CN111157982A - 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 - Google Patents
基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 Download PDFInfo
- Publication number
- CN111157982A CN111157982A CN201911140774.3A CN201911140774A CN111157982A CN 111157982 A CN111157982 A CN 111157982A CN 201911140774 A CN201911140774 A CN 201911140774A CN 111157982 A CN111157982 A CN 111157982A
- Authority
- CN
- China
- Prior art keywords
- ship
- shore
- track
- target
- intelligent
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于岸基雷达的智能船舶船岸协同目标跟踪***和方法,该目标跟踪***和方法应用于智能船舶的先进技术领域,实现对指定海域内的目标船舶进行精准跟踪。该***包括:布设在沿岸线上的岸基雷达,位于智能船舶上的智能船舶监测***,数据融合***,航迹预测***以及航迹优化***;航迹预测***对所述融合监测数据进行分析处理,得出所述目标船舶的预测航行轨迹;航迹优化***对预测航行轨迹进行优化处理,获得目标船舶的优化预测轨迹,以使智能船舶根据优化预测轨迹对目标船舶进行目标跟踪;该目标跟踪***和方法借助于岸基雷达和智能船舶监测***,获取目标船舶的精准轨迹。
Description
技术领域
本发明属于智能船舶航迹追踪技术领域,具体的说是一种基于岸基雷达的智能船舶船岸协同目标跟踪***和方法。
背景技术
随着现代科技的快速发展,水上航运***也逐步向信息化、网络化、智能化方向迈进。航运业的发展,使得船舶种类和数量增加,海域交通密度以及危险货物装载量也不断增加,容易导致海损事故的发生,严重威胁着船舶的航行安全和海洋生态环境。因此,有效实现对监测海域内船舶航行轨迹的及时追踪和预测是海上交通事故预警的重要技术支持,同时也对船舶航行安全和海洋生态环境具有重要意义。
目前,常用的船舶雷达结合计算机技术,可以实现用于跟踪和探测海洋上的船舶目标,可以测量目标船舶的航向、距离、速度、方位、最近会遇距离和最近会遇时间;也可自主监测海域目标。但船用雷达也存在技术上的缺点:因受探测距离的限制,探测过程中会存在盲区;因为雷达是电磁波探测,在遇到非目标障碍物时,反射回来的信息会受到影响;另外船舶雷达测量精度不高,当出现多目标时,容易出现目标丢失或跟踪错误;最后船舶雷达受天气影响较大。
船舶AIS***能够提供船舶的多种信息,包括船舶呼号、船型、船名、船长船宽等静态信息。船位、船速、航向等动态信息。相比于雷达信息,AIS可以根据目标船舶MMSI的不同,在船舶密集的地方,能更好的跟踪船舶信息;AIS工作在VHF频段,电波绕射能力强,不受距离、位置影响,相比于雷达探测,也几乎没有天气限制。但AIS的探测方式是被动的,没有发射只能接收,且接收的位置属于AIS设备的点信息位置,不能反映船舶的形状和大小。
目前采用船舶雷达和船舶AIS***对于船舶的航迹预测方面主要集中在船舶自身航行轨迹的预测,该预测方法能够保证船舶自身按预计航线进行航行,保证船舶航行安全。
岸基雷达的主要功能是对监测海域内船舶的航行状态进行识别和跟踪,实时获取船舶数据信息。另外岸基雷达相比较于船舶设备,不易受环境因素的影响,抗干扰能力强;探测成本低,能够全天候、大范围的探测目标;沿海岸线布设岸基雷达,可以形成航道和海域内的网状监测***。目前岸端监测设备主要用于对目标船舶进行实时监测、识别以及定位,对目标船舶的航行轨迹进行跟踪,进而对船舶的危险行为进行预警。
但是上述两种方法都无法实现对目标船舶的航行轨迹预测功能,具有局限性。
发明内容
(一)要解决的技术问题
船舶航行状态下,发生碰撞危险是海上交通事故中最常见的一类,容易造成巨大的经济损失和环境污染。因此对于目标船舶的航行轨迹的预测和跟踪是保证船舶航行安全的重要研究内容。通过对目标船舶当前位置信息、船舶航行速度信息和船舶航行航向信息进行监测,推算目标船舶在未来一段时间内的航行轨迹,并对其航行轨迹实时追踪。
对于船舶航行轨迹的预测主要包括有时间预测和位置预测,其中最主要的是对船舶航行位置的预测。船舶航行位置预测是指通过对目标船舶当前位置、航向和船舶航速等信息的监测,对未来一段时间内目标船舶的航行轨迹的预测。
对岸基雷达与智能船舶监测***的数据进行融合,需要把各种传感器接收到的信息在同一条件下融合。但是在现有技术中,由于岸基雷达与船舶AIS***采集信息的方式不同,在坐标和时间上都存在差异,所以需要对两种***的数据进行处理,保证数据在时间和空间上统一。
此外,在进行目标跟踪算法的计算过程中,由于感知数据中包含来自海洋表面的复杂的噪声和杂波,所测数据中包含大量的海杂波,导致对于目标船舶的预测轨迹与真实航行轨迹也同样存在一定的偏差,另外在增加新数据的同时,应该削弱原有数据的作用,这样对于时变***来说,准确率会得到提高。为解决这个问题,需要对目标跟踪方法进行进一步的完善优化。
