CN109263826B - 基于操纵性建模的船舶智能避碰***及方法 - Google Patents
基于操纵性建模的船舶智能避碰***及方法 Download PDFInfo
- Publication number
- CN109263826B CN109263826B CN201811003112.7A CN201811003112A CN109263826B CN 109263826 B CN109263826 B CN 109263826B CN 201811003112 A CN201811003112 A CN 201811003112A CN 109263826 B CN109263826 B CN 109263826B
- Authority
- CN
- China
- Prior art keywords
- ship
- maneuverability
- state
- collision avoidance
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B43/00—Improving safety of vessels, e.g. damage control, not otherwise provided for
- B63B43/18—Improving safety of vessels, e.g. damage control, not otherwise provided for preventing collision or grounding; reducing collision damage
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于操纵性建模的船舶智能避碰***,包括状态感知子***,获取船舶自身的状态参数和障碍物的位置信息;操纵性建模模块将获得船舶自身的状态参数进行处理,构造成样本对,进行船舶操纵性在线建模,实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;智能避碰模块结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,在路径规划中将操纵性建模模块所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,解耦成航向跟踪序列和航速跟踪序列;分别跟踪所规划的实时航向和航速。本发明从船舶自身操纵性在线预测的基础上实现船舶的智能避碰决策,实现船舶的安全自主航行。
Description
技术领域
本发明属于智能船舶领域,具体涉及一种基于操纵性建模的船舶智能避碰***及方法。
背景技术
随着大型船舶的智能化、无人化发展,船舶智能控制与决策面临着各种各样的问题与挑战。其中,船舶智能避碰技术是船舶智能控制与决策的一大关键技术,包含船舶碰撞危险度判断、在各种会遇局面下的避让方式决策以及避碰中的路径规划等关键内容。
目前,宏观上的船舶避碰研究主要是针对国际海上避碰规则的解释、应用及改进,使用神经网络、专家***或模糊专家***等建立避碰决策体系。而在微观上的避碰研究主要以A*算法、人工势场等路径规划研究为主。这些研究形成的避碰***均未对船舶的大惯性、大时滞、强非线性、外扰复杂、执行器饱和等操纵特点进行考虑,可行度欠佳,在实际航行中应用时极易发生海上交通事故,造成意想不到的严重后果。
发明内容
本发明要解决的技术问题是:提供一种基于操纵性建模的船舶智能避碰***及方法,实现船舶的安全自主航行。
本发明为解决上述技术问题所采取的技术方案为:一种基于操纵性建模的船舶智能避碰***,其特征在于:它包括:
安装在船端的状态感知子***,包括船舶自身状态感知单元和障碍物状态感知单元,船舶自身状态感知单元用于获取船舶自身的状态参数,障碍物状态感知单元用于获取探测范围内的障碍物的位置信息;
与状态感知子***相连的处理服务器子***,包括操纵性建模模块和智能避碰模块;操纵性建模模块用于将获得船舶自身的状态参数进行处理,构造成样本对,进行船舶操纵性在线建模,并根据建立的操纵性模型实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;智能避碰模块用于结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,并在路径规划中将操纵性建模模块所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,然后使用视距导航解耦成航向跟踪序列和航速跟踪序列;
执行机构控制子***,用于实时接收航向跟踪序列和航速跟踪序列,并传递给自动舵和车中控制器,分别跟踪所规划的实时航向和航速。
