CN110673600A - 面向无人船舶的自动驾驶集成*** - Google Patents

面向无人船舶的自动驾驶集成*** Download PDF

Info

Publication number
CN110673600A
CN110673600A CN201910994324.4A CN201910994324A CN110673600A CN 110673600 A CN110673600 A CN 110673600A CN 201910994324 A CN201910994324 A CN 201910994324A CN 110673600 A CN110673600 A CN 110673600A
Authority
CN
China
Prior art keywords
ship
module
decision
vessel
data processing
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.)
Granted
Application number
CN201910994324.4A
Other languages
English (en)
Other versions
CN110673600B (zh
Inventor
马勇
赵玉蛟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910994324.4A priority Critical patent/CN110673600B/zh
Publication of CN110673600A publication Critical patent/CN110673600A/zh
Priority to US17/034,809 priority patent/US11770270B2/en
Application granted granted Critical
Publication of CN110673600B publication Critical patent/CN110673600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40006—Architecture of a communication node
    • H04L12/40045—Details regarding the feeding of energy to the node from the bus
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • B63B2035/006—Unmanned surface vessels, e.g. remotely controlled
    • B63B2035/007—Unmanned surface vessels, e.g. remotely controlled autonomously operating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B49/00—Arrangements of nautical instruments or navigational aids
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40286—Bus for use in transportation systems the transportation system being a waterborne vessel

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Ocean & Marine Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向无人船舶的自动驾驶集成***，包括：感知模块，用于感知船舶航行环境，获取实时航道、水文、船舶自身状态、交通环境动态信息；通信***，用于船舶与岸基之间、***模块间传输数据和指令；数据处理模块，用于处理感知模块获取的信息；决策模块，用于根据数据处理模块输出的数据，对船舶当前运行态势、环境进行识别，选择下一步拟采取的动作，并生成动作对应的操作指令；执行模块，用于接收决策模块发出的操作指令并采用PID控制器控制船舶的推进器和船舵，以改变船舶的运动状态。本面向无人船舶的自动驾驶集成***，综合了感知环境、行为决策、船舶控制、远程操控等功能，可以极大的解放人力，保障了船舶安全航行。