针对以上存在的问题,提出了一种基于岸基雷达的智能船舶船岸协同目标跟踪***与方法。
(二)技术方案
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,包括:布设在沿岸线上的岸基雷达,位于智能船舶上的智能船舶监测***,数据融合***,航迹预测***以及航迹优化***;
所述岸基雷达采集岸基雷达监测数据;
所述智能船舶监测***采集船舶监测数据;
所述数据融合***将所述岸基雷达监测数据与所述智能船舶监测数据融合,得到关于目标船舶的融合监测数据;
所述航迹预测***对所述融合监测数据进行分析处理,得出目标船舶的预测航行轨迹;
所述航迹优化***对所述预测航行轨迹进一步进行优化处理,获得船岸协同目标跟踪的船舶航行轨迹,以使所述智能船舶根据优化预测轨迹对所述目标船舶进行目标跟踪。
作为本技术方案的进一步优选的:所述岸基雷达的数量为多个,形成航道和海域内的网状监测***;所述智能船舶监测***包括智能船舶雷达和智能船舶AIS***。
作为本技术方案的进一步优选的:所述岸基雷达监测数据和所述智能船舶监测数据包括船舶位置和船舶速度。
作为本技术方案的进一步优选的:所述数据融合***对所述船舶监测数据进行插值计算,计算空缺时段的数据近似值,从而将船舶监测数据和岸基雷达监测数据在时间上相匹配;以及根据墨卡托投影原理,将船舶的经纬度坐标转换为在平面的墨卡托海图上坐标,从而在空间上将船舶监测数据和岸基雷达监测数据转化到同一平面坐标系下。
作为本技术方案的进一步优选的:所述航迹预测***采用对动态***状态序列线性估计的方式对目标船舶的航行轨迹进行跟踪预测,得出目标船舶的预测航行轨迹。
作为本技术方案的进一步优选的:所述航迹预测***通过状态方程和观测方程来描述动态***,所述状态方程和观测方程如下:
状态方程:
s(k)=As(k-1)+u(k)
观测方程:
z(k)=Hs(k)+v(k),
其中,状态值矩阵为s(k)=[x,vx,y,vy],分别代表航迹的横轴坐标、横轴方向上的速度分量、纵轴坐标、纵轴方向上的速度分量,k表示的是(0,1,2…)时刻;
观测值为[x,y]T,代表观测航迹横纵轴的坐标,也就是经纬度,z(k)是k时刻的观测值;A为***状态转移矩阵,H为观测矩阵;
u(k)、v(k)分别表示的是状态和观测时的噪声,被假设成高斯噪声,其中,v(k)~N(0,Q),u(k)~N(0,R),Q和R是相对的,表示更相信观测还是更相信预测。
作为本技术方案的进一步优选的:所述航迹预测***在采用动态***数据分析的目标跟踪预测计算方法中,进一步采用以下方程:
***状态预测:
s(k|k-1)=As(k-1|k-1)
误差协方差预测:
P(k|k-1)=AP(k-1|k-1)A′+Q
增益系数方程:
K=P(k|k-1)H′×(HP(k|k-1)H′+R)
***状态更新:
s(k|k)=s(k|k-1)+K(Z(k)-Hs(k|k-1))
先验协方差更新:
P(k|k)=(1-kH)P(k|k-1)
式中:P为该时刻状态的协方差,H为测量***参数,A为***参数,矩阵A与H的取值为:
作为本技术方案的进一步优选的:所述航迹预测***在采用动态***数据分析的目标跟踪预测计算方法中,进一步采用以下方式:
首先确认起始状态,状态矩阵为:
其中,状态分量采用1×4维的矩阵,分别代表了x轴位置、x轴方向速度分量、y轴位置、y轴方向速度分量;x1,y1代表第一时刻横纵坐标位置,x2,y2代表第二时刻横纵坐标位置,t代表第一时刻与第二时刻之间的相隔时间;
其次,确认均方误差的初始化:
对以上参数进行赋值,其中状态向量S由初始航迹给定;初始协方差P中的周期T=60s,协方差σP、σθ均设置为100;将Q和R设成对角元素值小的对角矩阵,以保障运算时秩满。
作为本技术方案的进一步优选的:所述航迹优化***针对船舶位置和船舶速度进行优化,按以下的方程对信号进行估值:
s(k)=s(k|k-1)+α[x(k)-s(k|k-1)]
v(k)=v(k|k-1)+β[x(k)-s(k|k-1)]/T
其中,s(k)是第k个时刻的坐标,s(k|k-1)是在第(k-1)个时间内的计算得到的第k个时间的预测坐标;x(k)是第k个时刻的量测坐标;v(k)是第k个时刻的速度估值;v(k|k-1)是在第(k-1)个时刻内计算得到的第k个时刻的预测速度;T是扫描的时间周期,α和β是位置和速度的平滑系数;对于参数α,β的确定采用下面的计算公式:
α=2(2k-1)/k(k-1)
β=6/k(k-1)。
本发明的第二个目的在于提出一种基于岸基雷达的智能船舶船岸协同目标跟踪方法,包括以下步骤:
步骤1:采集岸基雷达监测数据和船舶监测数据;
步骤2:将所述岸基雷达监测数据与所述船舶监测数据融合,得到关于目标船舶的融合监测数据;
步骤3:对所述融合监测数据进行分析处理,采用动态***数据分析的目标跟踪预测计算方法,得出目标船舶的预测航行轨迹;
步骤4:对所述预测航行轨迹进一步进行优化处理,获得船岸协同目标跟踪的船舶航行轨迹,以使所述智能船舶根据优化预测轨迹对所述目标船舶进行目标跟踪。
作为本技术方案的进一步优选的:步骤2进一步包括:对所述船舶监测数据进行插值计算,计算空缺时段的数据近似值,从而将船舶监测数据和岸基雷达监测数据在时间上相匹配;以及根据墨卡托投影原理,将船舶的经纬度坐标转换为在平面的墨卡托海图上坐标,从而在空间上将船舶监测数据和岸基雷达监测数据转化到同一平面坐标系下。
