留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于驾驶实践的无人船智能避碰决策方法

丁志国 张新宇 王程博 黎泉 安兰轩

丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2020, 37(X): 1–10 doi:  10.19693/j.issn.1673-3185.01781
引用本文: 丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2020, 37(X): 1–10 doi:  10.19693/j.issn.1673-3185.01781
DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2020, 37(0): 1–10 doi:  10.19693/j.issn.1673-3185.01781
Citation: DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2020, 37(0): 1–10 doi:  10.19693/j.issn.1673-3185.01781

基于驾驶实践的无人船智能避碰决策方法

doi: 10.19693/j.issn.1673-3185.01781
基金项目: 国家重点研发计划(2018YFB1601502)
详细信息
    作者简介:

    丁志国,男,1996年生,硕士生。研究方向:无人驾驶船舶智能避碰、交通流仿真。E-mail:dingzhiguo@dlmu.edu.cn

    张新宇,男,1978年生,博士,教授,博士生导师。研究方向:交通信息工程,组织优化调度,交通管理系统,无人驾驶船舶技术。E-mail:zhang.xinyu@sohu.com

    通讯作者:

    张新宇

  • 中图分类号: U664.82;TP273.5

Intelligent collision avoidance decision-making method for unmanned ships based on driving practice

  • 摘要:   目的  为实现沿海无人驾驶船舶自主航行,充分考虑无人驾驶船舶智能避碰决策的合理性和实时性,提出并建立一种基于驾驶实践的无人船智能避碰决策方法。  方法  首先,以本体论为基础,设计无人驾驶船舶航行态势本体概念模型,并结合《国际海上避碰规则》及良好船艺将船舶航行态势量化划分为12种会遇场景;然后,从驾驶实践角度改进影响碰撞危险度因子的模糊隶属度函数,提出一种多元碰撞危险度评估模型,实现船舶碰撞危险度的精确计算;最后,以船舶避碰总路径最短为目标函数,提出一种基于驾驶员视角BOP(Based on Operator’s Perspective)的智能避碰决策模型,在船舶操纵性、舵角限幅等约束下求解最优避碰策略,并在典型会遇场景下进行仿真实验。  结果  结果表明,该方法可以准确判断驾驶航行态势,给出合理的转向策略,实现典型会遇场景下的有效避碰。  结论  本文研究可为实现船舶自主航行提供理论基础和方法参考。
  • 图  1  无人驾驶船舶自主航行系统架构图

    Figure  1.  architecture diagram of autonomous navigation system of unmanned vessel

    图  2  3种典型会遇场景示意图

    Figure  2.  schematic diagram of three typical encounter scenarios

    图  3  船舶转向避碰行动方式示意图

    Figure  3.  schematic diagram of ship steering and collision avoidance action mode

    图  4  BOP智能避碰决策模型流程图

    Figure  4.  flow chart of BOP intelligent collision avoidance decision-making model

    图  5  船舶复航时机求解示意图

    Figure  5.  schematic diagram of solving the timing of re-sailing

    图  6  船舶避碰仿真过程图

    Figure  6.  ship collision avoidance simulation process diagram

    图  7  船舶避碰过程中航向舵角变化曲线

    Figure  7.  course and rudder angle variation curve during collision avoidance

    表  1  航行态势理解与划分表

    Table  1.    

    NumberESQΨt0Vt, V0ActionResponsibility
    1hasFrontEC-DHOhasFront (0~π/8)7π/8~9π/8任意TurnLeftNone
    2hasFrontEC-HOhasFront (15π/8~0)7π/8~9π/8任意TurnRightEqual responsibility
    3hasFrontEC-CRhasFront (15π/8~π/8)9π/8~13π/8任意TurnRightGive way
    4hasFrontEC-OT13π/8~3π/8Vt<V0TurnLeft or TurnRightGive way
    5hasFrontEC-CR3π/8~7π/8任意StraightForwardStand on
    6hasFrontRightEC-OThasFrontRight (π/8~π/2)π~2πVt<V0TurnRightGive way
    7hasFrontRightEC-CRπ~2π任意TurnRightGive way
    8hasBehindRightEC-CRhasBehindRight (π/2~5π/8)3π/2-2π任意TurnLeftGive way
    9hasBehindEC-OThasBehind (5π/8~11π/8)3π/2~ /2πVt>V0StraightForwardStand on
    10hasBehindLeftEC-CRhasBehindLeft (11π/8~3π/2)0~π/2任意StraightForwardStand on
    11hasFrontLeftEC-OThasFrontLeft (3π/2~15π/8)0~πVt<V0TurnRightGive way
    12hasFrontLeftEC-CR0~π任意TurnRightGive way
    下载: 导出CSV

    表  2  Mariner标准船型数据

    名称数值
    总长$ {L}_{oa} $/m171.80
    垂线间长$ {L}_{bp} $/m160.93
    型宽$ B $/m23.17
    设计吃水$ T $/m8.23
    排水量$ \nabla $/m318 541
    设计航速$ {U}_{0} $/kn15
    舵角限幅$ \delta $/(°)35
    下载: 导出CSV

    表  3  船舶初始航行参数设置

    船舶船位 ($ \mathrm{\lambda }{\simfont\text{,}}\mathrm{\varphi } $)航向(Ψ)航速 (kn)
    无人驾驶船舶(161.10,25.10)045°15
    动态目标船(TS1)(161.21,25.125)315°10
    动态目标船(TS2)(161.32,25.28)225°10
    动态目标船(TS3)(161.24,25.16)045°10
    下载: 导出CSV
  • 陈国权. 船舶避碰自动化关键技术研究[D]. 大连: 大连海事大学, 2016.