Description

面向无人船舶的自动驾驶集成***
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种面向无人船舶的自动驾驶集成***。
背景技术
在万物智能的大趋势下，船舶的智能化受到了社会的广泛的关注，智能的水面无人船(Unmanned Surface Vessel,USV)逐渐成为了当前的研究热点。随着科学技术的发展，各种传感技术、控制技术、信息技术以及计算机图形处理技术等高新技术日趋成熟，为智能船舶的发展提供了技术基础。
顺应航海技术数字化的潮流，很多船舶驾驶辅助技术和设备被应用到了船舶驾驶中，如：雷达、电子海图、自动识别***(Automatic Identification System，AIS)、声纳等。但是，船舶驾驶的主体是人，船舶驾驶辅助设备的增加无疑也增加了驾驶人员的工作负担，人为的操作失误是船舶航行事故的主要诱因。同时，社会经济水平的发展，使人民生活水平普遍提高，船舶工作人员的薪资水平对应提高，这无疑极大的增加了航行成本。因此无人化船舶的发展是顺应时代潮流的，开发集成了各种传感器、通信设备、数据处理设备的无人船舶自动驾驶***是必要的。
发明内容
本发明的主要目的在于提供一种面向无人船舶的自动驾驶集成***，旨在实现船舶的无人驾驶。
为实现上述目的，本发明提供一种面向无人船舶的自动驾驶集成***，包括：
感知模块，用于感知船舶航行环境，获取实时航道、水文、船舶自身状态、交通环境动态信息；
通信***，用于船舶与岸基之间、***模块间传输数据和指令；
数据处理模块，用于处理感知模块获取的信息；
决策模块，用于根据数据处理模块输出的数据，对船舶当前运行态势、环境进行识别，选择下一步拟采取的动作，并生成动作对应的操作指令；
执行模块，用于接收决策模块发出的操作指令并采用PID控制器控制船舶的推进器和船舵，以改变船舶的运动状态。
优选地，所述感知模块包括外部交通环境感知子模块、外部自然条件感知子模块和船舶自身状态感知子模块；
所述外部交通环境感知子模块包括视觉传感器、雷达、船舶识别***、电子海图以及声音传感器；
所述外部自然条件感知子模块包括波浪仪、能见度采集设备、测深仪、风速风向仪、计程仪以及水流传感器；
所述船舶自身状态感知子模块包括船舶定位设备、航向感知设备、温度传感器、湿度传感器以及船体应力监测***。
优选地，所述决策模块融合所有传感器感知的数据，分析当前船舶航行环境，结合当前船舶航行态势，对船舶运动状态做出决策，并发送推进器和船舵的操作指令给执行模块。
优选地，所述决策模块采用基于DDPG深度强化学习算法的深度神经网络，将船舶航行环境信息与船舶航行状态输入训练好的深度神经网络中，深度神经网络输出船舶控制指令，船舶控制指令包括船舶推力信息和舵角信息。
优选地，所述决策模块中决策网络包括路径跟踪决策网络与避碰决策网络，避碰决策网络所作决策优先级高于路径跟踪决策网络，DDPG深度强化学习算法中的奖励函数分为路径跟踪奖励函数与避碰奖励函数。
优选地，所述路径跟踪奖励函数为：
其中，kE是路径偏差系数，kD是航向角偏差系数，kV1，kV2是速度系数，kM是进度系数，其值可根据训练效果调节；x和y分别是船舶坐标中的横、纵坐标；θt是在t时刻路径跟踪完成进度，Θ是路径总长度，
Figure BDA0002239276180000022
为船舶位置与起点的距离和起点到终点的距离的比值；
Figure BDA0002239276180000023
是船舶航向角；x(θt)，y(θt),
Figure BDA0002239276180000024
分别是在t时刻的期望横坐标、期望纵坐标以及航向角；u和v分别是船舶在纵荡和横荡方向的速度；u(θt)和v(θt)分别是船舶在纵荡和横荡方向的速度的期望值；
船舶紧迫局面判定的最晚避碰动作时机DLMA计算公式为：
Figure BDA0002239276180000025
式中：Ad表示转向进距，K表示速度比，k＝VT/V0，V0表示船舶当前速度，VT表示障碍物运动速度，若VT为0，则DLMA＝Ad，α为运动障碍物相对于本船舶的舷角；
避碰奖励函数为：
Figure BDA0002239276180000031
其中，DCPA表示两两避碰实体间最小会遇距离；Ds表示避免发生碰撞的最近距离；kCRI∈[0,1]表示碰撞影响系数；CRI表示船舶碰撞概率；C表示航向角；
Figure BDA0002239276180000032
表示t时刻障碍物平均距离；δ表示船舶舵角；kaction∈[0,1]表示动作影响系数；V0和VS分别表示船舶当前速度和期望速度；at(C)表示决策集合中航向变化，at(V)表示决策集合航速变化。
优选地，所述数据处理模块包括数据处理主模块和数据处理子模块，数据处理子模块对应各个传感器，用于对各传感器感知数据进行提取以及滤波操作；数据处理主模块用于对数据处理子模块输出的数据进行融合。
优选地，所述数据处理子模块对传感器数据格式化操作，格式化操作包括对传感器类型、传感器编号、数据编号、数据内容、数据长度以及校验码进行组合。
优选地，所述通信***包括船舶与岸基之间的通信子***以及***模块间的通信子***，***模块包括感知模块、通信模块、数据处理模块、决策模块以及执行模块。