按上述方案,所述的船舶自身状态感知单元包括用于获取船舶位置信息的GPS、用于获取船舶姿态信息的罗经、用于获取船舶吃水的激光扫描器、用于获取船舶当前主轴转速的转速传感器、以及用于获取船舶当前舵角的角度传感器;
所述的障碍物状态感知单元包括用于获取远距离障碍物信息的固态连续波雷达、用于获取近距离障碍物信息的激光雷达、用于获取图像信息的摄像头、以及用于接受来船信息的AIS。
按上述方案,所述的操纵性建模模块具体按以下方法处理:
将船舶自身状态信息进行处理,构造样本对,当采集到的样本对达到预设数量之后,将样本对分为训练样本和验证样本两部分,使用机器学习算法对训练样本进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型,即为所述的操纵性模型;模型训练后使用验证样本进行操纵性预报和验证,当预报精度达到预设要求时,模型训练完毕;
在模型训练完毕后,通过分别设置虚拟的船舶舵角控制量和虚拟的船舶车中控制量,利用训练好的操纵性模型进行快速在线预报,解算在所有可能的转向控制和加减速控制下,船舶在下一控制周期可能达到的位置,作为船舶下一时刻的可到达区域,并使用二值化栅格图像进行标示。
按上述方案,所述的处理服务器子***还包括误差判断模块,周期性的计算船舶实际状态与所预报的船舶运动状态之间的误差;当该误差大于设定阈值时,认为船舶操纵性发生改变,调用所述的操纵性建模模块重新进行模型训练至预报精度达到预设要求。
按上述方案,所述的智能避碰模块具体按以下方法处理:
接收障碍物的位置信息,计算船舶避碰运动学参数,进而计算船舶碰撞危险度,进行避让的初步决策,当存在碰撞危险时,确定避让方式:转向避让或保速保向;
当确定是转向避让时,接收二值化可航行区域信息,并使用动态路径规划算法对船舶避碰路径进行规划,并在规划过程中将操纵性建模模块所预测的船舶可能达到的位置作为约束考虑进来,具体为增加在可能达到的位置约束之外的其他方向上的代价;待路径规划完毕之后,取所规划路径点的较前序列,使用LOS视距导航算法解耦成待跟踪航向序列指令,且车中指令维持不变,按照协议传递给执行机构控制子***;
当确定是保速保向时,维持上一时刻的自动舵航向指令和车中指令不变;
若判断无碰撞危险,则不对自动舵航向指令和车中指令做更改。
按上述方案,所述的处理服务器子***还包括切换模块,当状态感知子***感知失效,或者进入障碍物数量大于预设数量,导致无法完成路径规划任务时,发出指令到执行机构控制子***,切换到人工驾驶模式,由操作人员手动操作驾驶。
利用所述的基于操纵性建模的船舶智能避碰***实现的智能避碰方法,其特征在于:本方法包括:
状态感知子***实时感知获取船舶自身的状态参数,以及探测范围内的障碍物的位置信息;
周期性的计算船舶实际状态与所预报的船舶运动状态之间的误差;当该误差小于或等于设定阈值时,采用训练好的操纵性模型实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;当该误差大于设定阈值时,认为船舶操纵性发生改变,对操纵性模型重新进行模型训练至预报精度达到预设要求,再实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;
结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,并在路径规划中将所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,然后使用视距导航解耦成航向跟踪序列和航速跟踪序列,传递给自动舵和车中控制器,分别跟踪所规划的实时航向和航速;
在上述方法中,所述的操纵性模型通过以下方式训练:将船舶自身状态信息进行处理,构造样本对,当采集到的样本对达到预设数量之后,将样本对分为训练样本和验证样本两部分,使用机器学习算法对训练样本进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型,即为所述的操纵性模型;模型训练后使用验证样本进行操纵性预报和验证,当预报精度达到预设要求时,模型训练完毕。
按上述方法,所述的航向跟踪序列和航速跟踪序列按以下方式获得:
接收障碍物的位置信息,计算船舶避碰运动学参数,进而计算船舶碰撞危险度,进行避让的初步决策,当存在碰撞危险时,确定避让方式:转向避让或保速保向;
当确定是转向避让时,接收二值化可航行区域信息,并使用动态路径规划算法对船舶避碰路径进行规划,并在规划过程中将操纵性建模模块所预测的船舶可能达到的位置作为约束考虑进来,具体为增加在可能达到的位置约束之外的其他方向上的代价;待路径规划完毕之后,取所规划路径点的较前序列,使用LOS视距导航算法解耦成待跟踪航向序列指令,且车中指令维持不变,按照协议传递给执行机构控制子***;
当确定是保速保向时,维持上一时刻的自动舵航向指令和车中指令不变;