    CHEN G Q. Research on key technologies for ship collision avoidance automation[D]. Dalian: Dalian Maritime University, 2016 (in Chinese).
    PERERA L P, CARVALHO J P, SOARES C G. Fuzzy logic based decision making system for collision avoidance of ocean navigation under critical collision conditions[J]. Journal of Marine Science and Technology, 2011, 16(1): 84–99.
    KEARON J. Computer programs for collision avoidance and traffic keeping[C]//Conference on Mathematical Aspects on Marine Traffic. London: Academic Press, 1977.
    王则胜, 施朝健. 基于改进的神经网络的船舶碰撞危险度的模型[J]. 中国航海, 2007(1): 65–67. doi:  10.3969/j.issn.1000-4653.2007.01.015

    WANG Z S, SHI C J. An improved neural network based model of collision risk index[J]. Navigation of China, 2007(1): 65–67 (in Chinese). doi:  10.3969/j.issn.1000-4653.2007.01.015
    LI C Z, LI W, NING J. Calculation of ship collision risk index based on adaptive fuzzy neural network[C]//Proceedings of 2018 3rd International Conference on Modeling, Simulation and Applied Mathematics (MSAM). Shanghai: Science and Engineering Research Center, 2018: 223-227.
    汤国瑞, 谢新连, 潘伟. 复杂水域船舶智能避碰专家系统设计[J]. 船海工程, 2019, 48(3): 160–165. doi:  10.3963/j.issn.1671-7953.2019.03.037

    TANG G R, XIE X L, PAN W. Design of intelligent collision avoidance expert system for ships in complex waters[J]. Ship & Ocean Engineering, 2019, 48(3): 160–165 (in Chinese). doi:  10.3963/j.issn.1671-7953.2019.03.037
    刘冬冬, 史国友, 李伟峰, 等. 基于最短避碰距离和碰撞危险度的避碰决策支持[J]. 上海海事大学学报, 2018, 39(1): 13–18.

    LIU D D, SHI G Y, LI W F, et al. Decision support of collision avoidance based on shortest avoidance distance and collision risk[J]. Journal of Shanghai Maritime University, 2018, 39(1): 13–18 (in Chinese).
    胥文, 胡江强, 尹建川, 等. 基于模糊理论的船舶复合碰撞危险度计算[J]. 舰船科学技术, 2017, 39(7): 78–84. doi:  10.3404/j.issn.1672-7649.2017.07.016

    XU W, HU J Q, YIN J C, et al. Composite evaluation of ship collision risk index based on fuzzy theory[J]. Ship Science and Technology, 2017, 39(7): 78–84 (in Chinese). doi:  10.3404/j.issn.1672-7649.2017.07.016
    施建祥, 张笑嫣. 船舶碰撞危险度的避碰决策模型[J]. 珠江水运, 2018(18): 78–79.

    SHI J X, ZHANG X Y. Collision avoidance decision model of ship collision risk[J]. Pearl River Water Transport, 2018(18): 78–79 (in Chinese).
    LYU H G, YIN Y. Fast path planning for autonomous ships in restricted waters[J]. Applied Sciences, 2018, 8(12): 2592.
    LYU H G, YIN Y. COLREGS-constrained real-time path planning for autonomous ships using modified artificial potential fields[J]. The Journal of Navigation, 2019, 72(3): 588–608.
    林晓杰. 基于改进势场法的受限水域中船舶自动避碰模型研究[D]. 哈尔滨: 哈尔滨工程大学, 2015.

    LIN X J. Model research on automatic collision avoidance of ships in confined waterways based on improved potential field method[D]. Harbin: Harbin Engineering University, 2015 (in Chinese).
    袁宇祺. 多目标下的船舶智能避碰方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2019.

    YUAN Y Q. Intelligent collision avoidance of surface vechiles under multi-objective[D]. Harbin: Harbin Engineering University, 2019 (in Chinese).
    HE Y X, HUANG L W, XIONG Y, et al. The research of ship ACA actions at different stages on head-on situation based on Cri and COLREGS[J]. Journal of Coastal Research, 2015, 73(S1): 735–740.
    王程博, 张新宇, 张加伟, 等. 未知环境中无人驾驶船舶智能避碰决策方法[J]. 中国舰船研究, 2018, 13(6): 72–77.

    WANG C B, ZHANG X Y, ZHANG J W, et al. Method for intelligent obstacle avoidance decision-making of unmanned vessel in unknown waters[J]. Chinese Journal of Ship Research, 2018, 13(6): 72–77 (in Chinese).
    SHEN H Q, HASHIMOTO H, MATSUDA A, et al. Automatic collision avoidance of multiple ships based on deep Q-learning[J]. Applied Ocean Research, 2019, 86: 268–288.
    李丽娜, 陈国权, 李国定, 等. 船舶拟人智能避碰决策方法研究综述[J]. 航海, 2014(2): 42–49.

    LI L N, CHEN G Q, LI G D, et al. A review on PIDVCA system[J]. Navigation, 2014(2): 42–49 (in Chinese).
    耿新力. 城区不确定环境下无人驾驶车辆行为决策方法研究[D]. 合肥: 中国科学技术大学, 2017.

    GENG X L. Research on behavior decision-making approaches for autonomous vehicle in urban uncertainty environments[D]. Hefei: University of Science and Technology of China, 2017 (in Chinese).
    苏开文. 船舶避碰专家系统的研究[D]. 大连: 大连海事大学, 2007.

    SU K W. A study on the expert system for ship collision avoidance[D]. Dalian: Dalian Maritime University, 2007 (in Chinese).
    FOSSEN T I. Guidance and Control of Ocean Vehicles[M]. Chichester, New York: Wiley, 1994.
    王鹏鲲, 陈国权, 李丽娜, 等. 船舶预测复航限制时间模型及算法验证[J]. 中国航海, 2016, 39(1): 55–59. doi:  10.3969/j.issn.1000-4653.2016.01.013