优选地，所述***模块间的通信子***包括传感器与数据处理模块之间的通信和各功能模块间的通信，传感器与数据处理模块之间采用星型网络连接，***各模块间使用CAN总线通信。
本发明提出的面向无人船舶的自动驾驶集成***，综合了感知环境、行为决策、船舶控制、远程操控等功能，实现了船舶的自动驾驶，可以极大的解放人力，保障了船舶安全航行。
附图说明
图1为本发明面向无人船舶的自动驾驶集成***的结构框图；
图2为本发明面向无人船舶的自动驾驶集成***看各模块之间通信方式示意图；
图3为本发明面向无人船舶的自动驾驶集成***中感知模块和数据处理模块间网络连接示意图；
图4为本发明面向无人船舶的自动驾驶集成***中决策模块决策过程示意图；
图5为本发明面向无人船舶的自动驾驶集成***中决策网络的训练流程图；
图6为转向进距的示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
参照图1至图5，本优选实施例中，一种面向无人船舶的自动驾驶集成***，包括：
感知模块，用于感知船舶航行环境，获取实时航道、水文、船舶自身状态、交通环境动态信息；
通信***，用于船舶与岸基之间、***模块间传输数据和指令；
数据处理模块，用于处理感知模块获取的信息；
决策模块，用于根据数据处理模块输出的数据，对船舶当前运行态势、环境进行识别，选择下一步拟采取的动作，并生成动作对应的操作指令；
执行模块，用于接收决策模块发出的操作指令并采用PID控制器控制船舶的推进器和船舵，以改变船舶的运动状态。
具体地，感知模块包括外部交通环境感知子模块、外部自然条件感知子模块和船舶自身状态感知子模块；
外部交通环境感知子模块包括视觉传感器、雷达、船舶识别***、电子海图以及声音传感器；
外部自然条件感知子模块包括波浪仪、能见度采集设备、测深仪、风速风向仪、计程仪以及水流传感器；
船舶自身状态感知子模块包括船舶定位设备、航向感知设备、温度传感器、湿度传感器以及船体应力监测***。
具体地，决策模块融合所有传感器感知的数据，分析当前船舶航行环境，结合当前船舶航行态势，对船舶运动状态做出决策，并发送推进器和船舵的操作指令给执行模块。
决策模块采用基于DDPG深度强化学习算法的深度神经网络，将船舶航行环境信息与船舶航行状态输入训练好的深度神经网络中，深度神经网络输出船舶控制指令，船舶控制指令包括船舶推力信息和舵角信息。
决策模块中决策网络包括路径跟踪决策网络与避碰决策网络，避碰决策网络所作决策优先级高于路径跟踪决策网络，DDPG深度强化学习算法中的奖励函数分为路径跟踪奖励函数与避碰奖励函数。
具体地，路径跟踪奖励函数为：
其中，kE是路径偏差系数，kD是航向角偏差系数，kV1，kV2是速度系数，kM是进度系数，其值可根据训练效果调节；x和y分别是船舶坐标中的横、纵坐标；θt是在t时刻路径跟踪完成进度，Θ是路径总长度，
Figure BDA0002239276180000052
为船舶位置与起点的距离和起点到终点的距离的比值；
Figure BDA0002239276180000053
是船舶航向角；x(θt)，y(θt),
Figure BDA0002239276180000054
分别是在t时刻的期望横坐标、期望纵坐标以及航向角；u和v分别是船舶在纵荡和横荡方向的速度；u(θt)和v(θt)分别是船舶在纵荡和横荡方向的速度的期望值；
参照图6，船舶紧迫局面判定的最晚避碰动作时机DLMA计算公式为：
Figure BDA0002239276180000055
式中：Ad表示转向进距，K表示速度比，k＝VT/V0，V0表示船舶当前速度，VT表示障碍物运动速度，若VT为0，则DLMA＝Ad，α为运动障碍物相对于本船舶的舷角；
避碰奖励函数为：
Figure BDA0002239276180000061
其中，DCPA表示两两避碰实体间最小会遇距离；Ds表示避免发生碰撞的最近距离；kCRI∈[0,1]表示碰撞影响系数；CRI表示船舶碰撞概率；C表示航向角；
Figure BDA0002239276180000062
表示t时刻障碍物平均距离；δ表示船舶舵角；kaction∈[0,1]表示动作影响系数；V0和VS分别表示当前速度和期望速度；at(C)表示决策集合中航向变化，at(V)表示决策集合航速变化。
船舶紧迫局面判定的最晚避碰动作时机DLMA为一个节点，如果过了这个节点还没有采取避碰动作，船舶就会没有足够的时间与空间进行避碰，会发生碰撞。这个时机用来设计避碰奖励函数。
奖励函数设计出来用于训练决策网络，训练好的决策网络可以根据船舶的运动状态和环境状态自动输出船舶控制指令。
路径决策网络和避碰决策网络都是深度神经网络，其网络结构相同，均由4层全连接层组成，每层的节点数分别为13，400，300，2，输入为各传感器的状态，输出为船舶推力和舵角。深度神经网络中采用通用的流程，对应不同任务，要设计对应的奖励函数与状态观测函数，对应的决策网络也要设计，即：路径跟踪决策网络与避碰决策网络各自对应路径跟踪奖励函数和避碰奖励函数，并需要各自进行训练，这两块内容是独立的，没有交集，但是船舶在执行这两个网络产生的动作时，需要判断动作的优先级。状态观测函数对应图3所示“船舶自身状态感知子模块”和“外部自然条件感知子模块”中的传感器获取的信息，将它们先进行归一化操作，然后组合成一个一维向量，作为决策网络的输入。图5中的奖励函数在路径跟踪决策网络训练过程中对应路径跟踪奖励函数，在避碰决策网络训练中对应避碰奖励函数。
