CN116595049A - 船舶智能航行虚拟测试场景生成方法、***及存储介质 - Google Patents

船舶智能航行虚拟测试场景生成方法、***及存储介质 Download PDF

Info

Publication number
CN116595049A
CN116595049A CN202310453729.3A CN202310453729A CN116595049A CN 116595049 A CN116595049 A CN 116595049A CN 202310453729 A CN202310453729 A CN 202310453729A CN 116595049 A CN116595049 A CN 116595049A
Authority
CN
China
Prior art keywords
scene
data
navigation
test
ship
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
Application number
CN202310453729.3A
Other languages
English (en)
Inventor
刘佳仑
滕其卯
李诗杰
杨朕
刘东豪
杨帆
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
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
Original Assignee
Wuhan University of Technology WUT
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
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, Southern Marine Science and Engineering Guangdong Laboratory Zhuhai filed Critical Wuhan University of Technology WUT
Priority to CN202310453729.3A priority Critical patent/CN116595049A/zh
Publication of CN116595049A publication Critical patent/CN116595049A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种船舶智能航行虚拟测试场景生成方法、***及存储介质，应用于船舶智能航行场景虚拟测试技术领域，能够根据实际要求生成测试场景，提高测试效率和测试安全性。该方法包括：获取场景数据；对所述场景数据进行清洗处理，得到可解析数据；根据所述可解析数据进行解析，得到场景元素；根据预设分类算法对所述场景元素进行分类存储，得到场景库；根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景。

