人机协同水下作业项目旨在通过开发新型硬件与算法，实现潜水员与自主水下航行器（AUV）的高效协作，以优化海事任务（如关键设施检修、搜索救援、港口突入及反水雷等）的执行效能。其核心是融合人类在灵巧操作、复杂环境识别方面的优势，与AUV在高速机动、持久作业及数据处理方面的专长。

关键技术方案聚焦于导航与感知两大瓶颈：

1. 协同导航：在麻省理工学院算法基础上，针对真实海洋洋流扰动，为潜水员增配集成压力深度传感器、惯性测量单元与水声调制解调器的便携终端（“小管”），以实时解算潜水员与AUV的相对位置，避免碰撞并实现协同机动。

2. 智能感知：

   • 声光融合AI分类器：开发可同步处理光学与声呐数据的AI模型，任务中对不确定目标可主动向潜水员发送图像标注框并请求确认（“交互式人机验证”），形成感知闭环。
   • 跨模态知识迁移：探索利用充足的光学数据训练模型，以提升在声呐数据稀缺场景下的物体识别能力，减少对大量标注声呐数据的依赖。
   • 受限通信优化：针对水下通信带宽低、延迟高的限制，研究信息压缩方法，确保关键感知数据能在潜水员与AUV间有效传输。

验证与测试进展：

团队已将算法集成至适配美国海军现役AUV的传感器载荷（主要采用商用现货组件），并在新英格兰沿岸的开放海域及河流中，先后以船只模拟和真人潜水员开展了渐进式测试。在五大湖的真人测试中，已验证导航终端的实用性与光学传感器的成像条件，并推进了光学-声呐模型迁移的研究。

应用前景：

该技术旨在应对海底电缆检修、关键基础设施防护等现实挑战。随着水下自主系统竞争加剧，融合人工智能与人类专长被视为维护经济安全与战略优势的关键路径。团队正寻求外部支持以推动技术完善与向军事、商业领域的转化。

https://news.mit.edu/2026/human-machine-teaming-dives-underwater-0414