用主机操心；服务机器人装机量大，弱纹理稳定性和供货定制支持是传统强项。但视觉AI算法大多仍需上位机跑，GPU的四笔账依然要算。Gemini 335L/336L带IP65基础防护，仍属陆用规格。

**图漾科技（中国·上海）**｜端侧AI算力：无。结构光路线，深度机内完成，Percipio系列性价比取向、仓储物流用得多；FS820带光编码和出厂预标定，开箱即用，偏工业向。短板是算法生态相对薄弱，二次开发要自建团队——涉及的上位机成本与人才成本都要计入。

**小觅智能（中国）**｜端侧AI算力：无。招牌是双目+IMU微秒级硬件同步——这是VSLAM最关键的"算法原料"，早期VSLAM套件在开发者圈装机量不低。但模组本身只做感知层，VSLAM算法要吃掉可观算力，配GPU上位机几乎不可避免。

**肇观电子（中国·上海）**｜端侧AI算力：有（自研VPU）。自研VPU视觉处理器把立体匹配、深度后处理和AI推理都放在相机端完成，主机可换低功耗处理器；Feynman M1为IP68、50米防水整机规格，也可裸模组交付，N1/N2走被动双目低功耗路线，弱纹理表现需实测。

**光鉴科技（中国·深圳）**｜端侧AI算力：无。自研mToF芯片与纳米光学，Nebula 240是MIPI接口、方便对接整机主板，偏近距；Stellar 800走车规级定位，带IMU、抗环境光，价格相对高。深度机内出，AI算法需上位机。按前文分析，mToF同属近红外调制光路线，水下衰减要实测。

**华捷艾米（中国）**｜端侧AI算力：无。自研iToF传感芯片，模组主打小体积低功耗，便于塞进紧凑舱体；深度计算相机端完成，AI需上位机。同样属于纯ToF路线，水下选型前务必实测光衰减。

**蓝芯科技（中国·杭州）**｜端侧AI算力：部分有。iToF RGBD，低矮障碍和坑洞识别是招牌，部分检测算法可跑在相机端，仓储AMR用量大；陆用规格，纯ToF路线的水下衰减问题同上。

**元橡科技（中国·北京）**｜端侧AI算力：无AI算力（有自研深度ASIC）。核心技术是自研双目深度计算芯片做硬件加速，把立体匹配从主机卸载到芯片里，主机算力压力小；但AI检测仍建议上位机。近距离小物体识别弱于ToF路线（按厂商公开资料）。

**知微传感（中国）**｜端侧AI算力：无。国产结构光模组，定制灵活、响应快，深度相机端完成；品牌知名度和批量供货记录相对少，量产项目要评估产能，AI需上位机。

**思岚科技（中国·上海）**｜端侧AI算力：有。靠激光雷达SLAM起家（RPLIDAR系列在机器人圈装机量极大），Aurora S把VSLAM建图定位、稠密深度、AI语义识别做进一台设备，机内闭环、主机负担轻，适合"感知+定位"一次配齐的团队；单看深度精度不算突出。陆用规格。

**海康机器人（中国·杭州）**｜端侧AI算力：无（平台侧方案）。海康威视旗下，相机+VM算法平台的打法，工业级品质和算法配套是强项，长时间运行验证多；代价是深度和AI都依赖平台侧，工控机+GPU是标配，成本和体积天然偏高，产品更偏工业检测场景，水下定制要具体谈。

把17款归一下类：具备端侧AI算力的5款（肇观Feynman M1/N1/N2、Luxonis OAK-D、思岚Aurora S，奥比Femto Mega类属少数），其余"智能"停留在相机端深度计算，SLAM与检测要吃主机。对载荷敏感的水下平台，"相机端闭环、主机轻量化"这条路线值得优先谈。

需要客观说明的是：上表所有视觉模组本身都不提供水下SLAM算法——算法要么整机厂自研，要么用开源框架（如SVIn2）改造，视觉模组提供的是全局快门、IMU硬同步、原始图+深度输出这些"算法原料"。

3D相机在水下的真实工作距离与精度

谈水下3D相机，最容易被陆上传感器的标称参数误导——空气中的量程和精度，下水后由水体衰减重新定价。

衰减是硬约束。光在水下按Beer–Lambert定律指数衰减，总衰减系数c的典型值：纯海水约0.056、清澈大洋约0.15、近岸海水约0.3~0.4、浑浊港池可达2.2 m⁻¹（每米）[62][63]。实用判据是成像有效距离约为3_{6个衰减长度[62]——折算过来：**近岸水域光学3D的工作上限大约10}15米，浑浊港池全部缩到3米以内**。这也是为什么彩色成像工程上要求距目标2~3米以内。