Description

船舶智能航行虚拟测试场景生成方法、***及存储介质
技术领域
本发明涉及船舶智能航行场景虚拟测试技术领域，尤其涉及一种船舶智能航行虚拟测试场景生成方法、***及存储介质。
背景技术
船舶智能航行测试验证是从智能、安全、性能、能效等多方面推进自主航行研究，保证船舶自主航行安全性、可靠性，推动智能船舶技术更新迭代不可或缺的手段。相比于真实航行环境测试成本高、危险系数大、可重复性差等缺陷，基于场景的虚拟测试技术试验场景配置灵活，测试效率高，测试重复性强，测试过程安全，测试成本低，能够节省大量人力物力。但相关技术中，由于没有类似船舶测试场景生成方法或***，导致现有测试是在实际环境中进行测试，降低测试安全和测试效率。
发明内容
为了解决上述技术问题的至少之一，本发明提出一种船舶智能航行虚拟测试场景生成方法、***及存储介质，能够根据实际要求生成测试场景，提高测试效率和测试安全性。
一方面，本发明实施例提供了一种船舶智能航行虚拟测试场景生成方法，包括以下步骤：
获取场景数据；
对所述场景数据进行清洗处理，得到可解析数据；
根据所述可解析数据进行解析，得到场景元素；
根据预设分类算法对所述场景元素进行分类存储，得到场景库；
根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景。
根据本发明实施例的一种船舶智能航行虚拟测试场景生成方法，至少具有如下有益效果：本实施例首先通过获取场景数据，并对场景数据进行清洗处理，以去除不可用数据，得到可解析数据。接着，本实施例对可解析数据进行解析得到场景元素。然后，本实施例根据预设分类算法对场景元素进行分类存储，构建得到场景库，通过对各个场景元素进行分类存储的方式，以便于后续的场景元素调用。进一步地，本实施例根据实际通航情境数据通过场景库调用相应的场景元素生成相应的测试场景，从而实现根据实际要求生成测试场景，能够有效提高测试效率和测试的安全性。
根据本发明的一些实施例，所述场景数据包括真实数据、虚拟数据以及专家经验数据；
所述获取场景数据，包括：
通过模型船试验和实船航行获取所述真实数据；
通过虚拟仿真测试获取所述虚拟数据；
获取智能船舶测试工作的相关经验知识，得到所述专家经验数据。
根据本发明的一些实施例，所述对所述场景数据进行清洗处理，得到可解析数据，包括：
根据距离准则通过预设清洗代价函数对所述场景数据进行筛选和删除，得到所述可解析数据。
根据本发明的一些实施例，所述根据预设分类算法对所述场景元素进行分类存储，得到场景库，包括：
通过聚类组合分类算法对所述场景元素进行分类得到各个所述场景元素相应的元素类；
根据所述元素类对所述场景元素进行存储，得到所述场景库；其中，所述场景库包括典型船型库、通航区域库、驾驶行为库以及自然环境库。
根据本发明的一些实施例，所述根据所述可解析数据进行解析，得到场景元素，包括：
根据预设场景类通过相似度准则对所述可解析数据进行解析，得到所述场景元素；其中，所述预设场景类包括船舶基本元素、通航环境元素、自然环境元素以及航行任务元素。
根据本发明的一些实施例，在执行所述根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景这一步骤之后，所述方法还包括：
根据所述测试场景导入船舶模拟器，生成虚拟可视化场景；
或者，将所述测试场景导出得到参数文件，根据所述参数文件分析得到各个所述场景元素之间的关系数据。
根据本发明的一些实施例，所述实际通航情境数据包括环境特点、运动特征、尺度参数、性能参数、通航交通密度以及环境扰动等级；
所述根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景，包括：
根据所述环境特点和所述运动特征提取场景特征要素；
根据所述尺度参数和所述性能参数构建采样空间；
根据所述通航交通密度和所述环境扰动等级选取实验因子；
根据所述场景特征要素、所述采样空间以及所述实验因子通过所述场景库生成所述测试场景。
另一方面，本发明实施例还提供了一种船舶智能航行虚拟测试场景生成***，包括：
场景数据获取模块，用于获取场景数据；
数据处理模块，用于对所述场景数据进行清洗处理，得到可解析数据；
场景解析模块，用于根据所述可解析数据进行解析，得到场景元素；
场景库模块，用于根据预设分类算法对所述场景元素进行分类存储，得到场景库；
场景生成模块，用于根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景。
另一方面，本发明实施例还提供了一种船舶智能航行虚拟测试场景生成***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的船舶智能航行虚拟测试场景生成方法。
另一方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的船舶智能航行虚拟测试场景生成方法。
附图说明
图1是本发明实施例提供的船舶智能航行虚拟测试场景生成方法流程图；
图2是本发明实施例提供的船舶智能航行虚拟测试场景生成***原理框图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
船舶智能航行测试验证是从智能、安全、性能、能效等多方面推进自主航行研究，保证船舶自主航行安全性、可靠性，推动智能船舶技术更新迭代不可或缺的手段。相比于真实航行环境测试成本高、危险系数大、可重复性差等缺陷，基于场景的虚拟测试技术试验场景配置灵活，测试效率高，测试重复性强，测试过程安全，测试成本低，能够节省大量人力物力。但相关技术中，由于没有类似船舶测试场景生成方法或***，导致现有测试是在实际环境中进行测试，降低测试安全和测试效率。
基于此，本发明的一个实施例提供了一种船舶智能航行虚拟测试场景生成方法、***及存储介质，能够根据实际要求生成测试场景，提高测试效率和测试安全性。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。
具体地，本发明实施例的方法应用过程包括但不限于以下步骤：
S110：获取场景数据。
S120：对场景数据进行清洗处理，得到可解析数据。
S130：根据可解析数据进行解析，得到场景元素。
S140：根据预设分类算法对场景元素进行分类存储，得到场景库。
S150：根据实际通航情境数据通过场景库调用相应的场景元素，生成测试场景。