(三)有益效果
本发明的有益效果是:采用基于岸基雷达的智能船舶船岸协同目标跟踪方法中数据的采集来自岸基雷达的监测信息和智能船舶的监测感知信息,多数据来源可以保证监测数据的准确性;岸基雷达监测***相比于传统船舶雷达***,监测的信息不受环境因素以及各种杂波的干扰,收集的数据信息更加具有可靠性,且在沿海岸线布设岸基雷达,使得监测海域及航道内形成网状监测***,实现对监测海域内船舶的全方位监测;目标跟踪计算方法结合智能船舶自身感知数据和岸基雷达监测数据,进行航行轨迹的预测计算,同时在此基础上对其进行优化,最终预测的目标船舶的航行轨迹与真实船舶航行轨迹几乎相同,验证目标跟踪预测的计算方法具有可使用性。
附图说明
图1为本发明的航行轨迹跟踪预测原理流程图;
图2为本发明的船舶预测轨迹与船舶真实航行轨迹对比图;
图3为本发明的优化之后的预测轨迹与船舶真实轨迹对照图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1至图3介绍本发明的实施方式。
根据本发明的实施例的一种基于岸基雷达的智能船舶船岸协同目标跟踪方法,需要智能船舶采用智能船舶感知设备对目标船舶航行信息进行收集,然后结合岸基雷达对目标船舶监测的数据信息,双通道采集目标船舶航行信息,对预测目标船舶后续航行轨迹提供可靠依据。其中,智能船舶对于感知数据的采集,主要来源于智能船舶雷达和智能船舶AIS***所收集的航行数据。
首先,在沿海岸线布设岸基雷达,合理配置同一区间内的雷达数目,防止雷达过多的重叠而造成资源浪费。调整相邻雷达的单元间距,保证在合适的距离,不宜过远或过近,各雷达能够相互促进和配合,提高工作效率,实现监测海域内的全面覆盖。对于沿线港口等繁忙海域内的雷达布设,需要根据具体要求合理配置雷达,提高繁忙海域内的雷达监测功能。
岸基雷达与智能船舶AIS***信息融合,需要把各种传感器接收到的信息在同一条件下融合。两种***所接收的信息都是针对目标船舶在某一时刻的状态值,但是由于岸基雷达与AIS***采集信息的方式不同,在坐标和时间上都存在差异,所以需要对两种***的数据进行处理,保证数据在时间和空间上统一。
岸基雷达在扫描海平面时,它运行在一个固有周期内,因此雷达采集的信息在一段时间间隔内是连续的;而AIS***采集信息不是固定周期,***根据船舶的状态变化,采集频率也在变化,AIS采集的时间间隔一般在2s-6min之间,这就需要对两种设备进行时间上的统一。
由于智能船舶感知***的感知数据周期不固定,在一段时间内,岸基雷达采集数据是均匀连续的,所以处理好智能船舶感知***的数据与岸基雷达数据相融合即可。对采集到的船舶监测数据进行插值计算,已知点A(x1,y1)、B(x2,y2)坐标值,计算点C(x3,y3)坐标值,其中A,B,C三点在同一直线上,利用斜率相同特点,计算点C坐标,
假设船舶在一小段时间内的运动是直线运行,根据采集到的船舶信息进行插值计算,计算空缺时段的数据近似值。
在解决了时间统一的问题后,还需要解决空间统一问题。智能船舶感知设备得到的目标船舶的位置源于GPS定位***,其坐标为卫星定位的经纬度数据,相当于球面坐标。岸基雷达测量数据是根据电磁波发射与接收的时间差来计算,是雷达与目标的距离。对于两种信息的处理需要借助墨卡托投影原理,该原理是处理航海信息地图的主要方法。
墨卡托投影的计算方法是:假设想要求得的在球面坐标系下某一船舶的经纬度坐标为(Q,W),转换在平面的墨卡托海图上坐标(X,Y);
首先,根据地球的椭球体长半轴数值为:a=6378137m;地球的短半轴:b=6356752.3142m。可得出第一偏心率e和第二偏心率e1为:
设墨卡托海图原点经纬度为(X0,Y0),计算赤道曲率半径为NB0:
根据已知的第一偏心率e及赤道的曲率半径NB0计算墨卡托地图上的船舶坐标:
YW=K(L-L0)
所述对目标船舶航行轨迹的预测计算包括:采用对动态***状态序列线性估计的方式对船舶的航行轨迹进行跟踪预测估计,所述跟踪预测估计的状态方程和观测方程如下:
状态方程:
s(k)=As(k-1)+u(k)
观测方程:
z(k)=Hs(k)+v(k),
其中,状态值矩阵为s(k)=[x,vx,y,vy],分别代表航迹的横轴坐标、横轴方向上的速度分量、纵轴坐标、纵轴方向上的速度分量,k表示的是(0,1,2…)时刻;
观测值为[x,y]T,代表观测航迹横纵轴的坐标,也就是经纬度,z(k)是k时刻的观测值;A为***状态转移矩阵,H为观测矩阵;
u(k)、v(k)分别表示的是状态和观测时的噪声,被假设成高斯噪声,其中,v(k)~N(0,Q),u(k)~N(0,R),Q和R是相对的,表示更相信观测还是更相信预测;
***状态预测:
s(k|k-1)=As(k-1|k-1)
误差协方差预测:
P(k|k-1)=AP(k-1|k-1)A′+Q
增益系数方程:
K=P(k|k-1)H′×(HP(k|k-1)H′+R)
***状态更新:
s(k|k)=s(k|k-1)+K(Z(k)-Hs(k|k-1))
先验协方差更新:
P(k|k)=(1-kH)P(k|k-1)
式中:P为该时刻状态的协方差,H为测量***参数,A为***参数,矩阵A与H的取值为:
图1是目标船舶航行轨迹跟踪预测的原理流程图。从流程图中可以看出在操作开始时,需要输入的量包括目标起始状态向量、起始状态协方差以及观测噪声与过程噪声。经过先验信息和每一时刻的状态协方差来对下一时刻的状态进行预测,这种循环方式可以有效、准确、简洁的计算出每一时刻的状态变化。
