1.一种基于能耗感知的水下机器人自主导航方法，其特征在于：

S101、根据机器人携带的传感器融合数据，获取水下环境参数，包括水流速度矢量场、水压分布和障碍物分布图，同时结合机器人状态参数，包括速度、姿态和能耗数据，构建多维度时空的能耗感知模型；

S102、针对能耗感知模型，采用基于图的SLAM算法，构建包含位姿节点和能耗节点的因子图模型，将位姿节点表示机器人在环境中的位置和方向，将能耗节点表示该位姿下的能量消耗值，将节点间的边表示位姿约束和能耗约束；

S103、结合因子图模型和能耗感知模型计算位姿间的能耗增量，形成能耗增量因子，与传统的视觉、里程计因子一起，优化因子图方法，求解位姿和能耗的最大后验估计；

S104、将位姿和能耗的最大后验估计与机器人状态参数融合，得到一个包含环境参数的空间分布和各个位置的能耗预估值的局部区域环境能耗地图，根据机器人探索区域的扩展实时更新局部能耗地图；

S105、若当前局部能耗地图覆盖全局目标位置，进行全局路径规划，采用八叉树结构，在树形空间内以能耗最优为目标搜索，根据路径长度和能耗计算全局能耗最优路径；

S106、若当前局部能耗地图尚未覆盖全局目标位置，则仅在局部能耗地图范围内进行导航决策，以机器人当前位置为根节点，在邻域内生成随机采样树，根据水流方向、水流速度，机器人位姿和能耗的最大后验估计，选择能耗代价最低的分支作为局部能耗最优路径，同时预测分支延伸方向上的能耗和水流变化趋势，引导树的生长方向；

S107、将上述全局或局部能耗最优路径离散为控制航点序列，生成控制指令，通过运动控制模块执行，运动控制采用自适应PID控制器，在跟踪期望航点的同时，根据实际能耗与预期能耗的偏差，在线调整控制参数；

S108、在机器人运动过程中，持续进行环境感知和能耗建图，当实际能耗严重偏离预期，触发局部路径重规划，生成能耗补偿策略，若环境发生重大变化导致当前路径失效，则需重新执行全局规划。

2.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S101步骤采用卡尔曼滤波、贝叶斯估计多传感器数据融合算法对所述传感器数据进行融合处理，得到水下环境参数。

3.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S102步骤采用基于图的SLAM算法，构建包含位姿节点和能耗节点的因子图模型，采用能耗感知模型计算相邻能耗节点之间约束关系，构建能耗因子，将能耗信息引入因子图模型。

4.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S103步骤根据因子图模型和能耗感知模型，构建能耗增量因子；采用图优化库，通过最小化所有因子的误差平方和。

5.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S104步骤根据机器人的状态参数和环境参数，采用高斯过程回归方法，建立状态参数与环境参数之间的非线性映射关系，得到参数空间分布，并利用能耗在空间上的相关性和时间上的连续性进行平滑处理，采用基于机器人运动速度和探索区域大小动态调整窗口大小的滑动窗口策略，通过设置速度和区域大小的阈值，动态调整局部地图窗口的尺寸,将环境因子作为先验因子引入因子图，构建环境因子与位姿、能耗因子之间的约束关系。

6.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S105步骤根据所述局部能耗地图，采用八叉树结构对全局地图进行空间划分，得到叶子节点，每个叶子节点对应一个局部能耗地图块；代价函数使用A*启发式搜索算法进行路径规划。

7.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S106步骤利用高斯过程回归方法，对矩形区域内的水深、水流速度、地形起伏进行插值或外推预测，当机器人当前位置距离地图边界的距离小于阈值时，通过激光雷达、声呐传感器采集新的环境信息，并利用因子图优化方法，将新信息融合到原有地图中。

8.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S107步骤根据水下机器人的控制需求，将规划得到的全局或局部能耗最优路径进行离散化处理，得到离散的控制航点，每个航点包含期望的位置、速度、航向信息；根据离散化后的控制指令序列，采用PID控制、滑模控制、自适应控制算法，将能耗偏差作为反馈量，采用最优控制或自适应动态规划的方法，调整水下机器人的速度、加速度控制输入；通过计算最大偏差、均方根误差评估指标。

9.根据权利要求1所述的一种基于能耗感知的水下机器人自主导航方法，其特征在于：

所述S108步骤根据机器人上搭载的多源异构传感器获取水下环境的地形、地貌、障碍物、水流、水质多维度信息，采用扩展卡尔曼滤波SLAM与图优化SLAM相结合的方式，其中，所述扩展卡尔曼滤波SLAM用于在线递推更新机器人位姿和局部地图，局部路径重规划采用改进的A*搜索算法。