CN107045803A - 基于滚动规划策略的航海交通管制方法 - Google Patents

基于滚动规划策略的航海交通管制方法 Download PDF

Info

Publication number
CN107045803A
CN107045803A CN201710305962.1A CN201710305962A CN107045803A CN 107045803 A CN107045803 A CN 107045803A CN 201710305962 A CN201710305962 A CN 201710305962A CN 107045803 A CN107045803 A CN 107045803A
Authority
CN
China
Prior art keywords
ship
discrete
track
hidden
collision avoidance
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.)
Withdrawn
Application number
CN201710305962.1A
Other languages
English (en)
Inventor
韩云祥
赵景波
李广军
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201710305962.1A priority Critical patent/CN107045803A/zh
Publication of CN107045803A publication Critical patent/CN107045803A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Ocean & Marine Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于滚动规划策略的航海交通管制方法，包括如下几个步骤，首先通过海面雷达获得船舶的实时和历史位置信息；然后在每一采样时刻，依据船舶的实时和历史位置信息滚动推测未来时段内船舶的轨迹；再而基于船舶当前的运行状态和历史位置观察序列，获取海域风场变量的数值；再而基于各船舶的运行状态和设定的船舶在海域内运行时需满足的安全规则集，对船舶的动态行为实施监控并为海上交通控制中心提供及时的告警信息；当告警信息出现时，在满足船舶物理性能和海域交通规则的前提下，通过设定优化指标函数以及融入风场变量数值，采用自适应控制理论方法对船舶避撞轨迹进行滚动规划，并将规划结果传输给各船舶执行。

