一种考虑航道环境的船舶智能操纵方法与流程

1.本发明涉及船舶操纵技术领域，尤其是一种考虑航道环境的船舶智能操纵方法。


背景技术：

2.近年来，随着人工智能的迅速发展，智能技术在船舶领域得以广泛关注，也为船舶安全自主航行带来了新的机遇与挑战。船舶操纵是船舶航行的关键技术之一，面对新的机遇与挑战，将船舶操纵与智能技术相结合，为船舶航行提供新思路。
3.操纵运动模型是船舶操纵的重要基础，此前，相关研究人员已对此展开了广泛的研究。由于船舶智能控制依赖于大量的数据，且期望达到良好的实时控制效果，因此操纵运动模型的响应速度在很大程度上影响着船舶智能操纵方法的有效性。目前成熟的船舶操纵运动模型，大多无法在大量计算的情况下，达到快速响应的效果。
4.船舶在实际航行过程中，诸如气象、水文等不确定的环境因素较多，然而现有的船舶操纵模型往往采用单一、单阶段的方法，未能将不确定环境因素考虑在内。可见，现有方法缺乏可持续性与可扩展性，因此控制精度较差，大概率会偏离目标航线。


技术实现要素：

5.本发明人针对上述问题及技术需求，提出了一种考虑航道环境的船舶智能操纵方法，将船舶航行中可能遇到航道环境预先考虑在内，从而降低船舶实际控制过程中的不确定性。
6.本发明的技术方案如下：
7.一种考虑航道环境的船舶智能操纵方法，包括如下步骤：
8.构建运动预报模型，运动预报模型包含了船舶操纵控制参数和船舶操纵状态参数之间一一对应的关系；其中，船舶操纵控制参数包括螺旋桨的转速和舵角，船舶操纵状态参数包括船舶的航速、航向角、艏向角和坐标位置；
9.根据航行任务和确定因素预先规划船舶运动轨迹，确定因素包括航道沿途的桥梁和其他船舶的运动轨迹；
10.获取当前时刻的船舶操纵控制参数和不确定环境量，输入至运动预报模型更新船舶操纵状态参数，确定预先规划船舶运动轨迹中当前时刻的航行目标与更新后的船舶操纵状态参数之间的状态观测偏差，输入至最优估计算法修正下一时刻的船舶操纵控制参数；
11.基于测量得到的船舶操纵控制参数和船舶操纵状态参数、基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数构建多置信度模型，用于优化运动预报模型。
12.其进一步的技术方案为，构建运动预报模型，包括：
13.利用船舶操纵运动数学模型，得到船舶操纵控制参数与船舶操纵状态参数之间一一对应的若干组数据；
14.利用机器学习回归算法建立船舶操纵控制参数与船舶操纵状态参数之间的数学
模型，作为运动预报模型。
15.其进一步的技术方案为，运动预报模型包括若干个基本单元，每个基本单元包括状态预测器和运动趋势预测器，且基本单元的时间尺度是一个时间步；其中，状态预测器根据当前时刻的船舶操纵控制参数输出下一时刻船舶的航速、航向角和艏向角，运动趋势预测器根据当前时刻的船舶操纵控制参数输出下一时刻船舶的坐标位置；从某一起始时刻，基本单元沿时间轴推进并持续更新船舶操纵状态参数。
16.其进一步的技术方案为，获取当前时刻的船舶操纵控制参数和不确定环境量，输入至运动预报模型更新船舶操纵状态参数，包括，在每一个航行控制时刻：
17.将采集到的不确定环境量作为干扰项输入至控制系统中，控制系统内的运动预报模型基于当前时刻的船舶操纵控制参数对一个特定动态控制区的船舶操纵状态参数进行预测，得到当前控制序列下的船舶预计航行坐标位置，一系列状态构成状态预测序列，用以实现船舶操纵控制参数的最优估计。
18.其进一步的技术方案为，基于测量得到的船舶操纵控制参数和船舶操纵状态参数、基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数构建多置信度模型，包括，在船舶航行过程中：
19.以航行当前时刻为分界线，获取当前时刻前测量得到的船舶操纵控制参数和船舶操纵状态参数作为历史数据，获取当前时刻后基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数作为预报数据；将历史数据和预报数据进行融合，形成多置信度模型，并将多置信度模型代入运动预报模型中进行训练，从而在线优化运动预报模型的结构，多置信度模型的表达式为：