若判断无碰撞危险,则不对自动舵航向指令和车中指令做更改;
每时刻的指令进行组合构成的序列即为所述的航向跟踪序列和航速跟踪序列。
按上述方法,当状态感知子***感知失效,或者进入障碍物数量大于预设数量,导致无法完成路径规划任务时,发出指令到执行机构控制子***,切换到人工驾驶模式,由操作人员手动操作驾驶。
本发明的有益效果为:从船舶自身操纵性在线预测的基础上实现船舶的智能避碰决策,从而实现船舶的安全自主航行。
附图说明
图1为本发明一实施例的***结构示意图。
图2为本发明一实施例的***运行流程图。
图3为船舶t+1时刻可到达区域示意图。
图4为结合避碰规则的避让方式决策示意图。
图5为路径规划流程图。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明提供一种基于操纵性建模的船舶智能避碰***,如图1所示,它包括:
安装在船端的状态感知子***,包括船舶自身状态感知单元和障碍物状态感知单元,船舶自身状态感知单元用于获取船舶自身的状态参数,障碍物状态感知单元用于获取探测范围内的障碍物的位置信息。船舶自身状态感知单元包括用于获取船舶位置信息的GPS、用于获取船舶姿态信息的罗经、用于获取船舶吃水的激光扫描器、用于获取船舶当前主轴转速的转速传感器、以及用于获取船舶当前舵角的角度传感器。所述的障碍物状态感知单元包括用于获取远距离障碍物信息的固态连续波雷达、用于获取近距离障碍物信息的激光雷达、用于获取图像信息的摄像头、以及用于接受来船信息的AIS。
与状态感知子***相连的处理服务器子***,包括操纵性建模模块和智能避碰模块。操纵性建模模块用于将获得船舶自身的状态参数进行处理,构造成样本对,进行船舶操纵性在线建模,并根据建立的操纵性模型实时预测在所有可行的操纵下船舶下一时刻可能到达的位置。智能避碰模块用于结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,并在路径规划中将操纵性建模模块所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,然后使用视距导航解耦成航向跟踪序列和航速跟踪序列。所述的智能避碰模块具体按以下方法处理:
接收障碍物的位置信息,计算船舶避碰运动学参数,进而计算船舶碰撞危险度,进行避让的初步决策,当存在碰撞危险时,确定避让方式:转向避让或保速保向;
当确定是转向避让时,接收二值化可航行区域信息,并使用动态路径规划算法对船舶避碰路径进行规划,并在规划过程中将操纵性建模模块所预测的船舶可能达到的位置作为约束考虑进来,具体为增加在可能达到的位置约束之外的其他方向上的代价;待路径规划完毕之后,取所规划路径点的较前序列,使用LOS视距导航算法解耦成待跟踪航向序列指令,且车中指令维持不变,按照协议传递给执行机构控制子***;当确定是保速保向时,维持上一时刻的自动舵航向指令和车中指令不变;若判断无碰撞危险,则不对自动舵航向指令和车中指令做更改。
执行机构控制子***,用于实时接收航向跟踪序列和航速跟踪序列,并传递给自动舵和车中控制器,分别跟踪所规划的实时航向和航速。
所述的操纵性建模模块具体按以下方法处理:
将船舶自身状态信息进行处理,构造样本对,当采集到的样本对达到预设数量之后,将样本对分为训练样本和验证样本两部分,使用机器学习算法对训练样本进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型,即为所述的操纵性模型;模型训练后使用验证样本进行操纵性预报和验证,当预报精度达到预设要求时,模型训练完毕;
在模型训练完毕后,通过分别设置虚拟的船舶舵角控制量和虚拟的船舶车中控制量,利用训练好的操纵性模型进行快速在线预报,解算在所有可能的转向控制和加减速控制下,船舶在下一控制周期可能达到的位置,作为船舶下一时刻的可到达区域,并使用二值化栅格图像进行标示。
优选的,所述的处理服务器子***还包括误差判断模块,周期性的计算船舶实际状态与所预报的船舶运动状态之间的误差;当该误差大于设定阈值时,认为船舶操纵性发生改变,调用所述的操纵性建模模块重新进行模型训练至预报精度达到预设要求。
优选的,所述的处理服务器子***还包括切换模块,当状态感知子***感知失效,或者进入障碍物数量大于预设数量,导致无法完成路径规划任务时,发出指令到执行机构控制子***,切换到人工驾驶模式,由操作人员手动操作驾驶。
利用上述基于操纵性建模的船舶智能避碰***实现的智能避碰流程如图2所示,包括以下步骤:
S1、***开始运行,本船的状态感知子***开始运行,同时运行S2。在t时刻感知得到船舶的位置(x(t),y(t))、航速V(t)、航向θ(t)、船首向ψ(t)、首向角速度r(t)、吃水d(t)、舵角δ(t)以及主轴转速n(t)等船舶自身状态信息,并传递给处理服务器子***,转到S3。
