精读笔记
Problem Setting
论文标题：Mobile robotic platforms for the acoustic tracking of deep-sea demersal fishery resources（Science Robotics / 2020）。
这篇论文实际处理的是一个“深海、长期、小标签、弱观测”的动物定位问题。目标对象是 Norway lobster 这类底栖渔业资源：不浮出水面，不能用 GPS / satellite tag；体型和行为约束又不允许挂大体积双向声学 modem 或复杂惯导标签。因此可用信息基本退化为商用小型声学标签周期性单向发出的 ping。
真正困难点不是 TDOA 本身，而是深海部署链条中的误差闭环：固定接收器下放到 400 m 后实际位置和船上 GPS 投放点差异很大；自记录接收器长期运行导致时钟漂移；声学传播有多径和漏检；目标在洞穴中还会造成强衰减。任何一个环节失准，米级轨迹都会变成伪精度。
以前方法卡在两端：固定 LBL/VPS 阵列能给较好空间精度，但覆盖范围小、部署复杂、阵列外不可见；AUV/ROV 移动跟踪能扩展空间范围，但若没有 range / bearing，只靠单水听器 presence 观测，定位约束极弱。论文的关键矛盾是：想要长期生态行为数据，必须便宜、低功耗、商用、可长期部署；想要精细轨迹，又需要高质量几何和同步。
Motivation
已有路线不足主要不是算法过时，而是传感-平台-动物尺寸之间不匹配。大型海洋动物可以用 GPS、Argos、USBL 或自定义 transponder；小型深海底栖动物只能用 Vemco V7 这类小型单向标签。固定接收阵列在浅水和小范围内可用，但深海环境里接收器位置、时钟、回收成本和单点覆盖都会成为瓶颈。
作者的核心观察是：底栖物种的生物学约束本身可以转化为定位先验。Norway lobster 基本在海底二维平面运动，深度近似已知，速度慢，释放区域和保护区范围明确。这使得 TDOA 不必解决完整 3D 问题，移动平台也不必获得精确 range，只要持续制造空间 exclusion / inclusion 区域，就能把极弱观测累积成可用位置估计。
关键缺口是一个端到端可执行的 field procedure：如何布设、校准、同步、定位、再用机器人扩展阵列外搜索。论文的贡献更像“把深海声学动物追踪做成可运行系统”，而不是提出一个单点最优算法。
Core Idea
论文真正的核心思想是混合化观测：在固定阵列内部，利用多接收器 TDOA 形成高精度局部定位；在固定阵列外部，用移动机器人携带单接收器，通过是否接收到 ping 来形成随时间移动的区域约束。前者解决精度，后者解决覆盖。两者不是同一种观测模型的简单扩展，而是承认不同平台提供的信息强度不同，并分别采用匹配的推断方式。
这改变了传统 acoustic telemetry 的建模方式。固定阵列不再只是 presence logger，而是通过精确时钟校准和 TDOA 后处理变成高分辨率轨迹生成器；移动机器人也不被强行当作虚拟 LBL 或 bearing sensor，而是被建模为主动移动的检测区域生成器。AOTT 的 inductive bias 很明确：目标更可能位于历史检测圆盘的交集附近，并且不检测区域同样提供负证据。这种 bias 对慢速底栖目标非常合适，对高速或三维运动目标则未必成立。
和 prior 的本质区别是，它没有要求动物携带更复杂标签，也没有要求移动平台获得方向或距离；它把“硬件不足”转化为“弱观测累积 + 运动策略”的问题。这是可扩展性的来源：商用小标签和普通接收器可以复用，扩展成本更多在平台和部署流程，而不是动物端硬件。
Method
1. 固定阵列 TDOA：解决未知发射时刻和小型单向标签不可同步的问题。TDOA 通过接收器对之间的到达时间差消去 t0，把定位变成双曲线交会。由于目标深度已知，问题降为 2D，几何可观性显著增强。这里的核心变化是：把普通 presence acoustic telemetry 提升为米级轨迹恢复。
2. 时钟漂移与接收器定位校准：这是方法能否成立的关键工程机制。长期自记录接收器没有实时同步，漂移可达足以破坏 ping 关联的量级。作者用同步标签和分阶段回归校正漂移，再结合 ROV/USBL 与声学 TOF 修正接收器实际位置。这个部分看似工程，但实际上是 TDOA 精度的主因之一；没有它，后续算法比较意义不大。