各技术路线的距离-精度实测：

技术路线	清水工作距离	精度（实测/标称）	备注
水下摄影测量（SfM）	拍摄距离1–3 m	理想条件相对精度1:10000；工程口径1.5 m拍摄±5 mm[64]	需70–80%重叠率、均匀人工照明，多用于船体/海管检测
双目立体视觉	有效测量0.5–4.5 m	中科院深圳先进院水池实测：0.5 m处误差2 mm、4.5 m处20 mm[65]	误差随距离平方增长；同课题组池塘/近海浑水中"成像太差，立体测量实验未完成"[65]——最干净的一组清水/浑水对照
消费级红外结构光/ToF	红外水下几乎失效	—	Kinect v1（红外结构光）水下有效距离只有几厘米[62]；850 nm近红外被水强吸收，所有IR投射类RGBD同理；Kinect v2（ToF）需折射+ToF物理校正才勉强可用[66]
水下结构光（条纹/编码光）	≤2–3 m清水	0.4–4 mm级[62]	2019年综述的定性判断：仍处于开发测试阶段、尚无商业应用，主因距离短、测量体积小[67]；同等浊度下结构光优于被动双目[65]
水下激光扫描（Voyis Insight系列）	Nano 0.13–2.5 m；Micro 1.2–7 m；Pro 1.5–15 m[68]	亚毫米标称；Innova扫描撬块配工作级ROV实测：3 m处横向1.3 mm、距离向0.2 mm[68]	蓝光448 nm+距离向选通抗散射；商用成熟度最高的光学3D路线
国产水下激光雷达	思岚RPLIDAR U1：典型2 m、最大5 m（<0.5 NTU清水）、精度<4 cm；潜行创新L1 Ultra泳池360°激光雷达已规模商用（规格未公开）[69]	—	清水/泳池场景，浊水口径缺失
成像声纳（对照）	Oculus M750d：40–120 m；ARIS 3000：5–15 m[70]	距离分辨率毫米–厘米级	声纳用"厘米级分辨率换几十米量程"，与光学"米级量程换毫米级分辨率"正好互补

量产整机的实际作业距离与理论衰减预算完全吻合：Oceaneering Freedom AUV配Voyis Insight Pro做管道巡检，离管顶3–5 m获取高分辨率数据、8 m高度广域普查（2022年达TRL6，2024年为TotalEnergies完成试点）[71]；Nauticus Aquanaut混动平台集成Voyis相机+激光做目标巡检；沉船考古中Triton载人潜水器以0.5节航速、65/85 m测线用ULS-500 Pro扫测[71]。双目一侧，BlueROV2加装ZedHead耐压双目（耐深140 m）已商品化，SurfSLAM项目在五大湖沉船区（4–20 m水深、依赖自然光）完成双目SLAM实机验证[72]；AUV光学对接回收的视觉引导通常在10 m级距离开启、转入近场位姿估计[73]。AUV对接、管线跟踪、结构物近检——所有商用视觉定位案例的作业距离都在10 m以内。

一句话总结：清水米级到十余米、近岸1–3 m、浑浊水亚米级，这是光学3D绕不开的物理预算；"声纳粗扫（40–120 m）+光学精扫（1–15 m）"双模态配置，正是按这个预算排出来的标准答案。

给整机团队的选型参考

• 导航骨架不要动：INS+DVL+深度计+USBL/LBL是几十年工程验证过的主线，VSLAM是补充约束，不是替代；
• 视觉的合理预期：清水近距作业（桩基检测、船体巡检、docking）值得投入视觉里程计/视觉SLAM；浑浊场景的视觉预算优先给图像增强和目标识别，位姿交给声纳；
• 浑水能力看ISP与补光：清水指标没有参考意义，浑水实测才算数；主动双目/结构光在5米内给弱纹理环境"人工补纹理"，是水下RGBD最成熟的工程路线；
• 声光融合要算清同步与外参：相机与成像声纳的刚性共置、时间同步、光-声外参标定，直接决定融合精度——这也是研究侧反复强调、工程上最容易翻车的环节；
• 端侧算力值得单独算账：水下通信带宽极窄，识别与重建尽量机内闭环；相机端带AI算力可以省掉GPU上位机的重量、功耗、密封散热与成本，对载荷敏感的平台是实打实的账。