经验池是存储探索状态经验数据的，网络的训练数据从经验池中抽取，每一条经验由(状态观测函数观测的状态，决策网络输出的动作指令，奖励函数算出的奖励值，执行完动作指令后状态观测函数观测的状态)这四个部分组成。
另外，感知模块存在的问题为：在实际的船舶航行过程中，感知模块需获取全面的环境数据以供决策模块做出决策。环境数据的数据量非常大且存在大量冗余和无效数据，使得数据处理模块对计算资源的需求极大，计算耗时长，影响决策效率。
因此，基于DDPG深度强化学习算法设计了高效的感知控制方法，提升感知模块感知数据的利用效率，减少的感知设备探测次数，减少垃圾数据的产生。
其原理为：感知模块中的感知设备存在一定的感知范围，而感知精确度往往随感知距离的增加而降低。为每种感知设备设置各自的感知范围，定义感知区域为：在某时刻，感知设备获取的在感知范围内的区域；每种感知设备在各自的每一个感知区域内只进行一次感知行为。由此，显著减少每种感知设备的感知次数，提高感知数据的利用效率。
但是，在船舶航行时，航行环境为动态环境，存在不确定性，可通过调整每种感知设备的感知范围，在保证船舶航行安全的情况下减少感知频率。在环境较稳定时，感知区域可设计大一些，在环境因素变化频繁时，感知区域设计小一些。本发明基于深度强化学习算法设计感知设备感知区域自适应调节算法，根据历史环境特征序列推测环境动态变化程度，为不同感知设备调节感知区域。
感知设备感知区域自适应调节算法基于DDPG深度强化学习算法，算法的输入为历史环境特征序列，输出为感知设备的感知范围。为训练感知区域自适应调节模型，本发明根据任务需求设计奖励函数为：
Figure BDA0002239276180000071
式中，rt为第t个感知区域的奖励值，k∈(0,1)为奖励系数，n为感知区域的个数，XOt为第t个感知区域内信息特征，XΔt为无人船舶在感知区域内航行时的实时信息特征。
具体地，数据处理模块包括数据处理主模块和数据处理子模块，数据处理子模块对应各个传感器，用于对各传感器感知数据进行提取以及滤波操作；数据处理主模块用于对数据处理子模块输出的数据进行融合。
数据处理子模块对传感器数据格式化操作，格式化操作包括对传感器类型、传感器编号、数据编号、数据内容、数据长度以及校验码进行组合。
通信***包括船舶与岸基之间的通信子***以及***模块间的通信子***，***模块包括感知模块、通信模块、数据处理模块、决策模块以及执行模块。船舶与岸基之间的通信子模块具备远距离、高质量无线通信特点，***模块间的通信子***具备稳定、低延时、高带宽的特点。
***模块间的通信子***包括传感器与数据处理模块之间的通信和各功能模块间的通信，传感器与数据处理模块之间采用星型网络连接，***各模块间使用CAN总线通信。
集成***中的模块间的数据传输过程为：数据传输源模块将需要发送的数据发送给CAN控制器，CAN控制器将数据发送给CAN收发器，CAN收发器将数据转为电信号并发送给目的模块。
数据处理模块中的数据处理子模块根据所处理数据的复杂程度分别选取4块STM32芯片和3块Cortex处理器。例如，对于船舶自身状态感知子模块中的传感器，采用1块STM32芯片处理船舶定位设备、温度传感器、湿度传感器、噪声传感器数据，采用另外1块STM32芯片处理振动传感器、航向感知设备、船体应力监测***的数据；对于外部自然条件感知子模块中的设备，采用1块STM32芯片处理波浪仪、测深仪、水流传感器的数据，采用另1块STM32芯片处理风速风向仪、计程仪、能见度采集设备的数据；对于外部交通环境感知子模块中的设备，须采用1块Cortex处理器处理视觉传感器和声音传感器的数据，采用1块Cortex处理器处理雷达和AIS数据，采用采用1块Cortex处理器分析电子海图。数据处理主模块选用3个Cortex处理器，分别对不同类型传感器的数据进行融合，采用1个Cortex处理器融合基于定位的数据，如船舶定位数据、航向、测深数据、计程仪、能见度，采用1个Cortex处理器融合涉及船舶安全的数据，如温度、湿度、噪声、振动、船体应力，采用1个Cortex处理器融合船舶航行环境数据，如图像、雷达扫测数据、AIS数据、水流、波浪数据。
本发明提出的面向无人船舶的自动驾驶集成***，综合了感知环境、行为决策、船舶控制、远程操控等功能，实现了船舶的自动驾驶，可以极大的解放人力，保障了船舶安全航行。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种面向无人船舶的自动驾驶集成***，其特征在于，包括：
感知模块，用于感知船舶航行环境，获取实时航道、水文、船舶自身状态、交通环境动态信息；
通信***，用于船舶与岸基之间、***模块间传输数据和指令；
数据处理模块，用于处理感知模块获取的信息；
决策模块，用于根据数据处理模块输出的数据，对船舶当前运行态势、环境进行识别，选择下一步拟采取的动作，并生成动作对应的操作指令；
执行模块，用于接收决策模块发出的操作指令并采用PID控制器控制船舶的推进器和船舵，以改变船舶的运动状态。