在本具体实施例工作过程中，本实施首先获取场景数据。例如，通过各类传感器或虚拟仿真获取船舶航行过程中场景的环境数据、船舶数据等等。接着，本实施对获取的场景数据极性清洗处理，以得到可解析数据。容易理解的是，在获取的场景数据中可能存在一些不合理的错误数据或存在有缺失的数据，这些均为不可用数据。因此，需要对场景数据进行清洗处理，将不可用数据进行剔除清洗，得到可解析数据。进一步地，本实施例根据可解析数据进行解析得到场景元素。具体地，可解析数据中包含多种不同类型航行场景的数据，而每种航行场景的数据中也包含了若干类的元素。本实施例通过对可解析数据进行解析，从而从可解析数据中解析出各个场景元素。进一步地，本实施例根据预设分类算法对场景元素进行分类存储，构建得到场景库。具体地，在解析得到各个场景元素后，为了便于后续进行场景元素的调用以及提取，本实施通过对场景元素进行归类，并将不同类型的场景元素进行分类存储，从而构建得到场景库。接着，本实施例根据实际通航情境数据通过场景库调用相应的场景元素，从而生成相应的测试场景。具体地，本实施例根据实际的模拟需求，从场景库中调用相应的场景元素进行测试场景的生成，为智能船舶的虚拟测试构建所需的测试场景，包括真实场景复现和虚拟场景生成，有效提升了测试的效率与安全性。
在本发明的一些实施例中，场景数据包括真实数据、虚拟数据以及专家经验数据。相应地，本实施例中获取场景数据，包括但不限于：
通过模型船试验和实船航行获取真实数据。
通过虚拟仿真测试获取虚拟数据。
获取智能船舶测试工作的相关经验知识，得到专家经验数据。
在本具体实施例中，本实施例获取的场景数据包括真实数据、虚拟数据以及专家经验数据。具体地，本实施例中真实数据主要来源于模型试验数据和实船的航行数据。例如，差分GPS、VTS(Vessel Traffic Service，船舶交通服务)、CCTV(闭路监控***)、毫米波雷达、激光雷达、电罗经、磁罗经、摄像头等各类传感器所采集的数据。本实施例通过模型船试验以及实船航行获取相应的真实数据。同时，本实施例通过虚拟仿真测试获取虚拟数据。本实施例中虚拟数据主要来源于模拟数据以及虚拟仿真测试数据，通过对船舶智能航行场景的模拟测试得到相应的虚拟数据。进一步地，本实施例通过获取智能船舶测试工作的相关经验知识，得到专家经验数据。本实施例中专家经验数据旨在通过开展智能船舶测试相关工作所获得的相关经验知识，从而得到专家经验数据。
在本发明的一些实施例中，对场景数据进行清洗处理，得到可解析数据，包括但不限于：
根据距离准则通过预设清洗代价函数对场景数据进行筛选和删除，得到可解析数据。
在本具体实施例中，本实施根据记录准则对场景数据进行清洗处理得到可解析数据。具体地，本实施例依据距离准则或者观察，删除明显不合理的数据以及有缺失的数据。相应地，本实施例通过构建清洗代价函数从而对场景进行筛选和删除，得到可解析数据。其中，清洗代价函数如下式(1)所示：
C＝ω1C1+ω2C2+ω3C3 (1)
其中，式中ω1表示真实数据占三类数据的比例，ω2表示虚拟数据占三类数据的比例，ω3表示专家经验数据占三类数据的比例，C1表示真实数据，C2表示虚拟数据，C3表示专家经验数据。
在本发明的一些实施例中，根据预设分类算法对场景元素进行分类存储，得到场景库，包括但不限于：
通过聚类组合分类算法对场景元素进行分类得到各个场景元素相应的元素类。
根据元素类对场景元素进行存储，得到场景库。其中，场景库包括典型船型库、通航区域库、驾驶行为库以及自然环境库。
在本具体实施例中，本实施首先通过聚类组合分类算法对场景元素进行分类得到各个场景元素相应的元素类。然后，本实施例根据各个场景元素对应的元素类对场景元素进行存储，构建得到相应的场景库。具体地，本实施例中构建的场景库包括典型船型库、通航区域库、驾驶行为库以及自然环境库。在根据可解析数据进行解析过程中，本实施例按照一定的相似度准则对可解析数据进行解析得到若干类的场景元素。本实施例通过聚类组合分类算法对场景元素进行分类，将各类场景元素进行归类，从而得到各个场景元素相对应的元素类。然后，通过各个场景元素相应的元素类对场景元素进行归类，从而形成相应的场景库，例如典型船型库、通航区域库、驾驶行为库以及自然环境库。需要说明的是，本实施例中典型船型库包括货船、邮轮等典型船舶类型，通航区域库包括弯曲航道、开阔水域、受限水域等，驾驶行为库包括对遇、追越、交叉、跟随等典型驾驶行为，自然环境库包括风、浪、流、涌等常见自然环境。本实施例依据对相同类型的场景元素进行聚类组合分类，从而构建得到相应的场景库。
在本发明的一些实施例中，根据可解析数据进行解析，得到场景元素，包括但不限于：
根据预设场景类通过相似度准则对可解析数据进行解析，得到场景元素。其中，预设场景类包括船舶基本元素、通航环境元素、自然环境元素以及航行任务元素。
在本具体实施例中，本实施通过相似度准则按照预设场景类对可解析数据进行解析得到相应的场景元素。具体地，本实施例中预设场景类包括船舶基本元素、通航环境元素、自然环境元素以及航行任务元素。本实施例首先对船舶智能航行场景的相关数据类进行确定和划分，将场景元素分为船舶基本要素、通航环境要素、自然环境要素以及具体航行任务四类。然后，本实施例按照一定的相似度准则对可解析数据进行解析得到相应的场景元素，从而能够通过对各个场景元素进行归类存储，构建得到相应的场景库，便于测试场景的生成。
在本发明的一些实施例中，在执行根据实际通航情境数据通过场景库调用相应的场景元素，生成测试场景这一步骤之后，本实施例提供的船舶智能航行虚拟测试场景生成方法还包括但不限于：
根据测试场景导入船舶模拟器，生成虚拟可视化场景。
或者，将测试场景导出得到参数文件，根据参数文件分析得到各个场景元素之间的关系数据。
在本具体实施例中，当根据实际通航情境数据通过场景库调用相应的场景元素生成测试场景后，本实施例可以直接显示可视化场景，也可以生成相应的参数文件。具体地，当需要实时进行可视化场景时，本实施例通过将船舶模拟器导入至生成的测试场景中，从而生成虚拟可视化场景，从而对生成的场景进行实时展示。同时，根据相应的实验要求，当需要查看相应的场景参数或者各个场景元素之间的关系时，本实施例通过将测试场景导出得到参数文件，如xml文件，并根据参数文件分析得到各个场景元素之间的关系数据，从而能够查看到具体的场景参数以及场景元素之间的关系，以做出相应的调整。本实施例通过将场景呈现形式分为形成具体的场景文件和可视化的虚拟场景，从而简化了场景表示，有效提高了测试效率。
在本发明的一些实施例中，实际通航情境数据包括环境特点、运动特征、尺度参数、性能参数、通航交通密度以及环境扰动等级。相应地，本实施例中根据实际通航情境数据通过场景库调用相应的场景元素，生成测试场景，包括但不限于：