[0020][0021]
其中，c为船舶操纵控制参数在完整航程上的序列集合，s为船舶的航速、航向角和艏向角在完整航程上的序列集合，p为船舶的坐标位置在完整航程上的序列集合；上标h和f分别表示历史数据和预报数据。
[0022]
其进一步的技术方案为，基于测量得到的船舶操纵控制参数和船舶操纵状态参数、基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数构建多置信度模型，包括，在船舶航行结束后：
[0023]
获取本次航行时采集到的完整航程上的船舶操纵控制参数和船舶操纵状态参数作为实测数据，获取本次航行时运动预报模型和最优估计算法计算得到的完整航程上的船舶操纵控制参数和船舶操纵状态参数作为计算数据，将实测数据和计算数据进行融合，形成多置信度模型，并将多置信度模型代入运动预报模型中进行训练，从而离线优化运动预报模型的结构，多置信度模型的表达式为：
[0024][0025]
其中，c为船舶操纵控制参数在完整航程上的序列集合，s为船舶的航速、航向角和
艏向角在完整航程上的序列集合，p为船舶的坐标位置在完整航程上的序列集合；上标r表示实测数据，e表示计算数据。
[0026]
本发明的有益技术效果是：
[0027]
通过构建包含了船舶输入输出控制参数对应关系的运动预报模型，从而达到了模型快速响应的效果。在此基础之上，通过量化分析船舶航行不确定环境因素的影响，进一步对运动预报模型更新的船舶操纵状态参数和预定的航行目标进行状态观测对比，通过最优估计算法对船舶操纵控制策略进行修正，提高了预先规划运动轨迹的准确性，并对船舶航行的历史数据和计算数据进行智能学习构建多置信度模型优化运动预报模型，从而提高船舶智能操纵方法的置信度，形成长期稳定、可扩展的船舶智能操纵方法。
附图说明
[0028]
图1是本技术提供的考虑航道环境的船舶智能操纵方法流程图。
[0029]
图2是本技术提供的基本单元的预报过程及时间推进方式的示意图。
[0030]
图3是本技术提供的航行控制系统的模型框架。
[0031]
图4是本技术提供的多置信度模型的构建框架。
具体实施方式
[0032]
下面结合附图对本发明的具体实施方式做进一步说明。
[0033]
本技术提供了一种考虑航道环境的船舶智能操纵方法，其流程图如图1所示，该方法包括如下步骤：
[0034]
步骤1：构建运动预报模型，该模型包含了船舶操纵控制参数和船舶操纵状态参数之间一一对应的关系。
[0035]
步骤11：利用船舶操纵运动数学模型，得到船舶操纵控制参数与船舶操纵状态参数之间一一对应的若干组数据。
[0036]
其中，船舶操纵控制参数包括螺旋桨的转速和舵角，船舶操纵状态参数包括船舶的航速、航向角、艏向角和坐标位置，如表1所示。
[0037]
表1运动预报模型参数分类、内容及定义
[0038]
名称符号内容类别备注控制参数c转速、舵角控制量[t,t 1]船舶状态参数s航速、航向角、艏向角状态量[t]位置状态参数p坐标位置状态量[t]
[0039]
可选的，本实施例中的船舶操纵运动数学模型采用mmg模型。
[0040]
步骤12：利用机器学习回归算法建立船舶操纵控制参数与船舶操纵状态参数之间的数学模型，作为运动预报模型。
[0041]
根据运动预报模型，由船舶操纵控制参数，即可快速得到船舶运动轨迹，实现控制输出的快速响应，提升计算速度，为实时预报控制打下基础。
[0042]
可选的，运动预报模型包括若干个基本单元，每个基本单元包括状态预测器和运动趋势预测器，且基本单元的时间尺度是一个时间步。其中，状态预测器根据当前时刻的船舶操纵控制参数c(k)输出下一时刻船舶的航速、航向角和艏向角，即s(k n)，运动趋势预测
器根据当前时刻的船舶操纵控制参数c(k)输出下一时刻船舶的坐标位置，即p(k n)。如图2所示，从某一起始时刻，基本单元沿时间轴推进并持续更新船舶操纵状态参数。