2.如权利要求1所述的面向无人船舶的自动驾驶集成***，其特征在于，所述感知模块包括外部交通环境感知子模块、外部自然条件感知子模块和船舶自身状态感知子模块；
所述外部交通环境感知子模块包括视觉传感器、雷达、船舶识别***、电子海图以及声音传感器；
所述外部自然条件感知子模块包括波浪仪、能见度采集设备、测深仪、风速风向仪、计程仪以及水流传感器；
所述船舶自身状态感知子模块包括船舶定位设备、航向感知设备、温度传感器、湿度传感器以及船体应力监测***。
3.如权利要求1所述的面向无人船舶的自动驾驶集成***，其特征在于，所述决策模块融合所有传感器感知的数据，分析当前船舶航行环境，结合当前船舶航行态势，对船舶运动状态做出决策，并发送推进器和船舵的操作指令给执行模块。
4.如权利要求3所述的面向无人船舶的自动驾驶集成***，其特征在于，所述决策模块采用基于DDPG深度强化学习算法的深度神经网络，将船舶航行环境信息与船舶航行状态输入训练好的深度神经网络中，深度神经网络输出船舶控制指令，船舶控制指令包括船舶推力信息和舵角信息。
5.如权利要求4所述的面向无人船舶的自动驾驶集成***，其特征在于，所述决策模块中决策网络包括路径跟踪决策网络与避碰决策网络，避碰决策网络所作决策优先级高于路径跟踪决策网络，DDPG深度强化学习算法中的奖励函数分为路径跟踪奖励函数与避碰奖励函数。
6.如权利要求5所述的面向无人船舶的自动驾驶集成***，其特征在于，所述路径跟踪奖励函数为：
其中，kE是路径偏差系数，kD是航向角偏差系数，kV1，kV2是速度系数，kM是进度系数，其值可根据训练效果调节；x和y分别是船舶坐标中的横、纵坐标；θt是在t时刻路径跟踪完成进度，Θ是路径总长度，
Figure FDA0002239276170000022
为船舶位置与起点的距离和起点到终点的距离的比值；
Figure FDA0002239276170000023
是船舶航向角；x(θt)，y(θt),
Figure FDA0002239276170000024
分别是在t时刻的期望横坐标、期望纵坐标以及航向角；u和v分别是船舶在纵荡和横荡方向的速度；u(θt)和v(θt)分别是船舶在纵荡和横荡方向的速度的期望值；
船舶紧迫局面判定的最晚避碰动作时机DLMA计算公式为：
Figure FDA0002239276170000025
式中：Ad表示转向进距，K表示速度比，k＝VT/V0，V0表示船舶当前速度，VT表示障碍物运动速度，若VT为0，则DLMA＝Ad，α为运动障碍物相对于本船舶的舷角；
避碰奖励函数为：
Figure FDA0002239276170000026
其中，DCPA表示两两避碰实体间最小会遇距离；Ds表示避免发生碰撞的最近距离；kCRI∈[0,1]表示碰撞影响系数；CRI表示船舶碰撞概率；C表示航向角；dt表示t时刻障碍物平均距离；δ表示船舶舵角；kaction∈[0,1]表示动作影响系数；V0和VS分别表示船舶当前速度和期望速度；at(C)表示决策集合中航向变化，at(V)表示决策集合航速变化。
7.如权利要求1所述的面向无人船舶的自动驾驶集成***，其特征在于，所述数据处理模块包括数据处理主模块和数据处理子模块，数据处理子模块对应各个传感器，用于对各传感器感知数据进行提取以及滤波操作；数据处理主模块用于对数据处理子模块输出的数据进行融合。
8.如权利要求7所述的面向无人船舶的自动驾驶集成***，其特征在于，所述数据处理子模块对传感器数据格式化操作，格式化操作包括对传感器类型、传感器编号、数据编号、数据内容、数据长度以及校验码进行组合。
9.如权利要求1至8中任意一项所述的面向无人船舶的自动驾驶集成***，其特征在于，所述通信***包括船舶与岸基之间的通信子***以及***模块间的通信子***，***模块包括感知模块、通信模块、数据处理模块、决策模块以及执行模块。
10.如权利要求9所述的面向无人船舶的自动驾驶集成***，其特征在于，所述***模块间的通信子***包括传感器与数据处理模块之间的通信和各功能模块间的通信，传感器与数据处理模块之间采用星型网络连接，***各模块间使用CAN总线通信。
CN201910994324.4A 2019-10-18 2019-10-18 面向无人船舶的自动驾驶集成*** Active CN110673600B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910994324.4A CN110673600B (zh) 2019-10-18 2019-10-18 面向无人船舶的自动驾驶集成***
US17/034,809 US11770270B2 (en) 2019-10-18 2020-09-28 Integrated automated driving system for maritime autonomous surface ship (MASS)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910994324.4A CN110673600B (zh) 2019-10-18 2019-10-18 面向无人船舶的自动驾驶集成***