Description

基于滚动规划策略的航海交通管制方法
本申请是申请号为：201410844661.2，发明创造名称为《航海交通管制方法》，申请日为：2014年12月30日的发明专利申请的分案申请。
技术领域
本发明涉及一种海域交通管制方法，尤其涉及一种基于滚动规划策略的海域交通管制方法。
背景技术
随着全球航运业的快速发展，部分繁忙海域内的交通愈加拥挤。在船舶交通流密集复杂海域，针对船舶间的冲突情形仍然采用航行计划结合人工间隔调配的管制方式已不能适应航运业的快速发展。为保证船舶间的安全间隔，实施有效的冲突调配就成为海域交通管制工作的重点。船舶冲突解脱是航海领域中的一项关键技术，安全高效的解脱方案对于增加海域船舶流量以及确保海运安全具有重大意义。
为了提高船舶的航行效率，船用雷达自动标绘仪目前已经被广泛应用到船舶监控和避碰中，该设备通过提取船舶相关信息为船舶间冲突情形的判定提供参考依据。尽管此类设备极大降低了人工监控的负荷，但它并不具备船舶自动冲突解脱功能。针对船舶冲突解脱问题，目前的处理方式主要包括几何式确定性算法和启发式智能算法两大类方案，相关文献研究主要集中在无约束条件下两船舶间的冲突避让规划算法并且多以“离线形式”为存在冲突的船舶规划解脱轨迹，由此造成各个船舶解脱轨迹的动态适应性和鲁棒性较差。此外，在船舶实际航行中，受气象条件、导航设备以及驾驶员操作等各种因素的影响，它的运行状态往往不完全属于某一特定的运动状态，在船舶轨迹预测过程中需要考虑各种随机因素的影响，通过获取各类随机因素的最新特性对其未来轨迹实施滚动预测并增强其轨迹预测的鲁棒性。
发明内容
本发明要解决的技术问题是提供一种鲁棒性较好的基于滚动规划策略的航海交通管制方法，该方法的船舶轨迹预测精度较高且可有效防止船舶运行冲突。
实现本发明目的的技术方案是提供一种基于滚动规划策略的航海交通管制方法，包括如下几个步骤：
①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]；
②在每一采样时刻，依据步骤①得到的船舶的实时和历史位置信息滚动推测未来时段内船舶的轨迹，其具体过程如下：
2.1)船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，采用一阶差分方法对其进行处理获取新的船舶离散位置序列△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi(i＝1,2,...,n-1)；
2.2)对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列△x和△y，通过设定聚类个数M'，采用遗传聚类算法分别对其进行聚类；
2.3)在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ'；
2.4)依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；
2.5)在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O；
③在每一采样时刻，基于船舶当前的运行状态和历史位置观察序列，获取海域风场变量的数值；
④在每一采样时刻，基于各船舶的运行状态和设定的船舶在海域内运行时需满足的安全规则集，当船舶间有可能出现违反安全规则的状况时，对其动态行为实施监控并为海上交通控制中心提供及时的告警信息；
⑤当告警信息出现时，在满足船舶物理性能和海域交通规则的前提下，通过设定优化指标函数以及融入风场变量数值，采用自适应控制理论方法对船舶避撞轨迹进行滚动规划，并将规划结果传输给各船舶执行，其具体过程如下：
5.1)设定船舶避撞轨迹规划的终止参考点位置P、避撞策略控制时域Θ、轨迹预测时域W；
5.2)设定在给定优化指标函数的前提下，基于合作式避撞轨迹规划思想，通过给各个船舶赋予不同的权重以及融入实时风场变量滤波数值，得到各个船舶的避撞轨迹和避撞控制策略并将规划结果传输给各船舶执行，且各船舶在滚动规划间隔内仅实施其第一个优化控制策略；
5.3)在下一采样时刻，重复步骤5.2)直至各船舶均到达其解脱终点。
进一步的，所述步骤①中，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]：对于给定的原始二维序列数据x'＝[x1',x2',...,xn']，利用如下形式的线性表达式分别对其进行近似：
其中：