根据环境特点和运动特征提取场景特征要素。
根据尺度参数和性能参数构建采样空间。
根据通航交通密度和环境扰动等级选取实验因子。
根据场景特征要素、采样空间以及实验因子通过场景库生成测试场景。
在本具体实施例中，本实施例首先获取实际通航情境数据，然后根据实际通航情境数据通过场景库生成相应的测试场景。具体地，本实施例中实际通航情境数据包括环境特点、运动特征、尺度参数、性能参数、通航交通密度以及环境扰动等级。本实施例首先根据环境特点以及运动特征提取相关的场景特征要素，并进行量化处理。同时，本实施例根据尺度参数和性能参数构造采样空间。进一步地，根据通航交通密度以及环境扰动等级提取相应的实验因子。接着，本实施例通过场景库结合场景特征要素、采样空间以及实验因子，生成相应的测试场景，实现对场景进行复现或者以及场景元素组合生成全新的测试场景。
本发明的一个实施例还提供了一种船舶智能航行虚拟测试场景生成***，包括：
场景数据获取模块，用于获取场景数据。
数据处理模块，用于对场景数据进行清洗处理，得到可解析数据。
场景解析模块，用于根据可解析数据进行解析，得到场景元素。
场景库模块，用于根据预设分类算法对场景元素进行分类存储，得到场景库。
场景生成模块，用于根据实际通航情境数据通过场景库调用相应的场景元素，生成测试场景。
参照图2，本发明的一个实施例还提供了一种船舶智能航行虚拟测试场景生成***，包括：
至少一个处理器210。
至少一个存储器220，用于存储至少一个程序。
当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如上述实施例描述的船舶智能航行虚拟测试场景生成方法。
本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种船舶智能航行虚拟测试场景生成方法，其特征在于，包括以下步骤：
获取场景数据；
对所述场景数据进行清洗处理，得到可解析数据；
根据所述可解析数据进行解析，得到场景元素；
根据预设分类算法对所述场景元素进行分类存储，得到场景库；
根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景。
2.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，所述场景数据包括真实数据、虚拟数据以及专家经验数据；
所述获取场景数据，包括：
通过模型船试验和实船航行获取所述真实数据；
通过虚拟仿真测试获取所述虚拟数据；
获取智能船舶测试工作的相关经验知识，得到所述专家经验数据。
3.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，所述对所述场景数据进行清洗处理，得到可解析数据，包括：
根据距离准则通过预设清洗代价函数对所述场景数据进行筛选和删除，得到所述可解析数据。
4.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，所述根据预设分类算法对所述场景元素进行分类存储，得到场景库，包括：
通过聚类组合分类算法对所述场景元素进行分类得到各个所述场景元素相应的元素类；
根据所述元素类对所述场景元素进行存储，得到所述场景库；其中，所述场景库包括典型船型库、通航区域库、驾驶行为库以及自然环境库。
5.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，所述根据所述可解析数据进行解析，得到场景元素，包括：
根据预设场景类通过相似度准则对所述可解析数据进行解析，得到所述场景元素；其中，所述预设场景类包括船舶基本元素、通航环境元素、自然环境元素以及航行任务元素。
6.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，在执行所述根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景这一步骤之后，所述方法还包括：
根据所述测试场景导入船舶模拟器，生成虚拟可视化场景；
或者，将所述测试场景导出得到参数文件，根据所述参数文件分析得到各个所述场景元素之间的关系数据。
7.根据权利要求1所述的船舶智能航行虚拟测试场景生成方法，其特征在于，所述实际通航情境数据包括环境特点、运动特征、尺度参数、性能参数、通航交通密度以及环境扰动等级；
所述根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景，包括：
根据所述环境特点和所述运动特征提取场景特征要素；
根据所述尺度参数和所述性能参数构建采样空间；
根据所述通航交通密度和所述环境扰动等级选取实验因子；
根据所述场景特征要素、所述采样空间以及所述实验因子通过所述场景库生成所述测试场景。
8.一种船舶智能航行虚拟测试场景生成***，其特征在于，包括：
场景数据获取模块，用于获取场景数据；
数据处理模块，用于对所述场景数据进行清洗处理，得到可解析数据；
场景解析模块，用于根据所述可解析数据进行解析，得到场景元素；
场景库模块，用于根据预设分类算法对所述场景元素进行分类存储，得到场景库；
场景生成模块，用于根据实际通航情境数据通过所述场景库调用相应的所述场景元素，生成测试场景。
9.一种船舶智能航行虚拟测试场景生成***，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至7任一项所述的船舶智能航行虚拟测试场景生成方法。
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的船舶智能航行虚拟测试场景生成方法。
CN202310453729.3A 2023-04-24 2023-04-24 船舶智能航行虚拟测试场景生成方法、***及存储介质 Pending CN116595049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310453729.3A CN116595049A (zh) 2023-04-24 2023-04-24 船舶智能航行虚拟测试场景生成方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310453729.3A CN116595049A (zh) 2023-04-24 2023-04-24 船舶智能航行虚拟测试场景生成方法、***及存储介质