Publications (2)

Publication Number Publication Date
CN110673600A true CN110673600A (zh) 2020-01-10
CN110673600B CN110673600B (zh) 2021-05-28

Family

ID=69082856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910994324.4A Active CN110673600B (zh) 2019-10-18 2019-10-18 面向无人船舶的自动驾驶集成***

Country Status (2)

Country Link
US (1) US11770270B2 (zh)
CN (1) CN110673600B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353636A (zh) * 2020-02-24 2020-06-30 交通运输部水运科学研究所 一种基于多模态数据的船舶驾驶行为预测方法及***
CN111638646A (zh) * 2020-05-29 2020-09-08 平安科技（深圳）有限公司 四足机器人行走控制器训练方法、装置、终端及存储介质
CN111862389A (zh) * 2020-07-21 2020-10-30 武汉理工大学 一种智能航行感知及增强现实可视化***
CN112925319A (zh) * 2021-01-25 2021-06-08 哈尔滨工程大学 一种基于深度强化学习的水下自主航行器动态避障方法
CN113173232A (zh) * 2021-03-08 2021-07-27 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
CN113188538A (zh) * 2021-04-26 2021-07-30 广东海洋大学 一种近海海域小型船舶态势分析方法
CN113253716A (zh) * 2021-03-10 2021-08-13 广州星际海洋工程设计有限公司 一种无人艇控制***
CN113821035A (zh) * 2021-09-22 2021-12-21 北京邮电大学 无人船轨迹追踪控制方法和装置
CN113885533A (zh) * 2021-11-12 2022-01-04 江苏海洋大学 一种无人艇的无人驾驶方法及***
CN114019978A (zh) * 2021-11-08 2022-02-08 陕西欧卡电子智能科技有限公司 一种无人驾驶游船及无人驾驶方法
CN114793239A (zh) * 2022-04-01 2022-07-26 武汉理工大学 一种内河智能船舶域控制器功能实现的***及方法
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置
CN115743467A (zh) * 2022-11-30 2023-03-07 深海技术科学太湖实验室 动态测试用船端数据采集***及其部署方法
CN116165958A (zh) * 2023-04-25 2023-05-26 舜泰汽车有限公司 一种两栖特种无人平台的自动驾驶***
WO2023108494A1 (zh) * 2021-12-15 2023-06-22 中国科学院深圳先进技术研究院 一种概率滤波强化学习无人船控制方法、装置及终端设备