f'(x')表示对数据平滑处理后得到的函数表达式，ψ(x')表示母波，δ、J和K均为小波变换常数，ψJ,K(x')表示母波的转换形式，cJ,K表示由小波变换过程得到的函数系数，它体现了子波ψJ,K(x')对整个函数近似的权重大小，若此系数很小，那么它意味着子波ψJ,K(x')的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波ψJ,K(x')除去；在实际数据处理过程中，通过设定阈值χ来实施“阈值转换”，当cJ,K<χ时，设定cJ,K＝0；阈值函数的选取采用如下两种方式：
和
对于y'＝[y1',y2',...,yn']，也采用上述方法进行去噪处理。
进一步的，所述步骤②中，步骤2.3)中确定航迹隐马尔科夫模型参数λ'＝(π,A,B)的过程如下：
2.3.1)变量赋初值：应用均匀分布给变量πi，aij和bj(ok)赋初值 和并使其满足约束条件：和由此得到λ0＝(π0,A0,B0)，其中ok表示某一显观测值，π0、A0和B0分别是由元素和构成的矩阵，令参数l＝0，o＝(ot-T'+1,...,ot-1,ot)为当前时刻t之前的T'个历史位置观测值；
2.3.2)执行E-M算法：
2.3.2.1)E-步骤：由λl计算ξe(i,j)和γe(si)；
变量那么
其中s表示某一隐状态；
2.3.2.2)M-步骤：运用分别估计πi，aij和bj(ok)并由此得到λl+1；
2.3.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至πi、aij和bj(ok)收敛，即
|P(o|λl+1)-P(o|λl)|<ε，其中参数ε＝0.00001，返回步骤2.3.2.4)；
2.3.2.4)：令λ'＝λl+1，算法结束。
更进一步的，所述步骤②中，步骤2.4)确定船舶航迹最佳隐状态序列的迭代过程如下：
2.4.1)变量赋初值：令g＝2，βT'(si)＝1(si∈S)，δ1(si)＝πibi(o1)，ψ1(si)＝0，其中，
，其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐状态的集合；
2.4.2)递推过程：
2.4.3)时刻更新：令g＝g+1，若g≤T'，返回步骤2.4.2)，否则迭代终止并转到步骤2.4.4)；
2.4.4)转到步骤2.4.5)；
2.4.5)最优隐状态序列获取：
2.4.5.1)变量赋初值：令g＝T'-1；
2.4.5.2)后向递推：
2.4.5.3)时刻更新：令g＝g-1，若g≥1，返回步骤2.4.5.2)，否则终止。
进一步的，所述步骤②中，聚类个数M'的值为4，隐状态数目N的值为3，参数更新时段τ'为30秒，T'为10，预测时域W为300秒。
进一步的，所述步骤③获取海域风场变量的数值的具体过程如下：
3.1)设定船舶的停靠位置为轨迹参考坐标原点并在水平面上建立横坐标轴和纵坐标轴；
3.2)在船舶处于直线运行状态和匀速转弯运行状态时，构建海域风场线性滤波模型x1(t+△t)＝F(t)x1(t)+w(t)和z(t)＝H(t)x1(t)+v(t)获取风场变量数值，其中△t表示采样间隔，x1(t)表示t时刻的状态向量，z(t)表示t时刻的观测向量，且x1(t)＝[x(t),y(t),vx(t),vy(t),wx(t),wy(t)]T，其中x(t)和y(t)分别表示t时刻船舶位置在横坐标轴和纵坐标轴上的分量，vx(t)和vy(t)分别表示t时刻船舶速度在横坐标轴和纵坐标轴上的分量，wx(t)和wy(t)分别表示t时刻风场数值在横坐标轴和纵坐标轴上的分量，F(t)和H(t)分别表示状态转移矩阵和输出测量矩阵，w(t)和v(t)分别表示系统噪声向量和测量噪声向量：
在船舶处于变速转弯运行状态时，构建海域风场非线性滤波模型x1(t+△t)＝Ψ(t,x1(t),u(t))+w(t)、z(t)＝Ω(t,x1(t))+v(t)和u(t)＝[ωa(t),γa(t)]T，其中Ψ(·)和Ω(·)分别表示状态转移矩阵和输出测量矩阵，ωa(t)和γa(t)分别表示转弯率和加速率：
其中：△t表示采样时间间隔，
3.3)根据所构建的滤波模型获取风场变量的数值。
进一步的，所述步骤④中对各船舶的动态行为实施监控并为海上交通控制中心提供及时的告警信息的具体过程如下：
4.1)构造船舶在海域内运行时需满足的安全规则集Dmr(t)≥Dmin，其中Dmr(t)表示任意两个船舶m和船舶r在t时刻的距离，Dmin表示船舶间的最小安全距离；
4.2)依据采样时间，建立由船舶连续运行状态至离散采样状态的观测器Λ:Γ→Ξ，其中Γ表示船舶的连续运行状态，Ξ表示船舶的离散采样状态；
4.3)当船舶m和r的观测器Λm和Λr的离散观测数值Ξm和Ξr在t时刻表明该向量不在安全规则集中时，即关系式Dmr(t)≥Dmin不成立时，立刻向海上交通控制中心发出告警信息。
进一步的，步骤⑤中，步骤5.2)的具体过程是：令
其中表示t时刻船舶R当前所在位置和下一航道点间的距离的平方，