首先确认起始状态,状态分量采用的是1×4维的矩阵,分别代表了x轴位置、x轴方向速度分量、y轴位置、y轴方向速度分量。x1,y1代表第一时刻横纵坐标位置,x2,y2代表第二时刻横纵坐标位置,t代表第一时刻与第二时刻之间的相隔时间,状态矩阵为:
其次,确认均方误差的初始化:
每一时间观测值确定后,根据每前两时刻的状态,对下一时刻进行预测,再根据预测值找到下一时刻的观测值,再通过预测和观测推算出此时刻的状态值,以此类推。
对以上参数进行赋值,其中状态向量S由初始航迹给定;初始协方差P中的周期T=60s,由于海洋上探测距离误差较大,协方差σP、σθ均设置为100;因为实测数据噪声偏下,可以将Q和R设成元素较小的对角矩阵,以保障运算时秩满。
图2中分别显示的是船舶真实航迹1、船舶预测轨迹2(即基于岸基雷达的预测航迹)以及仅采用智能船舶对目标船舶的预测轨迹3。从图中可以看出,基于岸基雷达的智能船舶船岸协同方法对目标船舶航行轨迹的预测更加接近船舶真实航行轨迹,仅采用智能船舶对目标船舶航行轨迹的预测受各种因素干扰,导致预测结果存在偏差。从图中可以看出:基于岸基雷达采用船岸协同方式,对收集的数据信息进行目标跟踪算法计算,得出的预测目标航行轨迹接近真实航迹,说明采用的目标跟踪方法具有可靠性。
但是,在进行目标跟踪算法的计算过程中,由于感知数据中包含来自海洋表面的复杂的噪声和杂波,所测数据中包含大量的海杂波,导致对于目标船舶的预测轨迹与真实航行轨迹也同样存在一定的偏差,另外在增加新数据的同时,应该削弱原有数据的作用,这样对于时变***来说,准确率会得到提高。为解决这个问题,需要对目标跟踪方法进行进一步的完善优化。
所采用的优化方法是以输入的均匀变化的信号为前提,当得到k时刻的测量值x(k)后,按以下的方程对信号进行估值:
s(k)=s(k|k-1)+α[x(k)-s(k|k-1)]
v(k)=v(k|k-1)+β[x(k)-s(k|k-1)]/T
其中,s(k)是第k个时刻的坐标,s(k|k-1)是在第(k-1)个时间内的计算得到的第k个时间的预测坐标;x(k)是第k个时刻的量测坐标;v(k)是第k个时刻的速度估值;v(k|k-1)是在第(k-1)个时刻内计算得到的第k个时刻的预测速度。T是扫描的时间周期,α和β是位置和速度的平滑系数;对于参数α,β的确定采用下面的计算公式:
α=2(2k-1)/k(k-1)
β=6/k(k-1)。
对于上述参数的确定是根据经验和当前的船舶航行轨迹预测总结的确定方法。通过对船舶航行轨迹状态方程和观测方程的优化,最终实现对整个航行轨迹的优化效果。优化之后的显示效果如图3所示。
图3中包含目标船舶真实航行轨迹1、船舶预测轨迹2(卡尔曼预测轨迹)、智能船舶预测轨迹4以及优化预测轨迹3四种。对比图3,可以清楚的看出,进行目标跟踪计算以及优化之后所得出的船舶航行轨迹更加接近船舶真实航行轨迹,在预测计算的后期,预测航行轨迹与真实航行轨迹几乎重合,从而进一步验证两种算法结合之后的预测结果更加接近真实航迹。
通过本发明实施例对基于岸基雷达的智能船舶船岸协同目标跟踪方法的计算分析得出,基于海岸线岸基雷达的船岸协同目标跟踪方式比智能船舶对目标船舶的航行轨迹的预测更加准确,说明沿海岸线布设雷达对监测海域内的船舶数据的收集更加全面可靠,数据采集抗干扰能力更强。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,包括:布设在沿岸线上的岸基雷达,位于智能船舶上的智能船舶监测***,数据融合***,航迹预测***以及航迹优化***;
所述岸基雷达采集岸基雷达监测数据;
所述智能船舶监测***采集船舶监测数据;
所述数据融合***将所述岸基雷达监测数据与所述智能船舶监测数据融合,得到关于目标船舶的融合监测数据;
所述航迹预测***对所述融合监测数据进行分析处理,得出所述目标船舶的预测航行轨迹;
所述航迹优化***对所述预测航行轨迹进行优化处理,获得所述目标船舶的优化预测轨迹,以使所述智能船舶根据优化预测轨迹对所述目标船舶进行目标跟踪。
2.如权利要求1所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述岸基雷达的数量为多个,形成航道和海域内的网状监测***;所述智能船舶监测***包括船舶雷达和船舶AIS***。
3.如权利要求1或2所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述岸基雷达监测数据和所述船舶监测数据包括船舶位置和船舶速度。
4.如权利要求1或2所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述数据融合***对所述船舶监测数据进行插值计算,计算空缺时段的数据近似值,从而将船舶监测数据和岸基雷达监测数据在时间上相匹配;以及根据墨卡托投影原理,将船舶的经纬度坐标转换为在平面的墨卡托海图上坐标,从而在空间上将船舶监测数据和岸基雷达监测数据转化到同一平面坐标系下。
5.如权利要求1或2所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述航迹预测***采用动态***数据分析的方式对目标船舶的航行轨迹进行跟踪预测,得出目标船舶的预测航行轨迹。
6.如权利要求5所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,所述航迹预测***通过状态方程和观测方程来描述所述动态***,所述状态方程和观测方程如下:
状态方程:
s(k)=As(k-1)+u(k)
观测方程:
z(k)=Hs(k)+v(k),
其中,状态值矩阵为s(k)=[x,vx,y,vy],分别代表航迹的横轴坐标、横轴方向上的速度分量、纵轴坐标、纵轴方向上的速度分量,k表示的是(0,1,2…)时刻;
观测值为[x,y]T,代表观测航迹横纵轴的坐标,也就是经纬度,z(k)是k时刻的观测值;A为***状态转移矩阵,H为观测矩阵;
u(k)、v(k)分别表示的是状态和观测时的噪声,被假设成高斯噪声,其中,v(k)~N(0,Q),u(k)~N(0,R),Q和R是相对的,表示更相信观测还是更相信预测。
7.如权利要求6所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述航迹预测***在采用动态***数据分析的目标跟踪预测计算方法中,进一步采用以下方程:
***状态预测:
s(k|k-1)=As(k-1|k-1)
误差协方差预测:
P(k|k-1)=AP(k-1|k-1)A′+Q
增益系数方程:
K=P(k|k-1)H′×(HP(k|k-1)H′+R)
***状态更新:
s(k|k)=s(k|k-1)+K(Z(k)-Hs(k|k-1))
先验协方差更新:
P(k|k)=(1-kH)P(k|k-1)
式中:P为该时刻状态的协方差,H为测量***参数,A为***参数,矩阵A与H的取值为:
9.如权利要求1或2所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,其特征在于,所述航迹优化***针对船舶位置和船舶速度进行优化,按以下的方程对信号进行估值:
s(k)=s(k|k-1)+α[x(k)-s(k|k-1)]
v(k)=v(k|k-1)+β[x(k)-s(k|k-1)]/T
其中,s(k)是第k个时刻的坐标,s(k|k-1)是在第(k-1)个时间内的计算得到的第k个时间的预测坐标;x(k)是第k个时刻的量测坐标;v(k)是第k个时刻的速度估值;v(k|k-1)是在第(k-1)个时刻内计算得到的第k个时刻的预测速度;T是扫描的时间周期,α和β是位置和速度的平滑系数;对于参数α,β的确定采用下面的计算公式:
α=2(2k-1)/k(k-1)
β=6/k(k-1)。
10.一种基于岸基雷达的智能船舶船岸协同目标跟踪方法,其特征在于,采用如权利要求1-9中任一项所述的基于岸基雷达的智能船舶船岸协同目标跟踪***,所述方法包括以下步骤:
步骤1:采集岸基雷达监测数据和智能船舶监测数据;
步骤2:将所述岸基雷达监测数据与所述智能船舶监测数据融合,得到关于目标船舶的融合监测数据;
步骤3:对所述融合监测数据进行分析处理,得出目标船舶的预测航行轨迹;
步骤4:对所述预测航行轨迹进行优化处理,获得目标船舶的优化预测轨迹,以使所述智能船舶根据优化预测轨迹对所述目标船舶进行目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140774.3A CN111157982A (zh) | 2019-11-20 | 2019-11-20 | 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140774.3A CN111157982A (zh) | 2019-11-20 | 2019-11-20 | 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111157982A true CN111157982A (zh) | 2020-05-15 |
Family
ID=70556037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911140774.3A Pending CN111157982A (zh) | 2019-11-20 | 2019-11-20 | 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157982A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507429A (zh) * | 2020-05-29 | 2020-08-07 | 智慧航海(青岛)科技有限公司 | 智能船舶多源感知数据船端融合方法、装置和决策*** |
CN111812610A (zh) * | 2020-06-29 | 2020-10-23 | 珠海云洲智能科技有限公司 | 一种水上目标监管***、方法、终端设备及存储介质 |
CN111880549A (zh) * | 2020-09-14 | 2020-11-03 | 大连海事大学 | 面向无人船路径规划的深度强化学习奖励函数优化方法 |
CN111882619A (zh) * | 2020-07-08 | 2020-11-03 | 智慧航海(青岛)智能***工程有限公司 | 一种模拟测试智能船舶上视觉设备的海面目标识别方法 |
CN111915928A (zh) * | 2020-06-28 | 2020-11-10 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