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694365B (zh) * 2020-07-01 2021-04-20 武汉理工大学 一种基于深度强化学习的无人船艇编队路径跟踪方法
CN113759902B (zh) * 2021-08-17 2023-10-27 中南民族大学 多智能体局部交互路径规划方法、装置、设备及存储介质
CN113741449B (zh) * 2021-08-30 2023-07-14 南京信息工程大学 一种面向海空协同观测任务的多智能体控制方法
CN113942623A (zh) * 2021-09-18 2022-01-18 武汉理工大学 一种智慧航行平台和航行方法
CN114379718B (zh) * 2021-12-22 2023-05-30 南京联迪信息***股份有限公司 游船遇险预警救援方法及***
CN114659556B (zh) * 2022-03-03 2024-03-12 中国科学院计算技术研究所 一种面向巡视器的可分离式星表材质识别方法及***
CN114786128B (zh) * 2022-06-20 2022-09-13 中国船舶重工集团公司第七0七研究所 基于数据质量控制的船舶惯导传递对准自适应切换方法
CN115497339A (zh) * 2022-07-22 2022-12-20 华设设计集团股份有限公司 船岸协同式船舶安全管理***及方法
CN115453914B (zh) * 2022-10-19 2023-05-16 哈尔滨理工大学 一种考虑海浪干扰的无人艇回收分布式决策仿真***
CN115856873B (zh) * 2022-11-15 2023-11-07 大连海事大学 一种岸基ais信号可信性判别模型、方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180721A1 (en) * 2014-10-03 2016-06-23 Ivan Otulic System and method for tracking, surveillance and remote control of powered personal recreational vehicles
CN107577230A (zh) * 2017-08-16 2018-01-12 武汉理工大学 一种面向无人船的智能避碰***
CN107748561A (zh) * 2017-09-25 2018-03-02 华南理工大学 一种基于多传感参数的无人船局部避障***及方法
CN109241912A (zh) * 2018-09-08 2019-01-18 河南大学 面向无人自主***的基于类脑跨媒体智能的目标识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8626366B2 (en) * 2008-12-29 2014-01-07 General Electric Company System and method for controlling a marine vessel through a waterway
EP3210878B1 (en) * 2014-10-23 2019-05-15 Yanmar Co., Ltd. Vessel steering apparatus
US9857794B1 (en) * 2015-07-23 2018-01-02 Brunswick Corporation System for controlling position and speed of a marine vessel
WO2019096401A1 (en) * 2017-11-17 2019-05-23 Abb Schweiz Ag Real-time monitoring of surroundings of marine vessel
WO2019200331A1 (en) * 2018-04-13 2019-10-17 The Board Of Regents Of The University Of Oklahoma System and method for networked weather sensing in open water environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180721A1 (en) * 2014-10-03 2016-06-23 Ivan Otulic System and method for tracking, surveillance and remote control of powered personal recreational vehicles
CN107577230A (zh) * 2017-08-16 2018-01-12 武汉理工大学 一种面向无人船的智能避碰***
CN107748561A (zh) * 2017-09-25 2018-03-02 华南理工大学 一种基于多传感参数的无人船局部避障***及方法
CN109241912A (zh) * 2018-09-08 2019-01-18 河南大学 面向无人自主***的基于类脑跨媒体智能的目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王贵槐 等: ""基于激光雷达的内河无人船 障碍物识别方法"", 《光学技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353636A (zh) * 2020-02-24 2020-06-30 交通运输部水运科学研究所 一种基于多模态数据的船舶驾驶行为预测方法及***
CN111638646A (zh) * 2020-05-29 2020-09-08 平安科技（深圳）有限公司 四足机器人行走控制器训练方法、装置、终端及存储介质
CN111862389B (zh) * 2020-07-21 2022-10-21 武汉理工大学 一种智能航行感知及增强现实可视化***
CN111862389A (zh) * 2020-07-21 2020-10-30 武汉理工大学 一种智能航行感知及增强现实可视化***
CN112925319A (zh) * 2021-01-25 2021-06-08 哈尔滨工程大学 一种基于深度强化学习的水下自主航行器动态避障方法
CN113173232A (zh) * 2021-03-08 2021-07-27 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
CN113253716A (zh) * 2021-03-10 2021-08-13 广州星际海洋工程设计有限公司 一种无人艇控制***
CN113188538A (zh) * 2021-04-26 2021-07-30 广东海洋大学 一种近海海域小型船舶态势分析方法
CN113821035A (zh) * 2021-09-22 2021-12-21 北京邮电大学 无人船轨迹追踪控制方法和装置
CN114019978A (zh) * 2021-11-08 2022-02-08 陕西欧卡电子智能科技有限公司 一种无人驾驶游船及无人驾驶方法
CN113885533A (zh) * 2021-11-12 2022-01-04 江苏海洋大学 一种无人艇的无人驾驶方法及***
WO2023108494A1 (zh) * 2021-12-15 2023-06-22 中国科学院深圳先进技术研究院 一种概率滤波强化学习无人船控制方法、装置及终端设备
CN114793239A (zh) * 2022-04-01 2022-07-26 武汉理工大学 一种内河智能船舶域控制器功能实现的***及方法
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置
CN115743467A (zh) * 2022-11-30 2023-03-07 深海技术科学太湖实验室 动态测试用船端数据采集***及其部署方法
CN115743467B (zh) * 2022-11-30 2024-01-26 深海技术科学太湖实验室 动态测试用船端数据采集***
CN116165958A (zh) * 2023-04-25 2023-05-26 舜泰汽车有限公司 一种两栖特种无人平台的自动驾驶***