PR(t)＝(xRt,yRt)，那么t时刻船舶R的优先级指数可设定为：
其中Zt表示t时刻海域内存在冲突的船舶数目，由优先级指数的含义可知，船舶距离其下一航道点越近，其优先级越高；
设定优化指标
，其中R∈I(t)表示船舶代码且I(t)＝{1,2,...,Zt}，PR(t+h△t)表示船舶在时刻(t+h△t)的位置向量，表示船舶R的解脱终止点，uR表示待优化的船舶R的最优控制序列，QRt为正定对角矩阵，其对角元素为船舶R在t时刻的优先级指数LRt，并且
进一步的，所述步骤⑤中终止参考点位置P设定为船舶运行的下一个航道点，避撞策略控制时域Θ为300秒；轨迹预测时域W为300秒。
本发明具有积极的效果：(1)本发明在船舶轨迹实时预测的过程中，融入了随机因素的影响，所采用的滚动轨迹预测方案能够及时提取外界随机因素的变化状况，提高了船舶轨迹预测的准确性。
(2)本发明在船舶冲突解脱过程中，融入了海域内风场的影响，所采用的滚动解脱轨迹规划方案能够根据海域内风场的变化及时调整解脱轨迹，提高了船舶冲突解脱的鲁棒性。
(3)本发明基于不同性能指标，可以为存在冲突的多个船舶提供解脱轨迹规划方案，提高船舶运行的经济性和海域资源的利用率。
附图说明
图1为本发明中的船舶运行短期轨迹生成流程示意图；
图2为本发明中的风场滤波方法流程示意图；
图3为本发明中的船舶运行态势监控流程示意图；
图4为本发明中的船舶避撞轨迹优化方法流程示意图。
具体实施方式
(实施例1)
本实施例的基于滚动规划策略的航海交通管制方法包括如下几个步骤：
①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]：对于给定的原始二维序列数据x'＝[x1',x2',...,xn']，利用如下形式的线性表达式分别对其进行近似：
其中：
f'(x')表示对数据平滑处理后得到的函数表达式，ψ(x')表示母波，δ、J和K均为小波变换常数，ψJ,K(x')表示母波的转换形式，cJ,K表示由小波变换过程得到的函数系数，它体现了子波ψJ,K(x')对整个函数近似的权重大小，若此系数很小，那么它意味着子波ψJ,K(x')的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波ψJ,K(x')除去；在实际数据处理过程中，通过设定阈值χ来实施“阈值转换”，当cJ,K<χ时，设定cJ,K＝0；阈值函数的选取采用如下两种方式：
和
对于y'＝[y1',y2',...,yn']，也采用上述方法进行去噪处理。
②在每一采样时刻，依据步骤①得到的船舶的实时和历史位置信息滚动推测未来时段内船舶的轨迹，见图1，其具体过程如下：
2.1)船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，采用一阶差分方法对其进行处理获取新的船舶离散位置序列△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi(i＝1,2,...,n-1)；
2.2)对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列△x和△y，通过设定聚类个数M'，采用遗传聚类算法分别对其进行聚类；
2.3)在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ'；确定航迹隐马尔科夫模型参数λ'＝(π,A,B)的过程如下：
2.3.1)变量赋初值：应用均匀分布给变量πi，aij和bj(ok)赋初值和并使其满足约束条件：和由此得到λ0＝(π0,A0,B0)，其中ok表示某一显观测值，π0、A0和B0分别是由元素和构成的矩阵，令参数l＝0，o＝(ot-T'+1,...,ot-1,ot)为当前时刻t之前的T'个历史位置观测值；
2.3.2)执行E-M算法：
2.3.2.1)E-步骤：由λl计算ξe(i,j)和γe(si)；
变量那么
其中s表示某一隐状态；
2.3.2.2)M-步骤：运用分别估计πi，aij和bj(ok)并由此得到λl+1；
2.3.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至πi、aij和bj(ok)收敛，即
|P(o|λl+1)-P(o|λl)|<ε，其中参数ε＝0.00001，返回步骤2.3.2.4)；
2.3.2.4)：令λ'＝λl+1，算法结束。
2.4)依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；确定船舶航迹最佳隐状态序列的迭代过程如下：
2.4.1)变量赋初值：令g＝2，βT'(si)＝1(si∈S)，δ1(si)＝πibi(o1)，ψ1(si)＝0，其中，