小结

水下导航的工程学答案是"惯性推算打底、声学定位箍漂移、声纳管远、相机管近"；研究侧的探索（折射建模、浑水增强、SVIn2式声-光-惯紧耦合）正在把视觉从"看的传感器"推向"算位姿的传感器"，但目前商用成熟的视觉定位场景仍限于AUV对接回收和管线近距跟踪。短期内最现实的方案不是"用VSLAM取代声纳惯导"，而是把视觉作为INS/DVL骨架上的又一路外感受约束——清水靠它提精度，浑浊靠声纳兜底。按水质、作业距离和是否有三维重建需求选配置，多数新平台的答案仍然是那句老话：声纳打底、3D相机干活。

参考文献

[1] Heshmat B. et al. Underwater SLAM Meets Deep Learning: A Survey. Sensors, 2025. https://pmc.ncbi.nlm.nih.gov/articles/PMC12157327/

[2] Merveille O. et al. Advancements in Sensor Fusion for Underwater SLAM: A Review. 2024. https://pmc.ncbi.nlm.nih.gov/articles/PMC11644431/

[3] INS/USBL/DVL 多源组合导航图优化方法相关研究. 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC9864396/

[4] Challenges in Underwater Visual Navigation and SLAM. Frontiers, 相关综述. https://www.researchgate.net/publication/336771673_Challenges_in_Underwater_Visual_Navigation_and_SLAM

[5] Underwater Optical Imaging 综述. Remote Sensing, 2024, 16(20): 3773. https://www.mdpi.com/2072-4292/16/20/3773

[6] Ferrera M. et al. Real-time monocular visual odometry in turbid and dynamic underwater environments. Sensors, 2019.

[7] Nakath D. et al. The Challenges of Monocular Visual SLAM in Underwater Environments — A Performance Evaluation of Popular Algorithms. arXiv:2306.08738, 2023/2025. https://arxiv.org/abs/2306.08738

[8] Treibitz T., Schechner Y. Y. Flat Refractive Geometry. IEEE TPAMI, 2011/2012.

[9] Agrawal A. et al. A Theory of Multi-Layer Flat Refractive Geometry. CVPR, 2012.

[10] Jordt-Sedlazeck A. et al. Refractive Calibration of Underwater Cameras. ECCV, 2012. https://www.geomar.de/fileadmin/personal/fb2/mg/ajordt/finalEccv.pdf

[11] Chadebecq F. et al. Refractive Two-View Reconstruction for Underwater 3D Vision. 2019. https://pmc.ncbi.nlm.nih.gov/articles/PMC7738342/

[12] Servos J., Waslander S. L. Underwater Stereo SLAM with Refraction Correction. IROS, 2013.

[13] ULL-SLAM: Underwater Low-Light SLAM. Frontiers in Marine Science, 2023. https://www.frontiersin.org/journals/marine-science/articles/10.3389/fmars.2023.1133881/full

[14] Rahman S. et al. SVIn2: an Underwater SLAM System using Sonar, Visual, Inertial, and Depth Sensor. IROS, 2019. https://arxiv.org/pdf/1810.03200v3.pdf

[15] Rahman S., Quattrini Li A., Rekleitis I. SVIn2: A Multi-Sensor Fusion-Based Underwater SLAM System. IJRR, 2022. https://bibbase.org/network/publication/rahman-quattrinili-rekleitis-svin2amultisensorfusionbasedunderwaterslamsystem-2022

[16] Opti-Acoustic Semantic SLAM. 2024. https://arxiv.org/html/2403.12837v2

[17] Huang J., Kaess M. Towards Acoustic Structure from Motion for Imaging Sonar. IROS, 2015. https://www.ri.cmu.edu/pub_files/2015/9/Huang15iros.pdf

[18] Westman E. Underwater Localization and Mapping with Imaging Sonar. PhD Thesis, CMU, 2019. https://www.cs.ri.cmu.edu/~kaess/pub/Westman19thesis.pdf

[19] Fallon M. et al. Localization from acoustic ranging and imaging sonar. IEEE Journal of Oceanic Engineering, 2013. https://robots.ox.ac.uk/~mfallon/publications/2013JOE_fallon.pdf

[20] DRACo-SLAM: multi-robot distributed SLAM with imaging sonar. arXiv:2210.00867, 2022. https://arxiv.org/pdf/2210.00867v1

[21] Eustice R. et al. Visually navigation of RMS Titanic with SLAM information filters. 2005/2006.