S2、状态感知子***开始感知船舶周围障碍物信息,在t时刻对固态雷达、激光雷达、摄像头与AIS感知到的障碍物信息进行融合,按照协议传递给处理服务器子***,并转到S5。同时结合控制精度、感知范围和融合后的结果生成栅格地图,在地图中使用0代表障碍物影响区域,1代表可航行区域,将二进制后的图像按像素顺序进行编码,形成报文,如下表所示,传递给处理服务器子***,并转到S6。
表可航行区域报文
S3、处理服务器子***开始运行操纵性建模程序,程序将状态感知子***传递过来的船舶自身状态信息进行处理,形成样本对:
X(t)=[x(t) y(t) ψ(t) u(t) v(t) r(t)]
U(t)=[n(t) δ(t) d(t) f(t) ψf(t)]
其中,X(t)为当前t时刻的状态样本,其中,u(t)、v(t)分别为根据当前航速V(t)和航向θ(t)计算的船舶前进和横移速度,其余量与S1中定义一致,如图3所示。U(t)为当前t时刻船舶的等效控制量,其中f(t),ψf(t)为当前的风速和风向,其余量与S1中定义一致。
当采集到足够多的样本数据(X U)之后,将样本数据分为训练样本(Xtrain Utrain)和验证样本(Xvali Uvali)两部分,使用机器学习算法(如支持向量机)对训练样本Xtrain进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型f:
Xtrain(t+1)=f(Xtrain(t),Utrain(t))
模型训练后,使用该模型对验证样本(Xvali Uvali)进行操纵性预报和验证,当预报精度达到要求时,模型训练完毕,转到S4。
S4、在模型训练完毕后,分别设置虚拟的船舶舵角控制量δ(t)∈[δmin δmax]和虚拟的船舶车钟控制量n(t)∈[nmin nmax],其中δmin,δmax分别为本船最小、最大的舵角,nmin,nmax分别为本船的最低、最高的转速指令。并利用训练好的船舶运动模型f进行快速在线预报,解算在所有可能的控制U(t)下,船舶在下一控制周期t+1可能达到的位置集合并使用与状态感知子***相似的二值化栅格图像进行标示,生成动态的可到达区域,如图5所示,并转到S6。
S5、在实时航行过程中,处理服务器子***同时开始运行智能避碰程序,程序接受状态感知子***传递过来的障碍物信息,计算船舶避碰运动学参数,进而计算船舶碰撞危险度,进行图4所示的避让方式的初步决策,具体的避让责任划分依据为:
①计算结果为无碰撞危险,则自由采取行动;②计算结果为存在碰撞危险,则避让责任由直航船或让路船决定;③若本船与另一机动船左舷交叉、或本船为被追越船,则本船为直航船;④若本船与另一机动船右舷交叉、或本船为追越船,本船为让路船:⑤若本船为直航船,则保向保速:⑥若本船为让路船,则采取转向避让行动;⑦若为对遇情况,两船负有同等避让责任;⑧当进入紧迫局面和危险情况,本船负有避让责任。
当决策结果为转向避让时,转到S6;当决策结果为保向保速时,转到S7;当决策结果为无需避让时,转到S8。
S6、当需要转向避让时,结合S2中的可航行区域和S4中的可到达区域,进行动态路径规划。以A*算法为例,具体结合方式为:在局部规划的所有方向中,减小可航行区域中位于图3所示的下一时刻船舶可到达区域的部分所在方向的局部代价,并增大可航行区域中不位于船舶可到达区域的部分所在方向的局部代价,使得所规划路径尽可能地切合船舶的自身操纵性。当规划路径完成后,使用LOS导航算法解算为自动舵所需的实时待跟踪航向ψd(t),并维持车钟指令不变,即n(t)=n(t-1)。
若因状态感知子***感知失效,或者进入港口等障碍物较多的区域,导致无法完成路径规划任务,则发送指令到执行机构控制子***,将执行机构控制模式切换到人工驾驶模式。
S7、当需要保向保速时,维持上一时刻的自动舵航向指令和车中指令不变,即ψd(t)=ψd(t-1)、n(t)=n(t-1),按照协议传递给执行机构控制子***。转到S9。
S8、当无需进行避让时,不对自动舵航向指令和车中指令做任何更改,转到S9。
S9、当执行机构控制子***接收到处理服务器子***的决策指令后,分别解析当前时刻自动舵航向跟踪指令ψd(t)以及车中控制指令n(t),并驱动自动舵和车中控制器,实现对所决策的目标航向以及航速的控制,以达到避让效果。转到S10。
S10、完成一个控制周期后,重复S1、S2,并利用状态感知子***实时感知的t+1时刻船舶自身状态信息X(t+1),计算实际状态与所预报的船舶运动状态之间的误差当该误差小于设定阈值时,认为所训练模型继续可用,跳过S3,重复S4~S10,直到航行结束;当该误差大于设定阈值时,认为船舶操纵性发生改变,此时重复S3,直到模型f重新训练完毕并达到精度要求,然后重复S4~S10,直到航行结束。