Publications (1)

Publication Number Publication Date
CN116595049A true CN116595049A (zh) 2023-08-15

Family

ID=87594719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310453729.3A Pending CN116595049A (zh) 2023-04-24 2023-04-24 船舶智能航行虚拟测试场景生成方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN116595049A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911077A (zh) * 2023-09-13 2023-10-20 中国船级社 一种船舶智能航行场景的处理方法、***及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911077A (zh) * 2023-09-13 2023-10-20 中国船级社 一种船舶智能航行场景的处理方法、***及装置
CN116911077B (zh) * 2023-09-13 2024-02-20 中国船级社 一种船舶智能航行场景的处理方法、***及装置

Similar Documents

Publication Publication Date Title
CN111784685A (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN112581443A (zh) 一种风力发电机叶片表面损伤轻量化识别方法
CN110781960B (zh) 视频分类模型的训练方法、分类方法、装置及设备
CN111931719B (zh) 高空抛物检测方法以及装置
CN116595049A (zh) 船舶智能航行虚拟测试场景生成方法、***及存储介质
CN110796366A (zh) 质差小区识别方法和装置
CN115359386A (zh) 一种基于物联网的过洋性渔业安全捕捞方法、***及介质
CN115423225A (zh) 一种基于大数据的渔港作业管理方法及***
KR102337687B1 (ko) 인공 신경망 기반의 표적 영역 추출 장치, 방법 및 이의 학습 방법
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN114155551A (zh) 基于YOLOv3改进的复杂环境下的行人检测方法及装置
CN114241360A (zh) 一种基于自适应推理的视频识别方法和装置
CN111583321A (zh) 图像处理装置、方法及介质
CN109086737A (zh) 基于卷积神经网络的航运货物监控视频识别方法及***
CN113012107A (zh) 电网缺陷检测方法及***
CN116740495A (zh) 路桥隧道的病害检测模型的训练方法和病害检测方法
CN116958780A (zh) 一种跨尺度的目标检测方法及***
CN116306790A (zh) 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN116052207A (zh) 基于改进YOLOv7的鸟类识别方法、***及介质
CN115758337A (zh) 基于时序图卷积网络的后门实时监测方法、电子设备、介质
CN113223049B (zh) 轨迹数据处理方法及装置
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及***
CN115482277A (zh) 一种社交距离风险预警方法及装置
CN116343132B (zh) 一种复杂场景电力设备缺陷识别方法、装置和计算机设备

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