    WANG P K, CHEN G Q, LI L N, et al. Integrity verification of calculation model for forecasting recovery limited time of ship[J]. Navigation of China, 2016, 39(1): 55–59 (in Chinese). doi:  10.3969/j.issn.1000-4653.2016.01.013
    DAVIS P V, DOVE M J, STOCKEL C T. A computer simulation of marine traffic using domains and arenas[J]. The Journal of Navigation, 1980, 33(2): 215–222.
  • [1] 李清亮, 李彬, 孙国皓, 崔星, 毛新涛2021: 基于精确罚函数的无人船航迹规划和自动避障算法 , 中国舰船研究. doi: 10.19693/j.issn.1673-3185.02209
    [2] 王远渊, 刘佳仑, 马枫, 王兴平, 严新平2021: 智能船舶远程驾驶控制技术研究现状与趋势 , 中国舰船研究. doi: 10.19693/j.issn.1673-3185.01939
    [3] 楼建坤, 王鸿东, 王检耀, 易宏2021: 基于机器学习的实海域无人艇避碰算法智能演进方法初探 , 中国舰船研究. doi: 10.19693/j.issn.1673-3185.02116
    [4] 张玉梅, 吴启锐, 黄山, 黄佳欣, 赖刚2020: 融入中国元素的邮轮功能空间与外形设计实践 , 中国舰船研究, 15, 49-56. doi: 10.19693/j.issn.1673-3185.01840
    [5] 冯大奎, 占进, 严军, 孙月, 王先洲2020: 规则波中无人艇回收的水动力性能分析 , 中国舰船研究, 15, 38-44. doi: 10.19693/j.issn.1673-3185.01595
    [6] 侯岳奇, 梁晓龙, 张诺, 陶浩, 龚俊斌2020: 有向通信拓扑下海上无人集群分布式编队控制 , 中国舰船研究. doi: 10.19693/j.issn.1673-3185.02092
    [7] 蔡伟, 朱凌2020: 冰碰载荷下船体板弹塑性动力响应分析 , 中国舰船研究, 15, 155-161. doi: 10.19693/j.issn.1673-3185.01804
    [8] 孙晓雪, 王胜正, 殷非, 谢宗轩2020: 智能船舶远程辅助驾驶3D场景构建关键技术研究 , 中国舰船研究. doi: 10.19693/j.issn.1673-3185.01743
    [9] 张显库, 韩旭2019: 船舶运输安全保障下的智能船舶运动控制策略 , 中国舰船研究, 14, 1-6. doi: 10.19693/j.issn.1673-3185.01634
    [10] 欧阳子路, 王鸿东, 王检耀, 易宏2019: 基于改进Bi-RRT的无人水面艇自动避碰算法 , 中国舰船研究, 14, 8-14. doi: 10.19693/j.issn.1673-3185.01450
    [11] 张跃文, 孙晓磊, 丁亚委, 孙培廷2018: 船舶动力装置智能诊断系统设计 , 中国舰船研究, 13, 140-146. doi: 10.19693/j.issn.1673-3185.01209
    [12] 徐博, 张娇, 王超2018: 一种基于人工势场多AUV集群的实时避障方法 , 中国舰船研究, 13, 66-71. doi: 10.19693/j.issn.1673-3185.01326
    [13] 金克帆, 王鸿东, 易宏, 刘旌扬, 王健2018: 海上无人装备关键技术与智能演进展望 , 中国舰船研究, 13, 1-8. doi: 10.19693/j.issn.1673-3185.01293
    [14] 王程博, 张新宇, 张加伟, 刘硕2018: 未知环境中无人驾驶船舶智能避碰决策方法 , 中国舰船研究, 13, 72-77. doi: 10.19693/j.issn.1673-3185.01144
    [15] 张晓, 杨和振2015: 不规则波中船舶参数横摇的概率分析 , 中国舰船研究, 10, 32-36. doi: 10.3969/j.issn.1673-3185.2015.03.006
    [16] 钱江, 余昆, 颜声远, 熊巍, 叶金亮, 黄杰2014: 大型船舶驾驶室数字化人机工程设计评价方法 , 中国舰船研究, 9, 18-24. doi: 10.3969/j.issn.1673-3185.2014.04.003
    [17] 曾凡明, 陈于涛, 胡锦晖2012: 潜艇动力平台训练仿真系统总体设计与实践 , 中国舰船研究, 7, 78-85. doi: 10.3969/j.issn.1673-3185.2012.06.012
    [18] 刘峻华, 孟清正, 杨涛, 张聘亭2011: 船舶动力装置可组态智能故障诊断系统设计 , 中国舰船研究, 6, 77-80. doi: 10.3969/j.issn.1673-3185.2011.02.016
    [19] 陆超, 金永明, 陈锐2011: 新型巡航救助船全景式驾驶室视野计算分析 , 中国舰船研究, 6, 64-66,71. doi: 10.3969/j.issn.1673-3185.2011.04.013
    [20] 徐玉如, 苏玉民, 庞永杰2006: 海洋空间智能无人运载器技术发展展望 , 中国舰船研究, 1, 1-04. doi: 10.3969/j.issn.1673-3185.2006.03.001
  • 加载中
图(7) / 表 (3)
计量
  • 文章访问数:  24
  • HTML全文浏览量:  14
  • PDF下载量:  2
  • 被引次数: 0
出版历程
  • 网络出版日期:  2020-12-18

基于驾驶实践的无人船智能避碰决策方法

doi: 10.19693/j.issn.1673-3185.01781
    基金项目:  国家重点研发计划(2018YFB1601502)
    作者简介:

    丁志国,男,1996年生,硕士生。研究方向:无人驾驶船舶智能避碰、交通流仿真。E-mail:dingzhiguo@dlmu.edu.cn

    张新宇,男,1978年生,博士,教授,博士生导师。研究方向:交通信息工程,组织优化调度,交通管理系统,无人驾驶船舶技术。E-mail:zhang.xinyu@sohu.com

    通讯作者: 张新宇
  • 中图分类号: U664.82;TP273.5

摘要:   目的  为实现沿海无人驾驶船舶自主航行,充分考虑无人驾驶船舶智能避碰决策的合理性和实时性,提出并建立一种基于驾驶实践的无人船智能避碰决策方法。  方法  首先,以本体论为基础,设计无人驾驶船舶航行态势本体概念模型,并结合《国际海上避碰规则》及良好船艺将船舶航行态势量化划分为12种会遇场景;然后,从驾驶实践角度改进影响碰撞危险度因子的模糊隶属度函数,提出一种多元碰撞危险度评估模型,实现船舶碰撞危险度的精确计算;最后,以船舶避碰总路径最短为目标函数,提出一种基于驾驶员视角BOP(Based on Operator’s Perspective)的智能避碰决策模型,在船舶操纵性、舵角限幅等约束下求解最优避碰策略,并在典型会遇场景下进行仿真实验。  结果  结果表明,该方法可以准确判断驾驶航行态势,给出合理的转向策略,实现典型会遇场景下的有效避碰。  结论  本文研究可为实现船舶自主航行提供理论基础和方法参考。

English Abstract

丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2020, 37(X): 1–10 doi:  10.19693/j.issn.1673-3185.01781
引用本文: 丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2020, 37(X): 1–10 doi:  10.19693/j.issn.1673-3185.01781
DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2020, 37(0): 1–10 doi:  10.19693/j.issn.1673-3185.01781
Citation: DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2020, 37(0): 1–10 doi:  10.19693/j.issn.1673-3185.01781
    • 随着新一代人工智能技术和无人驾驶技术在航海领域应用研究的兴起,海上运输正朝着智能化方向快速发展。无人驾驶船舶作为海上智能交通的载体,已然成为了国内外航运界关注的焦点。近年来,无人驾驶车辆的驾驶行为决策已取得较好成果,国内外许多专家学者也积极借鉴无人驾驶车辆研究经验,结合航海背景,试图解决船舶的智能避碰决策问题。

      无人驾驶船舶自主航行包括感知、理解、决策、控制4个阶段,而决策阶段是无人驾驶船舶安全航行及避障的关键,因此无人驾驶船舶的驾驶行为决策成为了国内外学者的研究重点。无人驾驶船舶智能避碰决策问题的核心在于能否在海上环境复杂、多变的情况下快速做出符合《国际海上避碰规则》(以下简称《规则》)以及海员通常做法的安全而有效的决策。实际上,船舶智能避碰决策要解决的实际问题与船舶驾驶人员在避碰实际中要解决的问题是一致的,其区别在于用人工方式解决还是由计算机自主做出决策,而目前基于驾驶实践视角的无人船智能避碰决策研究较少,本文拟从驾驶实践视角开展无人船的智能避碰决策研究。

      基于驾驶实践,无人驾驶船舶智能避碰决策包含航行态势感知、航行态势理解、碰撞危险度决策、避碰行动时机决策、避碰行动有效性决策和复航决策等过程。

      航行态势感知系统是借助多种船载传感器设备主动对船舶内、外部信息以及航行环境信息进行多模态感知,航行态势理解是通过对感知系统获取的多源异构、多模态信息进行分类与理解,将无人驾驶船舶航行态势进行结构化表述,并且结合《规则》与海员通常做法对船舶会遇场景进行量化划分,目前对于会遇场景的划分标准不一,陈国权[1]根据相对运动几何规律分析总结目标交会特征(Target Encounter Characteristic, TEC),通过目标船相对运动航向、船速比的大小以及目标船与本船的航向差取值范围归纳出15种TEC,并且针对不同的TEC给出对应的避碰方案;Perera等[2]将本船碰撞区域划分为8个区,将目标船的相对运动航向划分为8个区,按照船舶相对距离范围,速比条件将会遇情况划分为144种,有效情况为63种。会遇场景量化程度越高,对于避碰决策越有利,但是随着引入的影响因子增加,系统的复杂性越高,遍历需要的时间也越长。本文迁移应用无人驾驶车辆场景建模方法,引入本体论模型,建立航行态势本体模型,并根据《规则》及驾驶实践对会遇场景进行知识表述,实现在线推理,给出会遇场景、本船的避让责任以及避让行动方式,为智能避碰决策提供决策基础,提高决策效率。

      碰撞危险度是采取避碰行动的依据,Kearon等[3]首次提出由DCPA和TCPA加权的方法确定碰撞危险度,只考虑到了2个因素对于碰撞危险度的影响,可能会对实际情况产生误判;文献[4-6]均是采用神经网络的方法来确定船舶碰撞危险度,将DCPA、TCPA、舷角以及航向航速作为系统输入,具有良好的预测效果;文献[7-9]利用模糊理论来研究碰撞危险度,刘冬冬等[7]综合考虑DCPA、TCPA、来船方位、距离和船速比,构建碰撞危险度模糊评价模型,并运用四元船舶领域(Quaternion Ship Domain, QSD)对DCPA的隶属度函数进行改进,为避碰决策提供准确依据;胥文等[8]在考虑以上5个影响因素的基础上,结合船舶操纵性能、能见度情况以及航行水域情况对模糊隶属度函数进行修正,提高了碰撞危险度的研究准确性。本文在前人研究的基础上,改进碰撞危险度隶属度函数,并且根据航行驾驶实践,重新设计碰撞危险度合成模型。

      无人驾驶船舶完成航行态势感知与理解以及碰撞危险决策之后需要根据驾驶实践做出合理的避碰决策,一些学者迁移应用机器人避碰路径规划研究中的势场理论解决船舶的避碰问题[10-12],虽然能够在理论上实现障碍物的避碰,但是避碰幅度以及避碰行动方式受引力场及斥力场的影响,不能很好的契合航海实践要求;一些学者认为船舶避碰时机与碰撞危险度(Collision Risk Index, CRI)直接相关,并以CRI为评价指标来求取避碰策略[13-14],但CRI受航行环境、能见度、两船间距、两船方位、最近会遇距离(DCPA)、到达最近会遇点的时间(TCPA)及船速比等多个因素影响,且各因素之间存在相互制约关系,不同的研究者对于不同的影响因素进行分析,CRI的计算结果存在一定的差异,且均没有完备的考虑所有的影响,直接将CRI作为船舶避碰的决定性指标会存在较大误差;一些学者结合深度增强学习算法对船舶避碰行为决策展开研究[15-16],通过构建适用于无人驾驶船舶的深度强化学习模型(Deep Reinforcement Learning, DRL),通过强化训练得到基本的避碰模型,但该方法需要大量的训练数据、且模型结构对数据依赖性较强,算法训练耗时长,对于未知环境下的避碰无法达到实时性的要求;李丽娜,陈国权等[17]提出拟人化智能避碰决策方法(PIDVCA),模仿经验丰富的驾驶员(避碰专家)避碰决策,利用机器学习构建动态避碰规则库,做出符合《规则》和海员通常做法的合理决策,避碰效果较好,但是此方法存在的问题就是不能完备的考虑船舶在航行过程中的所有会遇情况,且随着会遇情况的增加,规则库规模逐步扩大,遍历需要更长的时间。

      船舶避碰过程中如何合理、恰当地确定避碰时机、避碰行动方式以及避碰幅度是十分重要的,《规则》第十六条规定:“需给他船让路的船舶,应尽可能及早地采取大幅度的行动,宽裕地让清他船”,国内外专家学者采用几何避碰原理、速度障碍法、势场理论、模糊数学方法、神经网络、智能优化算法、人工智能及专家系统等方法建立船舶避碰决策模型,这些方法对于避碰决策的发展有一定的理论指导意义,但存在的共性问题就是不能够很好的贴近航海实际。