Also Published As

Publication number Publication date
US11770270B2 (en) 2023-09-26
US20210116922A1 (en) 2021-04-22
CN110673600B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110673600B (zh) 面向无人船舶的自动驾驶集成***
CN110471427B (zh) 一种基于路径规划与人工势场法的船舶编队智能避碰方法
KR102240839B1 (ko) 이미지 세그멘테이션을 이용한 자율 운항 방법
CN111186549B (zh) 一种具有船舶避碰功能的航向自动舵控制***
CA3067576A1 (en) Cooperative autonomous navigation systems and methods for multiple unmanned surface vehicles considering communication
US11307589B2 (en) Vessel navigation system and navigation method thereof
KR101918980B1 (ko) 실시간 복원성 지수를 이용한 대피 레벨 결정 기반 선박 사고시 안전한 대피를 지원하기 위한 선박 항로 및 선박 조종 지원 시스템 및 그 방법
KR102313115B1 (ko) 인공지능 신경망을 이용한 자율비행 드론
CN111536962B (zh) 智能船舶的航线规划方法及装置、存储介质、计算机设备
CN113050121A (zh) 一种船舶导航***和船舶导航方法
KR101823030B1 (ko) 선박의 위험환경 회피 시스템 및 이를 이용한 회피 방법
KR102466804B1 (ko) 이미지 세그멘테이션을 이용한 자율 운항 방법
CN112527019B (zh) 适用于恶劣海况的异构无人***协同编队控制***及方法
US11941553B1 (en) Methods, electronic devices and storage media for ship route optimization
CN111862389B (zh) 一种智能航行感知及增强现实可视化***
KR100352346B1 (ko) 인공지능형 충돌,좌초 예방 시스템
CN111813107A (zh) 无人船控制方法、无人船控制装置及无人船
Wu et al. Multi-vessels collision avoidance strategy for autonomous surface vehicles based on genetic algorithm in congested port environment
Zakaria et al. ROS-based SLAM and Path Planning for Autonomous Unmanned Surface Vehicle Navigation System
CN216351954U (zh) 一种小型船舶智能控制***
CN115202370A (zh) 无人船的航行控制方法、***和可读存储介质
TWI670470B (zh) 海上無人船舶航道修正系統及方法
CN114047514A (zh) 基于毫米波雷达的无人艇导航方法
Friebe et al. Situational awareness and obstacle avoidance for a wind propelled marine research ASV
KR102650152B1 (ko) 4차원 레이더를 활용한 해적 선박 감지 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체

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