本***在船舶避碰过程中采用感知***获取的障碍物具体信息和二值化可航行区域分别进行避让方式和路径规划的决策,同时考虑了海上避碰规则和多传感器信息融合的结果,提高了决策的可靠性和实时性;通过机器学习所建立的船舶实时操纵运动模型,创新性地引入虚拟控制量,得到船舶在未来时刻的可达到区域,并将其作为约束条件引入避碰路径规划中,充分考虑了船舶的操纵性对于避碰的影响,提高了避碰方法的可行性;将实时更新的船舶状态与所建立的模型预报的状态之间的误差作为模型更新的判断条件,可以实现在不同吃水、航速等航行条件下的操纵性自适应建模,进而提高了避碰***的智能化程度。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.利用基于操纵性建模的船舶智能避碰***实现的智能避碰方法,其特征在于:基于操纵性建模的船舶智能避碰***包括:
安装在船端的状态感知子***,包括船舶自身状态感知单元和障碍物状态感知单元,船舶自身状态感知单元用于获取船舶自身的状态参数,障碍物状态感知单元用于获取探测范围内的障碍物的位置信息;
与状态感知子***相连的处理服务器子***,包括操纵性建模模块和智能避碰模块;操纵性建模模块用于将获得船舶自身的状态参数进行处理,构造成样本对,进行船舶操纵性在线建模,并根据建立的操纵性模型实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;智能避碰模块用于结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,并在路径规划中将操纵性建模模块所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,然后使用视距导航解耦成航向跟踪序列和航速跟踪序列;
执行机构控制子***,用于实时接收航向跟踪序列和航速跟踪序列,并传递给自动舵和车中控制器,分别跟踪所规划的实时航向和航速;
本方法包括:
状态感知子***实时感知获取船舶自身的状态参数,以及探测范围内的障碍物的位置信息;
周期性的计算船舶实际状态与所预报的船舶运动状态之间的误差;当该误差小于或等于设定阈值时,采用训练好的操纵性模型实时预测在所有可行的操纵下船舶下一时刻可能到达的位置; 当该误差大于设定阈值时,认为船舶操纵性发生改变,对操纵性模型重新进行模型训练至预报精度达到预设要求,再实时预测在所有可行的操纵下船舶下一时刻可能到达的位置;
结合障碍物的位置信息、二值化可航行区域信息和海上避碰规则进行动态路径规划,并在路径规划中将所预测的船舶下一时刻可能到达的位置作为约束,输出合理的规划路径点序列,然后使用视距导航解耦成航向跟踪序列和航速跟踪序列,传递给自动舵和车中控制器,分别跟踪所规划的实时航向和航速;
在上述方法中,所述的操纵性模型通过以下方式训练:将船舶自身状态信息进行处理,构造样本对,当采集到的样本对达到预设数量之后,将样本对分为训练样本和验证样本两部分,使用机器学习算法对训练样本进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型,即为所述的操纵性模型;模型训练后使用验证样本进行操纵性预报和验证,当预报精度达到预设要求时,模型训练完毕。
2.根据权利要求1所述的智能避碰方法,其特征在于:所述的船舶自身状态感知单元包括用于获取船舶位置信息的GPS、用于获取船舶姿态信息的罗经、用于获取船舶吃水的激光扫描器、用于获取船舶当前主轴转速的转速传感器、以及用于获取船舶当前舵角的角度传感器;
所述的障碍物状态感知单元包括用于获取远距离障碍物信息的固态连续波雷达、用于获取近距离障碍物信息的激光雷达、用于获取图像信息的摄像头、以及用于接受来船信息的AIS。
3.根据权利要求2所述的智能避碰方法,其特征在于:所述的操纵性建模模块具体按以下方法处理:
将船舶自身状态信息进行处理,构造样本对,当采集到的样本对达到预设数量之后,将样本对分为训练样本和验证样本两部分,使用机器学习算法对训练样本进行船舶操纵性建模,具体是建立船舶下一时刻状态量关于前一时刻状态量和控制量的函数关系模型,即为所述的操纵性模型;模型训练后使用验证样本进行操纵性预报和验证,当预报精度达到预设要求时,模型训练完毕;
在模型训练完毕后,通过分别设置虚拟的船舶舵角控制量和虚拟的船舶车中控制量,利用训练好的操纵性模型进行快速在线预报,解算在所有可能的转向控制和加减速控制下,船舶在下一控制周期可能达到的位置,作为船舶下一时刻的可到达区域,并使用二值化栅格图像进行标示。
4.根据权利要求3所述的智能避碰方法,其特征在于:所述的处理服务器子***还包括误差判断模块,周期性的计算船舶实际状态与所预报的船舶运动状态之间的误差;当该误差大于设定阈值时,认为船舶操纵性发生改变,调用所述的操纵性建模模块重新进行模型训练至预报精度达到预设要求。
5.根据权利要求2所述的智能避碰方法,其特征在于:所述的智能避碰模块具体按以下方法处理:
接收障碍物的位置信息,计算船舶避碰运动学参数,进而计算船舶碰撞危险度,进行避让的初步决策,当存在碰撞危险时,确定避让方式:转向避让或保速保向;
当确定是转向避让时,接收二值化可航行区域信息,并使用动态路径规划算法对船舶避碰路径进行规划,并在规划过程中将操纵性建模模块所预测的船舶可能达到的位置作为约束考虑进来,具体为增加在可能达到的位置约束之外的其他方向上的代价;待路径规划完毕之后,取所规划路径点的较前序列,使用LOS视距导航算法解耦成待跟踪航向序列指令,且车中指令维持不变,按照协议传递给执行机构控制子***;
当确定是保速保向时,维持上一时刻的自动舵航向指令和车中指令不变;
若判断无碰撞危险,则不对自动舵航向指令和车中指令做更改。
6.根据权利要求1至5中任意一项所述的智能避碰方法,其特征在于:所述的处理服务器子***还包括切换模块,当状态感知子***感知失效,或者进入障碍物数量大于预设数量,导致无法完成路径规划任务时,发出指令到执行机构控制子***,切换到人工驾驶模式,由操作人员手动操作驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003112.7A CN109263826B (zh) | 2018-08-30 | 2018-08-30 | 基于操纵性建模的船舶智能避碰***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003112.7A CN109263826B (zh) | 2018-08-30 | 2018-08-30 | 基于操纵性建模的船舶智能避碰***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109263826A CN109263826A (zh) | 2019-01-25 |
CN109263826B true CN109263826B (zh) | 2019-10-01 |
Family
ID=65154634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811003112.7A Active CN109263826B (zh) | 2018-08-30 | 2018-08-30 | 基于操纵性建模的船舶智能避碰***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109263826B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814565A (zh) * | 2019-01-30 | 2019-05-28 | 上海海事大学 | 时空双流数据驱动深度q学习的无人船智能航行控制方法 |
CN109887338B (zh) * | 2019-03-13 | 2021-11-19 | 大连海大船舶导航国家工程研究中心有限责任公司 | 一种基于智能搭靠预警算法的海上边防预警方法 |
CN109911139B (zh) * | 2019-03-20 | 2021-02-19 | 上海大学 | 一种无人艇号灯与声号自动控制***及其控制方法 |
CN111757242B (zh) * | 2019-03-26 | 2022-04-26 | 清华大学 | 一种基于ais信息计算的海域通信波束控制方法及装置 |
CN110197598A (zh) * | 2019-05-31 | 2019-09-03 | 中国船舶重工集团公司第七0七研究所 | 一种融合海事规则的动态目标避碰方法 |
CN110316327A (zh) * | 2019-07-22 | 2019-10-11 | 山东丛林凯瓦铝合金船舶有限公司 | 一种模块化无人艇 |
CN110333726A (zh) * | 2019-07-29 | 2019-10-15 | 武汉理工大学 | 一种基于船舶运动预测的船舶安全辅助驾驶*** |
CN110796024B (zh) * | 2019-10-09 | 2022-07-29 | 武汉光庭信息技术股份有限公司 | 一种针对失效样本的自动驾驶视觉感知测试方法和装置 |
CN111176271B (zh) * | 2019-11-21 | 2023-05-02 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶避碰辅助决策***及其实现方法 |
TWI725677B (zh) * | 2019-12-20 | 2021-04-21 | 財團法人船舶暨海洋產業研發中心 | 自航船舶的模擬系統及其運作方法 |
CN111145595B (zh) * | 2020-02-20 | 2021-06-25 | 智慧航海(青岛)科技有限公司 | 基于投影寻踪法的自主驾驶船舶重点避让船舶的确认方法 |