[22] Kim A., Eustice R. Real-Time Visual SLAM for Autonomous Underwater Hull Inspection using Visual Saliency. IEEE Transactions on Robotics, 2013. http://robots.engin.umich.edu/publications/akim-2013a.pdf

[23] Walter M. et al. SLAM for Ship Hull Inspection using ESEIF. MIT, 2008. https://people.csail.mit.edu/mwalter/papers/walter08a.pdf

[24] Underwater Caves Sonar and Vision Dataset. University of Girona CIRS. https://cirs.udg.edu/caves-dataset/

[25] Ferrera M. et al. AQUALOC: An Underwater Dataset for Visual-Inertial-Pressure Localization. IJRR, 2019. https://arxiv.org/abs/1910.14532

[26] HAUD: A High-Precision Underwater Visual-Inertial Dataset. IEEE Sensors Journal, 2021（作者单位据公开资料推断为上海交大）. 引用页：https://www.mdpi.com/2073-8994/18/4/621

[27] Xu et al. Tank dataset: An Underwater Multi-Sensor Dataset for SLAM Evaluation. Heriot-Watt 等, 2025. https://pure.hw.ac.uk/ws/portalfiles/portal/154530542/

[28] AquaticVision: 事件相机水下VSLAM基准. 2025. https://arxiv.org/html/2505.03448v1

[29] 王宏健, 边信黔 等. 基于组合EKF的自主水下航行器SLAM. 《机器人》, 2012. https://robot.sia.cn/cn/article/pdf/preview/76.pdf

[30] Cheng J. et al. Underwater Localization and Mapping Based on Multi-Beam Forward Looking Sonar. Frontiers in Neurorobotics, 2022. https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2021.801956/full

[31] 中科院沈阳自动化所水下视觉SLAM图像增强方向研究. 《机器人》期刊, 2023. https://robot.sia.cn/cn/article/id/c2fcc805-6c3f-442c-a391-2817782152e2

[32] 结构光水下三维重建. IEEE/ASME Transactions on Mechatronics, 2024. https://arxiv.org/pdf/2508.03408

[33] Zheng Z. et al. Real-Time GAN-Based Image Enhancement for Robust Underwater Monocular SLAM. Frontiers in Marine Science, 2023. https://doi.org/10.3389/fmars.2023.1161399

[34] Wang Z., Cheng Q., Mu X. RU-SLAM: A Robust Deep-Learning Visual SLAM System for Weakly Textured Underwater Environments. Sensors, 24(6):1937, 2024（哈尔滨工程大学）. https://www.mdpi.com/1424-8220/24/6/1937

[35] Burguera A., Bonin-Font F. et al. Combining Deep Learning and Robust Estimation for Outlier-Resilient Underwater Visual Graph SLAM. Journal of Marine Science and Engineering, 10(4):511, 2022. https://doi.org/10.3390/jmse10040511

[36] Teixeira L. et al. Deep Learning for Underwater Visual Odometry Estimation. IEEE Access, 2020. https://ieeexplore.ieee.org/document/9043519

[37] Joshi B. et al. Experimental Comparison of Open Source Visual-Inertial-Based State Estimation Algorithms in the Underwater Domain. OCEANS, 2019. https://arxiv.org/abs/1904.02215

[38] Joshi B. et al. SM/VIO: Robust Underwater State Estimation Switching Between Model-Based and Visual Inertial Measurements. arXiv:2004.04040, 2020.