CN112373642A (zh) * | 2020-10-30 | 2021-02-19 | 东南大学 | 一种基于船舶领域的内河船舶追越行为检测及跟踪方法 |
CN112859133A (zh) * | 2021-01-20 | 2021-05-28 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于雷达与北斗数据的船舶深度融合定位方法 |
CN113296509A (zh) * | 2021-05-21 | 2021-08-24 | 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 |
CN113312438A (zh) * | 2021-03-09 | 2021-08-27 | 中南大学 | 融合航线提取与趋势判断的海上目标位置预测方法 |
CN113447922A (zh) * | 2021-06-28 | 2021-09-28 | 武汉理工港航科技研究院有限公司 | 基于雷达捕捉和激光跟踪的岸基靠泊***、方法及设备 |
CN113850848A (zh) * | 2021-09-26 | 2021-12-28 | 大连海事大学 | 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法 |
CN113985406A (zh) * | 2021-12-24 | 2022-01-28 | 中船(浙江)海洋科技有限公司 | 一种海上雷达目标航迹拼接方法 |
CN114022775A (zh) * | 2021-09-14 | 2022-02-08 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
CN114898593A (zh) * | 2022-04-11 | 2022-08-12 | 珠海云洲智能科技股份有限公司 | 轨迹获取方法、轨迹获取***以及服务器 |
CN115494498A (zh) * | 2022-10-10 | 2022-12-20 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 基于多功能雷达的光电高精度智能船舶监测跟踪方法 |
CN115951325A (zh) * | 2023-03-15 | 2023-04-11 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN116626671A (zh) * | 2023-07-20 | 2023-08-22 | 长威信息科技发展股份有限公司 | 基于Fast-DTW的船舶识别方法 |
CN117556376A (zh) * | 2024-01-11 | 2024-02-13 | 宁波朗达工程科技有限公司 | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN106021675A (zh) * | 2016-05-13 | 2016-10-12 | 国家***第三海洋研究所 | 一种基于多源船舶自动识别***数据的数据融合方法 |
CN106526586A (zh) * | 2016-11-03 | 2017-03-22 | 成都能通科技有限公司 | 一种基于岸基情报雷达的数据处理方法 |
CN108645415A (zh) * | 2018-08-03 | 2018-10-12 | 上海海事大学 | 一种船舶航迹预测方法 |
-
2019
- 2019-11-20 CN CN201911140774.3A patent/CN111157982A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN106021675A (zh) * | 2016-05-13 | 2016-10-12 | 国家***第三海洋研究所 | 一种基于多源船舶自动识别***数据的数据融合方法 |
CN106526586A (zh) * | 2016-11-03 | 2017-03-22 | 成都能通科技有限公司 | 一种基于岸基情报雷达的数据处理方法 |
CN108645415A (zh) * | 2018-08-03 | 2018-10-12 | 上海海事大学 | 一种船舶航迹预测方法 |
Non-Patent Citations (2)
Title |
---|
***: "高频低波雷达与AIS航迹跟踪算法研究" * |
穆晔: "船用导航雷达ARPA跟踪算法研究" * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507429A (zh) * | 2020-05-29 | 2020-08-07 | 智慧航海(青岛)科技有限公司 | 智能船舶多源感知数据船端融合方法、装置和决策*** |
CN111507429B (zh) * | 2020-05-29 | 2023-08-01 | 智慧航海(青岛)科技有限公司 | 智能船舶多源感知数据船端融合方法、装置和决策*** |
CN111915928A (zh) * | 2020-06-28 | 2020-11-10 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
CN111915928B (zh) * | 2020-06-28 | 2022-04-26 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