3. TDOA 推断器选择：论文比较 ML、MAP、PF、WLS、WLS-ML、YAPS 等路线。这里不是在证明某个新 estimator，而是在真实约束下选择稳定性/速度/异常值鲁棒性的折中。WLS 快且对 outlier 相对稳，ML 可能受局部极值和接收器附近奇异性影响，WLS-ML 用 WLS 初始化 ML，降低数值失败风险。核心变化是从理论最优转向 field-robust estimator。
4. AOTT：移动端只有单接收器，没有 range、bearing、双向 TOF。AOTT 将一次检测建模为“目标大概率在最大检测半径内”，一次未检测建模为“目标较可能在半径外”，再用粒子滤波积累这些正负区域证据。机器人绕估计目标做圆形轨迹，本质上是在主动改善观测几何，使检测圆盘边界从多个角度切割目标空间。
5. 固定-移动组合：固定阵列生成高精度局部行为轨迹，移动 ROV/AUV 在阵列外搜索和重新检测目标。这个组合解决的是覆盖-精度 trade-off，而不是让一个算法同时最优。
Key Insight / Why It Works
这篇论文最重要的 insight 是：在深海小型动物跟踪里，瓶颈不是缺少复杂 estimator，而是观测几何和系统校准。TDOA 的理论已经成熟，但深海 field setting 下真正决定精度的是接收器位置、时钟漂移、ping 关联和阵列几何。作者把这些工程细节系统化，才使得商用小标签能产生米级轨迹。
AOTT 有效的原因不是粒子滤波本身，而是 detection-only 观测在合适运动策略下并不完全弱。单次 ping 只给一个圆盘约束，非常粗；但移动平台围绕目标估计位置做近似圆形轨迹时，连续的检测/未检测边界会形成类似 tomographic clipping 的效果。对慢速目标，时间累积可以替代瞬时 range / bearing。这里的核心是 better inductive bias + test-time active sensing，不是 scaling，也不是数据覆盖。
最可能的核心贡献有两个：第一，固定阵列中的时钟/位置校准 procedure，使 TDOA 在深海长期部署中变得可信；第二，AOTT 把单接收器移动平台的 presence 信息形式化为可递推的区域约束。相比之下，大量 TDOA 算法横向比较更像验证和工程选型，不是概念创新。
论文中不少增益来自系统集成和 deployment discipline，而不是算法突破。WLS-ML 的优势主要是数值稳定和运行时间折中；PF 在仿真里表现好但计算代价大、对 outlier 不一定稳。AOTT 的几十到百米误差也说明它不是精定位方法，而是阵列外搜索/粗跟踪方法。若把它宣传成替代 LBL，会误解贡献；它真正价值是降低基础设施要求并扩展可观测区域。
没有 evidence 指向 benchmark leakage 这类问题，因为这是实地机器人/声学系统论文。但 evaluation bias 存在：真实 Norway lobster 轨迹没有 ground truth，算法精度主要用固定同步标签间接评估；动物端运动轨迹的真实性依赖定位模型本身。生态行为结论因此不能过度解读。
Relation To Prior Work
这篇工作处在三条谱系的交叉处：固定 acoustic telemetry / VPS-LBL，AUV 携带水听器进行动物追踪，以及 range-only / bearing-only underwater target tracking。它并不发明 TDOA，也不发明 PF；真正新增的是把这些已有思想重组到“小型商用标签 + 深海底栖长期部署 + 移动机器人扩展”的约束集合里。
相对固定 LBL/VPS，差异在于不满足于阵列内定位，而是引入 ROV/AUV 作为可移动接收器去补阵列外盲区。相对 SYNAPS 或声压加权中心法，本文更强调可解释的几何约束和校准过程，而不是依赖信号强度启发式。相对 USBL / acoustic modem 主动跟踪，本文不要求动物端双向通信或大型 transponder，因此更适合小型物种。