[39] Lu Z. et al. A Visual–Inertial–Pressure Fusion-Based Underwater SLAM System Based on ORB-SLAM3. Sensors, 2024. https://pmc.ncbi.nlm.nih.gov/articles/PMC11125354/

[40] 侯佳欣、杨建、吴瀚 等. 基于点线特征的双目视觉惯性SLAM方法. 《空间控制技术与应用》, 2025年第5期（海军工程大学+哈工程）. https://www.spacejournal.cn/cn/article/pdf/preview/10.19306/j.cnki.2095-8110.2025.05.006.pdf

[41] Vargas R., Scona R., Willners J. et al. Robust Underwater Visual SLAM Fusing Acoustic Sensing. ICRA, 2021（赫瑞瓦特/爱丁堡大学）. https://doi.org/10.1109/ICRA48506.2021.9561829

[42] Xu S., Luczynski P., Willners J. et al. Underwater Visual Acoustic SLAM with Extrinsic Calibration. IROS, 2021. https://doi.org/10.1109/IROS51168.2021.9636258

[43] Pan S., Hong Z., Hu Z. et al. RUSSO: Robust Underwater SLAM with Sonar Optimization Against Visual Degradation. IEEE/ASME Transactions on Mechatronics, 30(6):5456–5467, 2025（哈工大深圳+天津大学）. https://arxiv.org/abs/2503.01434

[44] Huang H. et al. VIA-SLAM: An Underwater Visual-Inertial-Acoustic SLAM with Integrated DVL. IEEE Journal of Oceanic Engineering, 2025（Royal Holloway）. https://pure.royalholloway.ac.uk/ws/files/68015520/

[45] Xu S., Zhang K., Wang S. AQUA-SLAM: Tightly-Coupled Underwater Acoustic-Visual-Inertial SLAM with Sensor Calibration. IEEE Transactions on Robotics, 2025. 项目报道：https://bluerobotics.com/aqua-slam-tightly-coupled-underwater-acoustic-visual-inertial-slam-with-sensor-calibration/

[46] Huang Y., Li P., Yan S. et al. Tightly-Coupled Visual-DVL-Inertial Fusion for Accurate Localization of Underwater Robots. IROS, 2023（中科院沈阳自动化所）. https://doi.org/10.1109/IROS55552.2023.10342355

[47] Direct FLS Odometry: A Two-Stage Odometry for Underwater Robot Localization. Remote Sensing, 17(13):2166, 2025. https://www.mdpi.com/2072-4292/17/13/2166

[48] Yona M., Klein I. Compensating for Partial Doppler Velocity Log Outages by Using Deep-Learning Approaches. 2021（海法大学）. 预印本：https://arxiv.org/abs/2106.07959

[49] Liu P. et al. SINS/DVL Integrated Navigation Method with Current Compensation Using the Neural Network. IEEE Sensors Journal, 22(14):14366–14377, 2022. https://doi.org/10.1109/JSEN.2022.3183449

[50] Massot-Campos A., Oliver G., Bodenmann A. et al. Submap Bathymetric SLAM Using Structured Light in Underwater Environments. IEEE/OES AUV, 2016. https://doi.org/10.1109/AUV.2016.7778693

[51] Palomer A., Ridao P. et al. Inspection of an Underwater Structure Using Point-Cloud SLAM with an AUV and a Laser Scanner. Journal of Field Robotics, 36(8):1333–1344, 2019. https://doi.org/10.1002/rob.21907

[52] Levy D., Akkaynak D. et al. SeaThru-NeRF: Neural Radiance Fields for Underwater Scenes. ICCV, 2023. https://openaccess.thecvf.com/content/ICCV2023/html/Levy_SeaThru-NeRF_Neural_Radiance_Fields_for_Underwater_Scenes_ICCV_2023_paper.html

[53] UW-3DGS: Underwater 3D Reconstruction with Physics-Aware Gaussian Splatting. arXiv, 2025. https://arxiv.org/abs/2501.05630；另见 RUSplatting（BMVC 2025）稀疏视角水下重建：https://bmva-archive.org.uk/bmvc/2025/assets/papers/Paper_367/paper.pdf

[54] EREBUS: End-to-End Robust Event Based Underwater Simulation. arXiv:2511.01381, 2025.

[55] Randall N., Treibitz T. FLSea: Underwater Visual-Inertial and Stereo-Vision Forward-Looking Datasets. IEEE RA-L, 2023（海法大学）. https://arxiv.org/abs/2302.12772

[56] Mu X., Yue G., Zhou N. et al. Occupancy Grid-Based AUV SLAM Method with Forward-Looking Sonar. Journal of Marine Science and Engineering, 10(8):1056, 2022. https://www.mdpi.com/2077-1312/10/8/1056

[57] SONID: Underwater Sonar SLAM Integrated with Neural Inertial-DVL Odometry. 2026（哈尔滨工业大学）. https://scholar.hit.edu.cn/en/publications/sonid-underwater-sonar-slam-integrated-with-neural-inertial-dvl-o/

[58] Zhang S., Zhao S., An D. et al. Visual SLAM for Underwater Vehicles: A Survey. Computer Science Review, 46:100510, 2022. https://doi.org/10.1016/j.cosrev.2022.100510

[59] Wang X., Fan X., Shi P. et al. An Overview of Key SLAM Technologies for Underwater Scenes. Remote Sensing, 15(10):2496, 2023（河海大学）. https://www.mdpi.com/2072-4292/15/10/2496

[60] 水下SLAM技术：挑战、进展与未来方向. 《数字海洋与水下攻防》, 2024年第1期. http://shuixiagf710.ijournals.cn/szhyysxgf/article/html/20240401

[61] Zhang B., Ji D., Liu S. et al. Autonomous Underwater Vehicle Navigation: A Review. Ocean Engineering, 273:113861, 2023. https://doi.org/10.1016/j.oceaneng.2023.113861

[62] Massot-Campos M., Oliver-Codina G. Optical Sensors and Methods for Underwater 3D Reconstruction. Sensors, 2015（含衰减系数、结构光/激光线扫汇总、衰减长度判据）. https://pmc.ncbi.nlm.nih.gov/articles/PMC4721784/

[63] Han J. Underwater Optical Imaging and Communication（博士论文, UCLA, 2014；衰减系数典型值表）. https://escholarship.org/uc/item/9h46g9q0.pdf

[64] Underwater Metrology. Hydro International, 2008（“水下摄影测量可精确到物体尺寸的1/10000”）；工程口径±5 mm@1.5 m见 ISPRS Congress 文献：https://www.hydro-international.com/content/article/underwater-metrology

[65] 张洪龙等. 基于立体视觉的水下三维测量系统研究. 《集成技术》, 2018（中科院深圳先进院；清水0.5–4.5 m实测、浑水实验未完成）. https://jcjs.siat.ac.cn/jcjsen/article/pdf/201803001

[66] Anwer A. et al. Underwater 3D scanning with Kinect v2（折射+ToF校正）. IEEE Access, 2017. https://ieeexplore.ieee.org/document/8000305

[67] Castillón M. et al. State of the Art of Underwater Optical 3D Reconstruction（"结构光尚无商业应用"判断）. Applied Sciences, 2019. https://pmc.ncbi.nlm.nih.gov/articles/PMC6928952/

[68] Voyis Insight 系列数据手册（量程/耐深）：https://acteon.com/wp-content/uploads/2022/08/Voyis_LaserScanners_DataSheet.pdf；Innova 动态激光扫描撬块实测分辨率：https://www.innova.no/product/rov-tools-equipment/skids/dynamic-laser-scanning-skid/

[69] 思岚 RPLIDAR U1 水下激光雷达（SAIIA 发布稿）：https://www.saiia.org.cn/index.php/2025/07/04/1-57/；潜行创新 L1 Ultra 泳池激光雷达规模化商用（中国日报）：https://ex.chinadaily.com.cn/exchange/partners/82/rss/channel/cn/columns/sz8srm/stories/WS6a33a046a310d709c2fb8eca.html

[70] Blueprint Oculus M750d 规格（Blueye 产品页）：https://www.blueyerobotics.com/products/oculus-m750d-multibeam-sonar；Sound Metrics ARIS Explorer 3000：https://www.uniquegroup.com/product/sound-metrics-aris-explorer-3000-imaging-sonar/

[71] Oceaneering Freedom AUV TRL6（3–5 m离管顶、8 m普查）：https://www.oceaneering.com/oceaneering-announces-freedom-auv-achieves-trl-6-for-pipeline-inspection/；TotalEnergies 试点：https://www.oceaneering.com/oceaneering-conducts-freedom-auv-pipeline-inspection-pilot-for-totalenergies/；Voyis 案例：https://voyis.com/case-study-oceaneering/

[72] ZedHead 耐压双目（Blue Robotics 社区，耐深140 m）：https://discuss.bluerobotics.com/t/plug-and-play-stereo-depth-mapping-for-bluerov2/16492；SurfSLAM BlueROV2 五大湖实机：https://arxiv.org/html/2601.10814

[73] AUV 光学对接视觉引导（10 m级开启）：https://www.mdpi.com/2077-1312/12/6/1023；https://www.mdpi.com/2504-446X/9/12/861