CN111812610A (zh) * | 2020-06-29 | 2020-10-23 | 珠海云洲智能科技有限公司 | 一种水上目标监管***、方法、终端设备及存储介质 |
CN111812610B (zh) * | 2020-06-29 | 2023-09-29 | 珠海云洲智能科技股份有限公司 | 一种水上目标监管***、方法、终端设备及存储介质 |
CN111882619A (zh) * | 2020-07-08 | 2020-11-03 | 智慧航海(青岛)智能***工程有限公司 | 一种模拟测试智能船舶上视觉设备的海面目标识别方法 |
CN111882619B (zh) * | 2020-07-08 | 2024-06-11 | 智慧航海(青岛)科技有限公司 | 一种模拟测试智能船舶上视觉设备的海面目标识别方法 |
CN111880549B (zh) * | 2020-09-14 | 2024-06-04 | 大连海事大学 | 面向无人船路径规划的深度强化学习奖励函数优化方法 |
CN111880549A (zh) * | 2020-09-14 | 2020-11-03 | 大连海事大学 | 面向无人船路径规划的深度强化学习奖励函数优化方法 |
CN112373642A (zh) * | 2020-10-30 | 2021-02-19 | 东南大学 | 一种基于船舶领域的内河船舶追越行为检测及跟踪方法 |
CN112859133A (zh) * | 2021-01-20 | 2021-05-28 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于雷达与北斗数据的船舶深度融合定位方法 |
CN112859133B (zh) * | 2021-01-20 | 2022-06-14 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于雷达与北斗数据的船舶深度融合定位方法 |
CN113312438A (zh) * | 2021-03-09 | 2021-08-27 | 中南大学 | 融合航线提取与趋势判断的海上目标位置预测方法 |
CN113312438B (zh) * | 2021-03-09 | 2023-09-15 | 中南大学 | 融合航线提取与趋势判断的海上目标位置预测方法 |
CN113296509A (zh) * | 2021-05-21 | 2021-08-24 | 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 |
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 |
CN113447922A (zh) * | 2021-06-28 | 2021-09-28 | 武汉理工港航科技研究院有限公司 | 基于雷达捕捉和激光跟踪的岸基靠泊***、方法及设备 |
CN114022775A (zh) * | 2021-09-14 | 2022-02-08 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
CN114022775B (zh) * | 2021-09-14 | 2024-04-30 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
CN113850848B (zh) * | 2021-09-26 | 2024-04-02 | 大连海事大学 | 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法 |
CN113850848A (zh) * | 2021-09-26 | 2021-12-28 | 大连海事大学 | 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法 |
CN113985406B (zh) * | 2021-12-24 | 2022-05-10 | 中船(浙江)海洋科技有限公司 | 一种海上雷达目标航迹拼接方法 |
CN113985406A (zh) * | 2021-12-24 | 2022-01-28 | 中船(浙江)海洋科技有限公司 | 一种海上雷达目标航迹拼接方法 |
CN114898593B (zh) * | 2022-04-11 | 2024-02-02 | 珠海云洲智能科技股份有限公司 | 轨迹获取方法、轨迹获取***以及服务器 |
CN114898593A (zh) * | 2022-04-11 | 2022-08-12 | 珠海云洲智能科技股份有限公司 | 轨迹获取方法、轨迹获取***以及服务器 |
CN115494498B (zh) * | 2022-10-10 | 2023-10-27 | 中船鹏力(南京)大气海洋信息***有限公司 | 基于多功能雷达的光电高精度智能船舶监测跟踪方法 |
CN115494498A (zh) * | 2022-10-10 | 2022-12-20 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 基于多功能雷达的光电高精度智能船舶监测跟踪方法 |