AOTT 与 bearing-only AUV tracking 的关系尤其接近：两者都是用移动平台主动制造可观性。但 bearing-only 需要水听器阵列和足够基线，AUV 上往往受尺寸限制；AOTT 退一步承认没有 bearing，只用检测区域。这牺牲了精度，换来硬件通用性和小标签兼容性。
看似新的部分不少是已有 signal processing / robotics tracking 方法的 field adaptation；实质创新在于问题重构和系统验证。它属于“robot-assisted ecological sensing”的方法演化，而不是纯机器人学习或纯定位算法论文。
Dataset / Evaluation
evaluation 的强项是真实世界部署：400 m 深海、3 个多月、33 个 tagged lobsters、固定接收器 + ROV + AUV，多数同类工作很少能做到这种长期深海 field scale。它确实验证了核心 claim 的一部分：移动机器人可以增强传统固定 acoustic tracking，商用小标签可以在深海底栖场景生成高空间分辨率行为数据。
但 evaluation 不是跨场景泛化验证。主要 field deployment 集中在一个保护区、一类底栖慢速动物、一种相对平坦地形和固定标签配置。Monterey Bay 的 AOTT 测试使用 CPF 和 Wave Glider，更多是验证算法可行性，不等价于深海龙虾场景。OBSEA/Monterey/Roses 三者构成了工程 confidence，而不是严格的 domain generalization benchmark。
是否验证了 claim？对“固定阵列内米级跟踪”支持较强，因为同步标签和接收器定位误差给了可检查的 proxy。对“移动机器人长期追踪阵列外动物”支持较弱，因为后续机器人检测到的目标数量少，且受动物死亡、标签脱落、离区、洞穴遮挡、机器人噪声等混杂因素影响。论文更像证明系统路线可行，而非证明大规模自动化监测已经成熟。
Limitation
最大隐含前提是目标运动低维、慢速、近底。若目标存在显著垂向运动，TDOA 的 2D 简化和 AOTT 的圆盘约束都会失效或需要重建。若目标移动速度接近或超过平台几何采样速度，detection-only 累积约束会滞后甚至锁错。
AOTT 的 scalability 有明显上限。多目标密集标签、随机发射碰撞、漏检、误检和身份关联会显著恶化粒子滤波。文中虽然是 33 个标签的系统，但 AOTT 真正在线多目标跟踪能力没有被充分展示。所谓 multitracking 主要依赖标签 ID 可区分，而不是解决复杂数据关联。
精度归因并不完全干净。TDOA 的米级结果很大程度来自已知深度、短基线、同步标签、接收器精确校准和平坦地形；算法本身不是唯一贡献。WLS-ML 的增益也可能主要是初始化和异常值处理，而非更深层统计建模。
移动机器人部分把问题从“部署大量固定接收器”转移为“需要昂贵平台、巡航规划、噪声管理和后处理”。AUV/ROV 本身的 thruster、USBL、DVL 可能干扰声学接收；文中也承认这可能解释低检测数。也就是说，机器人不是免费扩展覆盖，而是引入另一类系统误差。
生态学解释上需要克制。动物轨迹没有 ground truth，消失可能表示离开区域、进入洞穴、标签脱落、死亡或接收失败。论文对保护区尺度设计有启发，但还不足以单独支撑强管理结论。
Takeaway
- 1. 对深海生态机器人系统，最值得迁移的不是某个滤波器，而是“弱动物端硬件 + 强平台端运动/校准/后处理”的设计哲学。
- 把复杂度从动物标签转移到环境基础设施和机器人平台，是小型物种监测的正确方向。
- 2. detection-only 观测并非只能做 presence map；只要移动平台轨迹被设计成主动改善可观性，负观测也可以成为有用信息。
- 这一点可迁移到水下搜索、低功耗传感网络、RFID/LoRa 弱定位等场景。
一句话总结
这篇论文的价值不在于提出新的定位理论，而在于把固定 TDOA 阵列和移动机器人 detection-only 主动感知组合成一套可在深海小型底栖渔业资源上长期运行的声学跟踪系统，是从传统 acoustic telemetry 向 robot-assisted ecological sensing 演化的一步。