      目前基于驾驶实践视角的无人船智能避碰决策研究较少,鉴于此,本文拟从驾驶实践角度讨论船舶的避碰决策问题,论文第一部分对无人驾驶船舶智能避碰决策的合理性和实时性以及唯一性问题进行论述,第二部分建立智能避碰决策过程的3个模型,分别为航行态势本体模型、多元复合避碰危险度评估模型以及BOP智能避碰决策模型,最后设计仿真实验,在典型会遇场景下验证方法的有效性。

    • 从有人驾驶船舶驾驶实践角度分析无人驾驶船舶在做避碰决策时应主要考虑的问题有:

      1)决策的实时性

      船舶在海上航行时,受风、浪、流、能见度、水深等因素的约束,在避碰决策时需要综合考虑。在复杂、多变的环境中能够做出快速的响应是对避碰决策算法的要求,如果决策算法不能够保证实时性或不能在可接受的时间范围内做出决策,将严重威胁船舶的航行安全。

      2)决策的合理性

      船舶在做自主避碰决策时,需要最大限度的实现拟人化,有人驾驶船舶操纵船舶过程中,驾驶员会结合周围的航行环境、航行规则、本船的操纵性能,将人船环境视为整体进行考虑,主动做出综合性的、有经验的决策,无人驾驶船舶自主决策同样也需要根据感知系统传来的多源异构信息进行综合处理分析,得出最优的避碰策略,实现拟人化且最优的决策。

      3)决策的唯一性

      船舶驾驶员在航行避碰决策的过程中,通过评判碰撞危险程度,根据驾驶航行经验给出一个准确的决策信息(舵角或者航速)来控制船舶避碰,这就要求无人驾驶船舶在执行决策算法的时候不能出现多个解,只能输出唯一的、确定的、可执行的决策指令。

      本文在进行船舶智能避碰决策方法研究的同时,充分考虑了以上问题,在此基础上,构建无人驾驶船舶航行态势本体概念模型,并结合《规则》及海员通常做法对船舶会遇场景进行量化处理,建立船舶复合碰撞危险度评估模型,从驾驶实践角度出发,建立BOP智能避碰决策模型,以船舶避碰总路径最短为目标函数求解最优避碰策略,实现船舶智能航行及自主避碰。

    • 无人驾驶船舶自主航行需要实时与航行环境交互,获取航行状态信息,通过学习算法做出行为决策,系统架构如图1所示。系统输入的信息包括:船舶当前航行状态、周围碍航物信息,信息传入行为决策层,经一系列解算输出船舶的决策信息并交由控制执行层完成对船舶的运动控制。

      图  1  无人驾驶船舶自主航行系统架构图

      Figure 1.  architecture diagram of autonomous navigation system of unmanned vessel

    • 准确的无人驾驶船舶航行态势理解是行为决策的基础,避碰场景理解主要是基于对《规则》以及海员通常做法的理解,划分典型的会遇场景,为避碰决策提供先决性条件。

      《规则》中给出了对遇、交叉相遇、追越三种会遇场景,如图2所示。但是在实际的船舶航行过程中对于不同的会遇情况,船舶有不同的航路权,故需要对会遇场景进行详细划分。

      图  2  3种典型会遇场景示意图

      Figure 2.  schematic diagram of three typical encounter scenarios

      目前,关于无人船的航行态势理解与建模的研究较少,无统一化的标准定义。基于简单的“IF···THEN···”推理规则的避碰知识库,难以描述各种会遇形式和避碰阶段的避碰方案。本文迁移应用无人车的场景建模方法[18],利用本体模型的强大信息表述能力,可逻辑化表述并量化航行态势,结合驾驶实践,对先验航行知识进行描述,提高避碰决策效率。

      航行态势理解通过对感知系统获取的多源异构信息进行分类与理解,将无人驾驶船舶航行态势进行结构化表述。首先根据“本体”理论将无人驾驶船舶航行态势分为实体和属性。实体类代表着不同本质的客观存在物,属性类用以描述对象实体以及实体之间的关系属性,本文将属性类又分为实体属性和关系属性,其中,实体属性包括实体的位置、航向航速,关系属性包括位置关系、航向关系、方位关系、速度关系。

      感知系统获取的信息包含静态信息和动态信息,静态信息一般指静态障碍物实体:包括具有结构化的海图实体以及其他静态障碍物实体,其中海图实体包括具有结构化特征的航道、导助航标志等,静态障碍物实体是指静止的非结构化实体,包括锚泊的船舶、礁石等。动态信息一般指在航行环境中的动态障碍物实体和环境实体。

      通过对感知系统获取的多源异构信息进行实体与属性描述,建立无人驾驶船舶航行态势本体模型,在此基础上,结合《规则》及良好船艺要求,将会遇场景进行量化划分,并基于prolog语言对会遇场景进行表述。

      根据《规则》及驾驶实践,本文划分了以目标船的方位关系划分了6个会遇区域,分别为船首、船尾、左舷正横前、左舷正横后、右舷正横前以及右舷正横后。在每个会遇区域又根据目标船与本船的航向关系以及航速关系,将会遇场景(Encounter Scenario,ES)划分为11种,基于船舶航行态势本体模型及prolog语言建立航行态势理解与划分表,如表1所示。

      表 1  航行态势理解与划分表

      Table 1.   

      NumberESQΨt0Vt, V0ActionResponsibility
      1hasFrontEC-DHOhasFront (0~π/8)7π/8~9π/8任意TurnLeftNone
      2hasFrontEC-HOhasFront (15π/8~0)7π/8~9π/8任意TurnRightEqual responsibility
      3hasFrontEC-CRhasFront (15π/8~π/8)9π/8~13π/8任意TurnRightGive way
      4hasFrontEC-OT13π/8~3π/8Vt<V0TurnLeft or TurnRightGive way
      5hasFrontEC-CR3π/8~7π/8任意StraightForwardStand on
      6hasFrontRightEC-OThasFrontRight (π/8~π/2)π~2πVt<V0TurnRightGive way
      7hasFrontRightEC-CRπ~2π任意TurnRightGive way
      8hasBehindRightEC-CRhasBehindRight (π/2~5π/8)3π/2-2π任意TurnLeftGive way
      9hasBehindEC-OThasBehind (5π/8~11π/8)3π/2~ /2πVt>V0StraightForwardStand on
      10hasBehindLeftEC-CRhasBehindLeft (11π/8~3π/2)0~π/2任意StraightForwardStand on
      11hasFrontLeftEC-OThasFrontLeft (3π/2~15π/8)0~πVt<V0TurnRightGive way
      12hasFrontLeftEC-CR0~π任意TurnRightGive way

      表中,HO为对遇场景(Head-on encounter), DHO(Danger Head-on encounter)为危险对遇场景,CR为交叉相遇场景(Crossing encounter), OT为追越场景(Overtaking encounter), Q为目标船的舷角,Ψt为目标船航向,Ψ0为本船航向,Vt为目标船航速,V0为本船航向。

      本文针对海上环境复杂多变的特点,结合驾驶实践,提出基于航行态势本体模型的场景划分方法,对航行环境降维处理,实现了无人驾驶船舶对航行态势的理解与划分,为智能避碰决策提供基础,并且在一定程度上提高了决策效率。

    • 《规则》没有给出碰撞危险的定义,但其中很多条款是以构成碰撞危险为前提的,故需要建立一定的模型将其量化。

      在航海实践中,驾驶员在判断是否存在碰撞危险的同时,也就对存在碰撞危险的紧迫程度有了直观的感受、定性与定量的分析,一般习惯于使用DCPA、两船间距及其变化、TCPA来判断是否存在碰撞危险以及碰撞危险的程度。但影响船舶碰撞危险度大小的因素很多,且相互制约,故本文在前人研究的基础上,利用模糊理论建立DCPA、TCPA、两船距离、相对方位、船速比5个影响因素的隶属度函数,并依据驾驶实践构建多元复合碰撞危险度评估模型。

      由文献[8]可知,船舶间距离越小,船舶间碰撞危险越大,且从避让难度上看,距离越小,避让效果越差,任意时刻船舶间距离的隶属度函数为:

      $${u_d} = \left\{ {\begin{array}{*{20}{l}} 1 \\ {{{[({d_2} - d)/({d_2} - {d_1})]}^2}} \\ 0 \end{array}\begin{array}{*{20}{c}} {} \\ {} \\ {} \end{array}} \right.\begin{array}{*{20}{l}} {d \leqslant {d_1}} \\ {{d_1} < d \leqslant {d_2}} \\ {d > {d_2}} \end{array}$$ (1)

      式中:${d_1}$为最晚避让距离,通常取12倍船长值;${d_2}$为船舶协调避让的距离[22]

      $${d_2} = 1.7\cos (Q - 19^\circ ){\rm{ + }}\sqrt {{\rm{4}}{\rm{.4 + 2}}{\rm{.89}}{{\cos }^2}(Q - 19^\circ )} $$ (2)

      处于不同方位的目标船舶对于碰撞危险度的影响也不同,一般来说,右舷大于左舷,正横前大于正横后,任意时刻的舷角的隶属度函数为:

      $${u_q} = \left\{ {\begin{array}{*{20}{l}} {1/[1 + (q/{q_0})2],} \\ {1/{{[(360^\circ - q)/{q_0}]}^2},} \end{array}} \right.\begin{array}{*{20}{l}} {0 \leqslant q < 180^\circ } \\ {180^\circ \leqslant q < 360^\circ } \end{array}$$ (3)

      式中,${q_0}$与船速比$K\left(K = \dfrac{{{v_t}}}{{{v_0}}}\right)$有关,${q_0} = \left\{ {\begin{array}{*{20}{l}} {40^\circ ,} \\ {90^\circ ,} \\ {180^\circ ,} \end{array}} \right.\begin{array}{*{20}{l}} {K < 1} \\ {K = 1} \\ {K > 1} \end{array}$

      船速比越大,碰撞危险度越大,任意时刻船速比的隶属度函数为:

      $${u_K} = \frac{1}{{1 + 2/K\sqrt {K2 + 1 + 2\sin \psi } }}$$ (4)

      DCPA对于碰撞危险度的影响较大,且DCPA的值越小,碰撞危险程度越高,任意时刻DCPA的隶属度函数为:

      $${{\rm{u}}_{{\rm{DCPA}}}} \!=\! \left\{\!\!\!\! {\begin{array}{*{20}{l}} 1 \\ {{{[({d_2} - |DCPA|)/({d_2} - {d_1})]}^{3.0}}} \\ 0 \end{array}} \right.\!\!\!\!\begin{array}{*{20}{l}} {|DCPA| < {d_1}} \\ {{d_1} \leqslant |DCPA| < {d_2}} \\ {{d_2} < |DCPA|} \end{array}$$ (5)

      式中:${d_2}$为最小安全会遇距离。为简化计算,取${d_2} = 2$ n mile,考虑船舶尺度的影响,在DCPA很小是也会发生碰撞,取两船船长的平均值,一般近似取为0.1 n mile。

      TCPA是对碰撞危险程度的评价指标,TCPA值越小,碰撞危险程度越高,任意时刻TCPA的隶属度函数为:

      $${{\rm{u}}_{TCPA}} = \left\{ {\begin{array}{*{20}{l}} 1 \\ {{{[({t_2} - TCPA)/({t_2} - {t_1})]}^{3.03}}} \\ 0 \end{array}} \right.\begin{array}{*{20}{l}} {TCPA < {t_1}} \\ {{t_1} \leqslant TCPA < {t_2}} \\ {{t_2} < TCPA} \end{array}$$ (6)

      式中:${t_1}$为最晚施舵点到最近会遇点的时间,即${t_1} = \sqrt {{d_1}^2 - DCP{A^2}} /{v_r}$${t_2}$为碰撞危险度开始的时间。在航海实践中,驾驶员对于同一距离不同方位、不同相对速度目标船的危险感知程度是不同的,用距离作为碰撞开始的时间不好确定,参照文献[19],本文取${t_2}$=15 min作为碰撞危险度开始存在的时刻。

      碰撞危险度的合成规则不同学者给出了不同的方法,本文参考文献[8]给出的目标影响因素的模糊权重分配值:

      $$\begin{split} & {w_d} = 0.14,{w_Q} = 0.10,{w_{\rm{k}}} = 0.08,\\&\quad{w_{{\rm{DCPA}}}} = 0.36,{w_{{\rm{TCPA}}}} = 0.32 \end{split}$$ (7)

      原模型对于CRI的计算采用:

      $$CRI = {w_d}{u_d} + {w_Q}{u_q} + {w_k}{u_k} + {w_{{\rm{DCPA}}}}{u_{DCPA}} + {w_{{\rm{TCPA}}}}{u_{TCPA}} $$

      根据驾驶实践规律,若DCPA大于安全会遇距离,尽管TCPA很小,船舶仍无碰撞危险,故改进的船舶碰撞危险度为:

      $$CRI = \left\{ {\begin{array}{*{20}{l}} 0, \\ {w_d}{u_d} + {w_Q}{u_q} + {w_k}{u_k} + {w_{DCPA}}{u_{DCPA}} + {w_{TCPA}}{u_{TCPA}}, \\ 1 , \end{array}} \right.\begin{array}{*{20}{l}} {{u_{DCPA}} = 0 {\rm{or}} {u_{TCPA}} = 0} \\ {0 < {u_{DCPA}} < 1,0 < {u_{TCPA}} < 1} \\ {{u_{DCPA}} = 1,{u_{TCPA}} = 1} \end{array}$$ (8)
    • 在前面几个模型的基础上,船舶智能避碰决策主要是解决船舶的最佳避让时机及避让幅度问题,由于船舶采取避碰行动的时机和幅度受《规则》约束以及驾驶航行经验影响,不同驾驶员对于不同的会遇情况采取的行动不一致,在不同的时机采取避碰措施会产生不同的避让效果,如图3所示。

      图  3  船舶转向避碰行动方式示意图

      Figure 3.  schematic diagram of ship steering and collision avoidance action mode

      图中,O点为本船当前船位,A点为目标船当前船位,Ri代表船舶的不同避让决策时机,△Ψi为对应于不同避让决策时机所采取的不同的避让行动幅度,即航向变化量,TC为无人驾驶船舶的真航向,AiO为两船相对航向。

      本文从驾驶员思维决策角度出发,通过分析本船与目标船之间的相对运动几何关系,在保证船舶能在安全会遇距离驶过让清的基础上建立BOP智能避碰决策模型,以船舶避碰总路径最短为目标函数,船舶操纵性能及《规则》为约束条件,量化避碰转向区间,求解最优的避碰策略。BOP智能避碰决策模型流程图如图4所示。

      图  4  BOP智能避碰决策模型流程图

      Figure 4.  flow chart of BOP intelligent collision avoidance decision-making model

      船舶在存在碰撞危险时,需要根据船舶安全会遇距离,通过几何解算出避让幅度。在不同的位置采取避碰措施将导致船舶避让路径长度不同,为求取不同转向幅度下的船舶避碰最优路径,建立以下目标函数:

      $$\min J = \sum\limits_{k = 1}^n {\sqrt {{{({x_{{\rm{k}} + 1}} - {x_{\rm{k}}})}^2} + {{({y_{{\rm{k}} + 1}} - {y_{\rm{k}}})}^2}} } $$ (9)

      由于避碰决策时机与避碰路径的对应关系不易求解出解析式,故采用避碰行动距离量化模型,求解每个避碰距离下的转向幅度以及避碰路径。根据驾驶实践,对正横前来船一般在两船相距4~6 n mile时采取避碰行动,对于正横后的来船在两船相距3~4 n mile时采取避碰行动。本文对避碰转向区间进行量化,步幅为0.1 n mile进行取值,建立转向点一维向量$({R_1},{R_2}\cdots{R_n})$,对应转向幅度一维向量为$(\Delta {\psi _1},\Delta {\psi _2}\cdots\Delta {\psi _n})$

      在计算避碰路径时,考虑到国际海上避碰规则要求以及船舶操纵性限制,需满足以下约束条件:

      $${\rm{s.t}}.=\left\{ {\begin{array}{*{20}{l}} {15^\circ \leqslant \Delta {\psi _i} \leqslant 90^\circ } \\ { - 35^\circ \leqslant \delta \leqslant 35^\circ } \\ {{d_0} \geqslant 4} \end{array}} \right.$$ (10)

      式中:$\Delta {\psi _i}$为船舶的避让行动幅度;$\delta $为船舶的舵角,d0为无人驾驶船舶与动态目标船舶的初始距离。船舶的避让行动幅度综合雷达避碰转向示意图及国际海上避碰规则 “早、大、宽、清”的要求设定在$ \left[\rm{15}^\circ {\text{,}}\rm{90}^\circ \right]$;对于一般的海船来说,舵角在32°~35°之间时,转舵力矩可达到最大值,故本文取${\rm{|}}\delta {\rm{| = 35}}^\circ $为船舶的极限舵角;对正横前来船最晚施舵时机为4 n mile,为保证模型有解,设定本船与目标船的初始距离大于4 n mile。

      驾驶实践中要求驾驶员对船舶性能有充分的了解,在做决策时,要考虑船舶的转舵时间以及旋回特性,鉴于此,本文考虑采用Abkowitz提出的三自由度整体型模型[10]

      $$\left\{ {\begin{array}{*{20}{l}} {X = m(\dot u - v\dot \psi )} \\ {Y = m(\dot v + u\dot \psi )} \\ {N = {I_{{\textit{z}}{\textit{z}}}}\ddot \psi } \end{array}} \right.$$ (11)
      $${\left[ {X,Y,N} \right]^{\rm{T}}} = f(u,v,r,\dot u,\dot v,\dot r,\delta )$$

      式中,X、Y为外力在x、y轴上的分量,m为船舶质量,为船体绕通过重心的铅直轴的质量惯性矩(转动惯量),N为作用于船舶的外力绕通过重心的铅直轴的回转力矩。

      对于水动力导数的估算方法不作为本文的重点,此处不做过多赘述。本文船舶操纵数学模型选取ITTC典型的Mariner标准船型作为研究对象,其船型数据如表2所示,利用文献[20]中的无量纲水动力数据表可求得船舶的运动模型。