，其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐状态的集合；
2.4.2)递推过程：
2.4.3)时刻更新：令g＝g+1，若g≤T'，返回步骤2.4.2)，否则迭代终止并转到步骤2.4.4)；
2.4.4)转到步骤2.4.5)；
2.4.5)最优隐状态序列获取：
2.4.5.1)变量赋初值：令g＝T'-1；
2.4.5.2)后向递推：
2.4.5.3)时刻更新：令g＝g-1，若g≥1，返回步骤2.4.5.2)，否则终止。
2.5)在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O。
上述聚类个数M'的值为4，隐状态数目N的值为3，参数更新时段τ'为30秒，T'为10，预测时域W为300秒。
③在每一采样时刻，基于船舶当前的运行状态和历史位置观察序列，获取海域风场变量的数值，见图2，其具体过程如下：
3.1)设定船舶的停靠位置为轨迹参考坐标原点并在水平面上建立横坐标轴和纵坐标轴；
3.2)在船舶处于直线运行状态和匀速转弯运行状态时，构建海域风场线性滤波模型x1(t+△t)＝F(t)x1(t)+w(t)和z(t)＝H(t)x1(t)+v(t)获取风场变量数值，其中△t表示采样间隔，x1(t)表示t时刻的状态向量，z(t)表示t时刻的观测向量，且x1(t)＝[x(t),y(t),vx(t),vy(t),wx(t),wy(t)]T，其中x(t)和y(t)分别表示t时刻船舶位置在横坐标轴和纵坐标轴上的分量，vx(t)和vy(t)分别表示t时刻船舶速度在横坐标轴和纵坐标轴上的分量，wx(t)和wy(t)分别表示t时刻风场数值在横坐标轴和纵坐标轴上的分量，F(t)和H(t)分别表示状态转移矩阵和输出测量矩阵，w(t)和v(t)分别表示系统噪声向量和测量噪声向量：
在船舶处于变速转弯运行状态时，构建海域风场非线性滤波模型x1(t+△t)＝Ψ(t,x1(t),u(t))+w(t)、z(t)＝Ω(t,x1(t))+v(t)和u(t)＝[ωa(t),γa(t)]T，其中Ψ(·)和Ω(·)分别表示状态转移矩阵和输出测量矩阵，ωa(t)和γa(t)分别表示转弯率和加速率：
其中：△t表示采样时间间隔，
3.3)根据所构建的滤波模型获取风场变量的数值。
④在每一采样时刻，基于各船舶的运行状态和设定的船舶在海域内运行时需满足的安全规则集，当船舶间有可能出现违反安全规则的状况时，对其动态行为实施监控并为海上交通控制中心提供及时的告警信息，见图3，其具体过程如下：
4.1)构造船舶在海域内运行时需满足的安全规则集Dmr(t)≥Dmin，其中Dmr(t)表示任意两个船舶m和船舶r在t时刻的距离，Dmin表示船舶间的最小安全距离；
4.2)依据采样时间，建立由船舶连续运行状态至离散采样状态的观测器Λ:Γ→Ξ，其中Γ表示船舶的连续运行状态，Ξ表示船舶的离散采样状态；
4.3)当船舶m和r的观测器Λm和Λr的离散观测数值Ξm和Ξr在t时刻表明该向量不在安全规则集中时，即关系式Dmr(t)≥Dmin不成立时，立刻向海上交通控制中心发出告警信息。
⑤当告警信息出现时，在满足船舶物理性能和海域交通规则的前提下，通过设定优化指标函数以及融入风场变量数值，采用自适应控制理论方法对船舶避撞轨迹进行滚动规划，并将规划结果传输给各船舶执行，见图4，其具体过程如下：
5.1)设定船舶避撞轨迹规划的终止参考点位置P、避撞策略控制时域Θ、轨迹预测时域W；
5.2)设定在给定优化指标函数的前提下，基于合作式避撞轨迹规划思想，通过给各个船舶赋予不同的权重以及融入实时风场变量滤波数值，得到各个船舶的避撞轨迹和避撞控制策略并将规划结果传输给各船舶执行，且各船舶在滚动规划间隔内仅实施其第一个优化控制策略：令
其中表示t时刻船舶R当前所在位置和下一航道点间的距离的平方，PR(t)＝(xRt,yRt)，那么t时刻船舶R的优先级指数可设定为：
其中Zt表示t时刻海域内存在冲突的船舶数目，由优先级指数的含义可知，船舶距离其下一航道点越近，其优先级越高；
设定优化指标
，其中R∈I(t)表示船舶代码且I(t)＝{1,2,...,Zt}，PR(t+h△t)表示船舶在时刻(t+h△t)的位置向量，表示船舶R的解脱终止点，uR表示待优化的船舶R的最优控制序列，QRt为正定对角矩阵，其对角元素为船舶R在t时刻的优先级指数LRt，并且
5.3)在下一采样时刻，重复步骤5.2)直至各船舶均到达其解脱终点。
上述终止参考点位置P设定为船舶运行的下一个航道点，避撞策略控制时域Θ为300秒；轨迹预测时域W为300秒。
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (1)