TWI756647B (zh) * | 2020-03-18 | 2022-03-01 | 財團法人船舶暨海洋產業研發中心 | 基於人工勢場法的船舶避碰方法及系統 |
CN111580499B (zh) * | 2020-05-08 | 2021-05-28 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 自动航行功能的验证方法、装置及电子设备 |
CN111561932B (zh) * | 2020-05-27 | 2023-07-18 | 武汉理工大学 | 一种基于虚拟力的船舶导航方法 |
CN111591404A (zh) * | 2020-06-01 | 2020-08-28 | 青岛海舟科技有限公司 | 一种波浪滑翔器避碰方法 |
CN111861045B (zh) * | 2020-08-06 | 2024-04-09 | 中国科学院地理科学与资源研究所 | 面向海量数字水深模型数据体海上最短航线快速生成方法 |
CN112835354B (zh) * | 2020-09-27 | 2023-08-22 | 北京海兰信数据科技股份有限公司 | 一种内河船舶纵向速度控制方法及装置 |
CN112180950B (zh) * | 2020-11-05 | 2022-07-08 | 武汉理工大学 | 一种基于强化学习的智能船舶自主避碰及路径规划方法 |
CN112729303B (zh) * | 2020-12-19 | 2023-04-25 | 华瑞物流股份有限公司 | 一种海运路线规划方法、***、设备和存储介质 |
CN112650236A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 一种基于自动舵的躲避碰撞*** |
CN112287468B (zh) * | 2020-12-29 | 2021-03-26 | 北京海兰信数据科技股份有限公司 | 一种船舶碰撞危险度判别方法及*** |
CN113076338B (zh) * | 2021-02-04 | 2023-02-28 | 中国船级社 | 一种基于规则的智能船舶避碰自动测试场景生成方法及*** |
CN112907625B (zh) * | 2021-02-05 | 2023-04-28 | 齐鲁工业大学 | 应用于四足仿生机器人的目标跟随方法及*** |
CN113173232B (zh) * | 2021-03-08 | 2022-06-14 | 武汉理工大学 | 一种基于人机共融的船舶智能辅助驾控***及方法 |
CN113050121A (zh) * | 2021-03-22 | 2021-06-29 | 上海海事大学 | 一种船舶导航***和船舶导航方法 |
CN113296509B (zh) * | 2021-05-21 | 2022-11-08 | 上海海事大学 | 一种用于无人表面船的自主轨迹追踪融合控制方法 |
CN114347031B (zh) * | 2022-01-18 | 2024-01-16 | 广东省智能机器人研究院 | 一种考虑时变时滞的移动机械臂避碰控制方法及装置 |
CN115457808A (zh) * | 2022-08-29 | 2022-12-09 | 集美大学 | 一种感知设备性能指标的论证方法、装置及存储介质 |
CN116105701B (zh) * | 2023-04-13 | 2023-07-04 | 山东科技大学 | 一种基于无人半潜船载体的海上风电桩基地形勘察*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730031A (zh) * | 2014-01-14 | 2014-04-16 | 武汉理工大学 | 内河桥区船载航行主动避碰***及避碰方法 |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
-
2018
- 2018-08-30 CN CN201811003112.7A patent/CN109263826B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730031A (zh) * | 2014-01-14 | 2014-04-16 | 武汉理工大学 | 内河桥区船载航行主动避碰***及避碰方法 |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
Non-Patent Citations (1)
Title |
---|