      表 2  Mariner标准船型数据

      名称数值
      总长$ {L}_{oa} $/m171.80
      垂线间长$ {L}_{bp} $/m160.93
      型宽$ B $/m23.17
      设计吃水$ T $/m8.23
      排水量$ \nabla $/m318 541
      设计航速$ {U}_{0} $/kn15
      舵角限幅$ \delta $/(°)35

      为贴合航海实际,在设计船舶转向控制器时要考虑动舵合理,航向变化快速平稳,调节时间短,故本文采用PD改向控制器模型,控制率为$\delta = - {K_p}(\psi - {\psi _{desired}}) + {K_d}r$,对船舶PD控制模型进行参数整定,比例增益${K_p}$为0.3,微分增益${K_d}$为1。

      船舶在避让操作之后,需进行复航操纵。在研究船舶的复航时机过程中对于避碰行动后恢复船舶初始运动状态还是恢复到原航线上一直留有争议。但就避碰而言,只需考虑恢复初始运动状态即可,恢复原航线是航行自动化系统的功能和任务。文献[21]给出了常用的4种恢复航向的时机模型:

      1)当目标船驶过本船正横处时复航;

      2)当让路船复航后,保证船舶间的DCPA大于最小安全会遇距离;

      3)当目标船驶过最近会遇距离点时复航;

      4)当目标船驶过本船船首后复航。

      无论哪种复航决策方式,要保证两船之间有一定的安全会遇距离,本文根据几何避碰原理,解算船舶预测复航时机,图5为船舶复航时机求解示意图。

      图5给出两船会遇,本船船首向上情况下,本船改向△Ψ避让目标船的转向点R,预测复航点G,,RML1为船舶避碰操纵前的相对运动线,RML2为船舶改向后的相对运动线,RML1’为RML1的平行线且与船舶的最小安全会遇距离圆相切,G点为RML2与RML1’的交点,船舶从R到G航行所用时间即为船舶的复航时机。计算出船舶复航时间点以及船舶复航时应走航向,利用PD航向控制器控制船舶完成复航操纵。

      图  5  船舶复航时机求解示意图

      Figure 5.  schematic diagram of solving the timing of re-sailing

    • 本节以案例仿真实验来验证基于驾驶实践的无人船智能避碰决策研究方法的有效性。在仿真实验中,本船采用ITTC典型的Mariner标准船型参数,借助Matlab 2016a、Simulink仿真平台与python3.6仿真平台设计仿真对比实验,与未考虑船舶操纵运动模型且利用探测圆(半径取4 n mile)确定避碰时机的传统避碰算法进行比较,在典型会遇场景下验证算法的适用性及优越性。无人驾驶船舶与动态目标船舶的初始航行参数如表3所示,仿真步长取6 s。

      表 3  船舶初始航行参数设置

      船舶船位 ($ \mathrm{\lambda }{\simfont\text{,}}\mathrm{\varphi } $)航向(Ψ)航速 (kn)
      无人驾驶船舶(161.10,25.10)045°15
      动态目标船(TS1)(161.21,25.125)315°10
      动态目标船(TS2)(161.32,25.28)225°10
      动态目标船(TS3)(161.24,25.16)045°10

      仿真目标为无人驾驶船舶能够趋向目标点及避让动态目标船舶。当环境中不存在障碍物或障碍物不在安全会遇距离内时,无人驾驶船舶保持航向或者处于复航阶段,调整方向朝着目标点前进,当障碍物出现在安全会遇距离内时,无人驾驶船舶利用本文算法及传统避碰算法进行实时避障,当无人驾驶船舶接近目标点时,仿真结束。

      表中(λ,φ)代表船舶的经度及纬度。

      在避碰仿真过程中,三艘动态目标船舶保向保速航行并先后与无人驾驶船舶构成交叉相遇局面、对遇局面以及追越局面。图6截取了船舶避碰仿真过程的关键片段。

      图  6  船舶避碰仿真过程图

      Figure 6.  ship collision avoidance simulation process diagram

      图中轨迹交叉部分表示无人驾驶船舶船避让后穿过动态目标船舶后方的历史轨迹

      对于动态目标船1,在T=1000 s时,无人驾驶船舶判断目标船舶进入到本船的决策领域,分析目标船的航向及方位信息,经过航向态势理解,决策为正横后交叉会遇态势,本船为让路船,采取右转的避让行动方式,通过基于驾驶员视角的智能避碰决策方法求解船舶的最优避碰幅度。在T=2000 s时,无人驾驶船舶与目标船2构成对遇局面,本船为让路船,采取右转的避让行动方式,通过算法求解船舶的最优避碰幅度。在T=4 500 s时,无人驾驶船舶与目标船构成追越局面,本船为追越船,为让路船,由于目标点在右侧,所以选择从右舷追越。基于传统避碰模型避让时机固定,且均比本文算法晚,转向幅度较小,船舶路径不光滑,船舶避碰总路径为32.952 n mile,而基于驾驶员视角的智能避碰决策方法求解的船舶避碰总路径为25.022 n mile,较大程度缩短了航程,提升了避让性能。

      通过仿真可知,无人驾驶船舶在与目标船舶构成碰撞危险时,能够有效做出避碰决策,并且通过智能避碰决策算法能够给出最优的避碰路径。

      图7给出了无人驾驶船舶在避碰过程中的航向变化以及舵角变化情况,从图中可知,航向变化快速平稳,调节时间短,震荡较小,打舵平滑,动舵合理,符合航海实践。

      图  7  船舶避碰过程中航向舵角变化曲线

      Figure 7.  course and rudder angle variation curve during collision avoidance

      通过仿真实验结果可知,无人驾驶船舶在不同的会遇态势下能够安全避让目标船舶,且根据不同的会遇态势生成最优避碰策略,验证了本文所提算法的有效性。

    • 通过对无人驾驶船舶避碰决策面临问题的分析,提出了一种基于驾驶实践的智能避碰决策方法,使无人驾驶船舶能够根据感知系统传来的信息,实时与环境交互,做出符合《规则》的避碰决策和路径规划。在典型会遇场景下进行的仿真实验表明,该模型能够在未知环境下完成自主避碰,并且解算出最优路径,证明了算法的有效性。在接下来的研究中,需要对模型不断完善,考虑更为复杂的环境扰动,加入对静、动态障碍物领域模型,更加贴合航海实际。

参考文献 (22)

目录

    /

    返回文章
    返回