[0043]
步骤2：根据航行任务和确定因素预先规划船舶运动轨迹。
[0044]
其中，确定因素包括航道沿途的桥梁和其他船舶的运动轨迹。
[0045]
步骤3：获取当前时刻的船舶操纵控制参数和不确定环境量，输入至运动预报模型更新船舶操纵状态参数，确定预先规划船舶运动轨迹中当前时刻的航行目标与更新后的船舶操纵状态参数之间的状态观测偏差，输入至最优估计算法修正下一时刻的船舶操纵控制参数。
[0046]
具体的，如图3所示，在航行过程的每一个航行控制时刻，利用船载传感器对实时环境量(风、流等)进行采集，将采集到的不确定环境量作为干扰项输入至控制系统中，获取当前时刻对应的船舶操纵控制参数和船舶操纵状态参数，构成当前的船舶状态几何。其中，初始的船舶操纵控制参数由操作员根据历史经验确定。
[0047]
控制系统内的运动预报模型基于当前时刻的船舶操纵控制参数对一个特定动态控制区(即一个时间窗口)的船舶操纵状态参数进行预测，得到当前控制序列下的船舶预计航行坐标位置，一系列状态构成状态预测序列，用以实现船舶操纵控制参数的最优估计。
[0048]
对船舶预计航行坐标位置与当前时刻的航行目标进行状态观测，基于观测结果调用最优估计算法实现船舶操纵控制参数的最优估计，形成下一时间段的控制参数序列，并发出指令至螺旋桨执行器，使得船舶执行后续航行操控并推进至下一控制时刻。
[0049]
步骤4：基于测量得到的船舶操纵控制参数和船舶操纵状态参数、基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数构建多置信度模型，用于优化运动预报模型。
[0050]
为了实现内河船舶的智能航行操控计算需要对多源数据信息进行综合采集、整合、处理和辨识，从而获取可靠的船舶航行状态、环境状态、任务目标等信息，实现既定航行目标下的最佳航行控制决策。多源数据指的是船舶实际航行时传感器的实测数据和控制系统内的计算数据，前者属于高置信度数据，后者属于低置信度数据。将高置信度数据和低置信度数据进行融合，从而对船舶智能操纵方法进行优化。
[0051]
如图4所示，构建多置信度模型分为实时计算和离线计算两部分。每一部分都要将数据融合后的多置信度模型代入运动预报模型中进行训练，从而优化运动预报模型的结构，得到优化后的运动预报模型。其中：
[0052]
步骤41：实时计算是在船舶航行过程中进行的，以航行当前时刻为分界线，获取当前时刻前测量得到的船舶操纵控制参数和船舶操纵状态参数作为历史数据，获取当前时刻后基于运动预报模型和最优估计算法计算得到的船舶操纵控制参数和船舶操纵状态参数作为预报数据；将历史数据和预报数据进行融合，形成多置信度模型，并将多置信度模型代入运动预报模型中进行训练，从而在线优化运动预报模型的结构，多置信度模型的表达式为：
[0053]
[0054]
其中，c为船舶操纵控制参数在完整航程上的序列集合，s为船舶的航速、航向角和艏向角在完整航程上的序列集合，p为船舶的坐标位置在完整航程上的序列集合；上标h和f分别表示历史数据和预报数据。
[0055]
步骤42：离线计算是在船舶航行结束后进行的，获取本次航行时传感器采集到的完整航程上的船舶操纵控制参数和船舶操纵状态参数作为实测数据，获取本次航行时运动预报模型和最优估计算法计算得到的完整航程上的船舶操纵控制参数和船舶操纵状态参数作为计算数据，将实测数据和计算数据进行融合，形成多置信度模型，并将多置信度模型代入运动预报模型中进行训练，从而离线优化运动预报模型的结构，多置信度模型的表达式为：
[0056][0057]
其中，c为船舶操纵控制参数在完整航程上的序列集合，s为船舶的航速、航向角和艏向角在完整航程上的序列集合，p为船舶的坐标位置在完整航程上的序列集合；上标r表示实测数据，e表示计算数据。
[0058]
以上所述的仅是本技术的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。