基于改进LSSVM的船舶操纵运动模型;谢朔等;《中国造船》;20180630;第59卷(第2期);第178-189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109263826A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109263826B (zh) | 基于操纵性建模的船舶智能避碰***及方法 | |
JP7043451B2 (ja) | 船舶ナビゲーションシステム及びそのナビゲーション方法 | |
CN113759939B (zh) | 一种受限水域智能航行方法及装置 | |
CN107329477B (zh) | 一种无人船导航和自动驾驶设备及其方法 | |
CA3067576A1 (en) | Cooperative autonomous navigation systems and methods for multiple unmanned surface vehicles considering communication | |
CN110197598A (zh) | 一种融合海事规则的动态目标避碰方法 | |
CN107966152B (zh) | 一种具有碰撞风险预测机制的避碰及路径跟踪制导方法 | |
WO2021230356A1 (ja) | 船舶の自動誘導方法、船舶の自動誘導プログラム、船舶の自動誘導システム、及び船舶 | |
Wang et al. | Ship domain model for multi-ship collision avoidance decision-making with COLREGs based on artificial potential field | |
KR20110113608A (ko) | 조종가능 플랫폼용의 자율 항해 시스템 및 방법 | |
CN104267724A (zh) | 船舶航行的控制方法、装置和*** | |
He et al. | Dynamic adaptive intelligent navigation decision making method for multi-object situation in open water | |
EP2878528B1 (de) | Verfahren zum motorenbetriebenen Anlegen | |
Wang et al. | A distributed model predictive control using virtual field force for multi-ship collision avoidance under COLREGs | |
CN116540730B (zh) | 多拖轮协作的靠离泊智能辅助***及方法 | |
CN114895673A (zh) | 一种规则约束下基于深度强化学习的船舶避碰决策方法 | |
Bitar et al. | Energy-optimized hybrid collision avoidance for ASVs | |
KR102276678B1 (ko) | 자율운항선박의 충돌회피를 위한 원격제어 제어방법 | |
Wen et al. | Online heuristically planning for relative optimal paths using a stochastic algorithm for USVs | |
Ayob et al. | Neuroevolutionary autonomous surface vehicle simulation in restricted waters | |
Xiao et al. | Research on Multi-mode control system and autonomous cruise method for unmanned surface vehicles | |
CN113885533B (zh) | 一种无人艇的无人驾驶方法及*** | |
Zaccone et al. | Interaction between COLREG-compliant collision avoidance systems in a multiple MASS scenario | |
JP2021076537A (ja) | 船舶の着桟支援プログラム、船舶の着桟支援システム、及び船舶の着桟支援システムを装備した船舶 | |
Enevoldsen et al. | Autonomy for ferries and harbour buses: a collision avoidance perspective |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |