近日，星空游戏(StarSky Sports)官方网站机器人学院李明水下具身智能研究小组联合瑞士苏黎世联邦理工学院（ETH Zurich）Armin Gruen院士、Konrad Schindler教授、PolyU研究员Xuan Liao与北京大学郭庆华教授，在国际顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（影响因子12.7）发表题为《Cutting-edge 3D reconstruction solutions for underwater coral reef images: A review and comparison》（下载链接: https://doi.org/10.1016/j.isprsjprs.2025.10.009）的综述性论文。该研究系统性梳理了水下珊瑚礁环境下基于水下摄影的图像三维重建技术的发展脉络与应用潜力，为 “前沿技术赋能水下机器人感知”和水下具身智能在海洋生态保护场景的落地提供了关键技术参考，标志着星空游戏(StarSky Sports)官方网站在 “测绘遥感+水下具身智能机器人+海洋生态” 交叉领域的研究迈出重要一步。

图1 水下场景机器人摄影示意与环境三维重建基本框架

当前，全球气候变暖导致珊瑚礁生态系统面临严重威胁，而水下具身智能机器人作为未来海洋生态监测的核心载体，其感知能力（尤其是三维环境建模精度）直接决定了生态数据采集的可靠性。然而，水下复杂的成像环境（如光照不均、水体散射），特别是珊瑚礁精细且多样的结构特征，长期以来都是珊瑚礁水下机器人三维感知与视觉导航定位的技术瓶颈 —— 传统重建技术易出现特征匹配失效、细节还原不足或实时性等问题，难以满足机器人自主观测和精准建模的需求。

针对这一痛点，研究团队以珊瑚场景为背景，以 “水下三维环境感知全流程优化” 为目标，梳理并构建了 “数据采集 - 相机姿态估计 - 密集表面重建” 的技术框架：在数据采集环节，整合了法属波利尼西亚莫雷阿岛的实地观测数据（含高分辨率影像、水下光学色卡、精准控制点等），并利用 AirSim 仿真平台构建模拟数据集，覆盖不同水深、光照及珊瑚形态，为未来此类环境下机器人视觉感知算法的训练与验证提供了贴近真实作业环境的 “数字训练场”；在核心技术环节，重点研究和对比了不同视觉技术在定位和建模两大关键技术中的潜能，深入探讨了相机姿态估计、密集表面重建等先进解决方案。

图2 真实水下图像在不同算法下的环境重建效果对比

图3 崎岖起伏的复杂水下珊瑚礁海床环境

具体来说为评价不同技术方案在水下场景定位与重建的适用性，团队对 10 余种经典和尖端的三维重建技术开展系统性验证，涵盖传统摄影测量计算机视觉方法（如 SIFT 特征、COLMAP 框架）与新兴深度学习方法（如 SuperPoint 特征、NeRF 神经辐射场、高斯溅射技术等）。在相机姿态估计方面，深度学习方法展现出显著优势。其中，ALIKED 特征提取算法结合 LightGlue 匹配算法，在离底约 2 米的作业场景中，实现了毫米级的位姿估计精度 —— 这意味着在对水质要求极高的造礁珊瑚生境中机器人能在复杂珊瑚礁环境中通过视觉精准定位自身位置，避免因定位偏差导致的观测遗漏或碰撞风险；同时，这类基于学习的方法在弱纹理、光照突变的水下环境中表现稳健，解决了传统手工特征（如 SIFT）易失效的问题，为未来机器人在多变水下环境中的持续作业提供了保障。不过研究也指出，部分学习方法在应对旋转运动时的鲁棒性仍需提升，这会对复杂环境下的机器人运动感知带来显著制约。在密集表面重建方面，不同技术的适用性差异明显：基于深度学习的多视图立体匹配（MVS）方法在精度与效率间实现最佳平衡，能快速生成满足生态监测需求的珊瑚礁三维模型，适合搭载于算力有限的水下机器人，具备较强的实际应用价值；而在精细结构重建上，高斯不透明度场（GOF）技术表现突出，可精准还原珊瑚触手等毫米级细微结构，几何保真度与视觉质量均达最优，可望在未来部署到水下具身智能人形机器人上对珊瑚进行精细操作提供细粒度3D感知能力。相比之下，部分 NeRF 与传统高斯溅射方法因计算量大、对复杂结构适应性弱，需通过算法改进和轻量化为未来水下场景重建和机器人感知服务。