1.一种基于滚动规划策略的航海交通管制方法，其特征在于包括如下几个步骤：
①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]；
②在每一采样时刻，依据步骤①得到的船舶的实时和历史位置信息滚动推测未来时段内船舶的轨迹，其具体过程如下：
2.1)船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，采用一阶差分方法对其进行处理获取新的船舶离散位置序列△x＝[△x1,△x2,...,△xn-1]和△y＝[△y1,△y2,...,△yn-1]，其中△xi＝xi+1-xi,△yi＝yi+1-yi(i＝1,2,...,n-1)；
2.2)对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列△x和△y，通过设定聚类个数M'，采用遗传聚类算法分别对其进行聚类；
2.3)在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ'；
2.4)依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q；
2.5)在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O；
③在每一采样时刻，基于船舶当前的运行状态和历史位置观察序列，获取海域风场变量的数值；
④在每一采样时刻，基于各船舶的运行状态和设定的船舶在海域内运行时需满足的安全规则集，当船舶间有可能出现违反安全规则的状况时，对其动态行为实施监控并为海上交通控制中心提供及时的告警信息；
⑤当告警信息出现时，在满足船舶物理性能和海域交通规则的前提下，通过设定优化指标函数以及融入风场变量数值，采用自适应控制理论方法对船舶避撞轨迹进行滚动规划，并将规划结果传输给各船舶执行，其具体过程如下：
5.1)设定船舶避撞轨迹规划的终止参考点位置P、避撞策略控制时域Θ、轨迹预测时域W；
5.2)设定在给定优化指标函数的前提下，基于合作式避撞轨迹规划思想，通过给各个船舶赋予不同的权重以及融入实时风场变量滤波数值，得到各个船舶的避撞轨迹和避撞控制策略并将规划结果传输给各船舶执行，且各船舶在滚动规划间隔内仅实施其第一个优化控制策略；
5.3)在下一采样时刻，重复步骤5.2)直至各船舶均到达其解脱终点；
所述步骤①中，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]：对于给定的原始二维序列数据x'＝[x1',x2',...,xn']，利用如下形式的线性表达式分别对其进行近似：
其中：
f'(x')表示对数据平滑处理后得到的函数表达式，ψ(x')表示母波，δ、J和K均为小波变换常数，ψJ,K(x')表示母波的转换形式，cJ,K表示由小波变换过程得到的函数系数，它体现了子波ψJ,K(x')对整个函数近似的权重大小，若此系数很小，那么它意味着子波ψJ,K(x')的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波ψJ,K(x')除去；在实际数据处理过程中，通过设定阈值χ来实施“阈值转换”，当cJ,K<χ时，设定cJ,K＝0；阈值函数的选取采用如下两种方式：
和
对于y'＝[y1',y2',...,yn']，也采用上述方法进行去噪处理；
所述步骤②中，步骤2.4)确定船舶航迹最佳隐状态序列的迭代过程如下：
2.4.1)变量赋初值：令g＝2，βT'(si)＝1(si∈S)，δ1(si)＝πibi(o1)，ψ1(si)＝0，其中，
其中变量ψg(sj)表示使变量δg-1(si)aij取最大值的船舶航迹隐状态si，参数S表示隐状态的集合；
2.4.2)递推过程：
2.4.3)时刻更新：令g＝g+1，若g≤T'，返回步骤2.4.2)，否则迭代终止并转到步骤2.4.4)；
2.4.4)转到步骤2.4.5)；
2.4.5)最优隐状态序列获取：
2.4.5.1)变量赋初值：令g＝T'-1；
2.4.5.2)后向递推：
2.4.5.3)时刻更新：令g＝g-1，若g≥1，返回步骤2.4.5.2)，否则终止；
所述步骤④中对各船舶的动态行为实施监控并为海上交通控制中心提供及时的告警信息的具体过程如下：
4.1)构造船舶在海域内运行时需满足的安全规则集Dmr(t)≥Dmin，其中Dmr(t)表示任意两个船舶m和船舶r在t时刻的距离，Dmin表示船舶间的最小安全距离；
4.2)依据采样时间，建立由船舶连续运行状态至离散采样状态的观测器Λ:Γ→Ξ，其中Γ表示船舶的连续运行状态，Ξ表示船舶的离散采样状态；
4.3)当船舶m和r的观测器Λm和Λr的离散观测数值Ξm和Ξr在t时刻表明该向量不在安全规则集中时，即关系式Dmr(t)≥Dmin不成立时，立刻向海上交通控制中心发出告警信息。
CN201710305962.1A 2014-12-30 2014-12-30 基于滚动规划策略的航海交通管制方法 Withdrawn CN107045803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710305962.1A CN107045803A (zh) 2014-12-30 2014-12-30 基于滚动规划策略的航海交通管制方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710305962.1A CN107045803A (zh) 2014-12-30 2014-12-30 基于滚动规划策略的航海交通管制方法
CN201410844661.2A CN104504935B (zh) 2014-12-30 2014-12-30 航海交通管制方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201410844661.2A Division CN104504935B (zh) 2014-12-30 2014-12-30 航海交通管制方法