CN115951325B (zh) * | 2023-03-15 | 2023-06-02 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN115951325A (zh) * | 2023-03-15 | 2023-04-11 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN116626671B (zh) * | 2023-07-20 | 2023-10-31 | 长威信息科技发展股份有限公司 | 基于Fast-DTW的船舶识别方法 |
CN116626671A (zh) * | 2023-07-20 | 2023-08-22 | 长威信息科技发展股份有限公司 | 基于Fast-DTW的船舶识别方法 |
CN117556376A (zh) * | 2024-01-11 | 2024-02-13 | 宁波朗达工程科技有限公司 | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 |
CN117556376B (zh) * | 2024-01-11 | 2024-04-30 | 宁波朗达工程科技有限公司 | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157982A (zh) | 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 | |
CN111028546B (zh) | 基于岸基雷达面向智能船舶的多船协同避碰***和方法 | |
Perera et al. | Ocean vessel trajectory estimation and prediction based on extended Kalman filter | |
KR100818531B1 (ko) | 선박의 항행 위험정보 제공방법 및 그 시스템 | |
Schuster et al. | Collision avoidance for vessels using a low-cost radar sensor | |
CN111899568B (zh) | 桥梁防撞预警***、方法、装置和存储介质 | |
JP6567665B2 (ja) | 船舶の航路(パス)の全地点における各々のドリフト(浮動)ベクトルを推定する方法 | |
CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
Anderson et al. | Track association for over-the-horizon radar with a statistical ionospheric model | |
CN113687349A (zh) | 基于多传感器融合的无人艇海面目标追踪方法及装置 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN114200401A (zh) | 一种基于网格划分的水下机器人自定位***及自定位方法 | |
CN114061565B (zh) | 一种无人船舶slam及其应用方法 | |
Mullane et al. | X-band radar based SLAM in Singapore's off-shore environment | |
Stateczny et al. | FMCW radar implementation in River Information Services in Poland | |
Qin et al. | Research on information fusion structure of radar and AIS | |
Laws et al. | Ship tracking by HF radar in coastal waters | |
CN115718905A (zh) | 一种面向vts***的多传感器信息融合方法 | |
CN112731400B (zh) | 一种海上船只目标矢量速度估计方法及*** | |
Assaf et al. | The use of Kalman filter techniques for ship track estimation | |
Mashoshin et al. | Application of passive underwater landmarks for autonomous unmanned underwater vehicles navigation | |
Wu et al. | A method with improved accuracy and robustness for object detection in wharf scenarios | |
RU2206104C2 (ru) | Способ распознавания удаленных воздушных объектов | |
Wilthil | Maritime Target Tracking with Varying Sensor Performance | |
CN115372956B (zh) | 一种基于正逆逻辑Hough变换的混合体制雷达航迹起始方法 |
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 |