Publications (1)

Publication Number Publication Date
CN107045803A true CN107045803A (zh) 2017-08-15

Family

ID=52946551

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201410844661.2A Active CN104504935B (zh) 2014-12-30 2014-12-30 航海交通管制方法
CN201710305962.1A Withdrawn CN107045803A (zh) 2014-12-30 2014-12-30 基于滚动规划策略的航海交通管制方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201410844661.2A Active CN104504935B (zh) 2014-12-30 2014-12-30 航海交通管制方法

Country Status (1)

Country Link
CN (2) CN104504935B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116429119A (zh) * 2023-06-15 2023-07-14 交通运输部水运科学研究所 一种基于大数据的船舶虚假定位信息的识别方法及系统
EP4432263A1 (en) * 2023-03-17 2024-09-18 Abb Schweiz Ag A method for determining a trajectory for a marine vessel under environmental disturbance

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726355B (zh) * 2019-01-04 2022-11-25 重庆邮电大学 一种基于向量插值的船舶轨迹修复方法
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
CN110210537B (zh) * 2019-05-22 2021-06-25 中国电子科技集团公司第二十八研究所 一种基于无监督聚类的船舶历史航迹规律提取方法
CN111260961B (zh) * 2020-01-17 2021-04-02 中国水产科学研究院东海水产研究所 一种渔船异地停靠信息提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4438325B4 (de) * 1994-10-27 2008-05-29 Eads Astrium Gmbh Verfahren zur Überwachung des Schiffsverkehrs auf See mit Erkennung von Ölverschmutzungen und potentiellen Schiffskollisionen
KR100981990B1 (ko) * 2008-11-18 2010-09-14 에스티엑스조선해양 주식회사 부표를 이용한 연안 선박의 위치 및 궤적 추정을 통한 안전관제장치 및 그 방법
CN103106812A (zh) * 2013-01-17 2013-05-15 中华人民共和国深圳海事局 一种获取海上船舶系统平均碰撞风险的方法
CN103559808A (zh) * 2013-11-19 2014-02-05 上海海洋大学 一种基于3g的近海海域船舶交通监控及预警系统
CN104091470B (zh) * 2014-07-15 2016-05-11 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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4432263A1 (en) * 2023-03-17 2024-09-18 Abb Schweiz Ag A method for determining a trajectory for a marine vessel under environmental disturbance
CN116429119A (zh) * 2023-06-15 2023-07-14 交通运输部水运科学研究所 一种基于大数据的船舶虚假定位信息的识别方法及系统
CN116429119B (zh) * 2023-06-15 2023-08-22 交通运输部水运科学研究所 一种基于大数据的船舶虚假定位信息的识别方法及系统

Also Published As

Publication number Publication date
CN104504935B (zh) 2017-04-12
CN104504935A (zh) 2015-04-08

Similar Documents

Publication Publication Date Title
CN104462856B (zh) 船舶冲突预警方法
CN104484726B (zh) 船舶轨迹实时预测方法
CN104537891B (zh) 一种船舶轨迹实时预测方法
CN104504935B (zh) 航海交通管制方法
CN104504934B (zh) 一种航海交通管制方法
CN108182342A (zh) 一种基于滚动规划策略的船舶冲突预警方法
CN106199581B (zh) 一种随机集理论下的多机动目标跟踪方法
CN110470306A (zh) 一种可保证连通性约束的基于深度强化学习的多机器人编队导航方法
CN106571067A (zh) 基于滚动规划策略的船舶冲突解脱的规划方法
CN117474168A (zh) 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置
CN117032247A (zh) 海上救援搜索路径规划方法、装置及设备
CN115130523A (zh) 基于隐马尔可夫模型的飞行目标行为意图预测方法
CN114326826A (zh) 多无人机队形变换方法及系统
CN112926729B (zh) 人机对抗智能体策略制定方法
Zhang et al. Multi-task decomposition architecture based deep reinforcement learning for obstacle avoidance
He et al. Towards the Deep Learning-Based Autonomous Collision Avoidance
CN116118772A (zh) 考虑不确定性的自动驾驶强化学习运动规划方法和系统
CN117131940A (zh) 一种面向水面无人艇的态势推理方法
CN116382285A (zh) 基于态势信息的对抗环境下多无人艇区域巡逻方法及系统
Matsumoto et al. Learning method by sharing activity logs in multiagent environment
CN116384610A (zh) 基于深度图像和强化学习的无人机导航与避障方法
CN117173210A (zh) 一种基于有向图切换的变结构多模型目标跟踪方法
CN117968703A (zh) 基于鸟瞰视角时空对比强化学习的自主导航方法
CN117115731A (zh) 建筑施工用粉尘屏蔽系统及其方法
Matsumoto et al. Learning Method by Sharing Activity Histories in Multiagent Environment

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170815