CN109916405A - Dubins算法和神经网络算法融合的航迹规划方法 - Google Patents

Abstract

本发明涉及一种Dubins算法和神经网络算法融合的航迹规划方法。该方法包括：S1、获取船舶起止状态参数；S2、基于船舶起止状态参数，采用Dubins路径规划方法，获得dubins规划路径；S3、基于船舶起止状态参数，构建含障碍物区信息的路径规划神经网络；S4、将圆弧路径一与直线路径的交点为神经网络路径规划的起点，直线路径与圆弧路径二的交点为神经网络路径规划的止点，采用构建的路径规划神经网络，获得避开障碍物区的起点到止点的折线路径；S5、输出融合dubins算法和神经网络算法的规划路径。上述方法考虑到大型船舶运动状态，通过dubins和神经网络算法的融合，实现了船舶航迹规划的最优化。

Description

Dubins算法和神经网络算法融合的航迹规划方法

技术领域

本发明属于无人驾驶船舶航行控制领域，尤其涉及一种Dubins算法和神经网络算法融合的航迹规划方法。

背景技术

船舶航迹规划是指船舶能够根据航行环境在保证安全的前提下，通过避开各种动态或静态的碍航物，自主规划出一条最优路径，即最短路径。

目前，现有的船舶航迹规划算法大多是针对小型无人艇、无人船使用，只考虑船舶的起始和目标点的坐标位置，而不考虑船舶的转向问题，虽然规划的路径响应速度快，控制精度高，但是，并不适用于大型无人船舶路径规划。由于大型无人船舶具有反应迟缓、冲程大和转弯半径大的特点，大型无人船舶在航迹规划时需考虑到船舶的运动学约束，如旋回半径、船舶方向等。采用现有的船舶航迹规划算法，在起始和目标点再调整船向不仅增加控制难度而且可能会受到种种限制。船舶运动规划已经不仅仅是在位置坐标(例如电子海图)上进行路径规划，现有的船舶航迹规划算法基于随机采样的方法虽然概率完备但结果却不最优的。

因此，需要一种考虑到大型船舶运动状态，并在船舶的位姿空间中搜索合适的运动轨迹及其运动状态，实现航迹规划最优化的方法。

发明内容

(一)发明目的

本发明基于目前应用广泛的神经网络然后结合dubins路径解决船舶在目标点和起始点的船身运动状态的影响，实现船舶航迹规划的最优化。

(二)技术方案

为了达到上述目的，本发明一种Dubins算法和神经网络算法融合的航迹规划方法，包括：

S1、获取船舶起止状态参数；

所述起止状态参数包括：船舶起始点的位置坐标、船舶艏向，船舶目标点的位置坐标、船舶艏向，船舶速度以及船舶航行环境；所述船舶航行环境包括船舶起始点到目标点的航海海域以及航海海域内的障碍物；

S2、基于船舶起止状态参数，采用Dubins路径规划方法，获得dubins规划路径；所述dubins规划路径依次为圆弧路径一、直线路径、圆弧路径二；

S3、基于船舶起止状态参数，构建含障碍物区信息的路径规划神经网络；

S4、将圆弧路径一与直线路径的交点为神经网络路径规划的起点，直线路径与圆弧路径二的交点为神经网络路径规划的止点，采用构建的路径规划神经网络，获得避开障碍物区的起点到止点的折线路径；

S5、输出融合dubins算法和神经网络算法的规划路径；所述规划路径依次为圆弧路径一、折线路径、圆弧路径二。

所述步骤S1包括：

根据船舶的感知模块获取船舶起始点的位置坐标、船舶艏向、船舶速度以及船舶障碍物区域；根据航行任务指令获取目标点的位置坐标、船舶艏向以及船舶障碍物区域；

将船舶的起止状态参数输入到航行控制器，获得初始化后的起止状态参数。

所述步骤S2包括：

S2a、根据船舶速度获得船舶最大转向半径R_v；

船舶最大转向半径R_v＝船舶当前速度/船舶最大角速度；

S2b、根据船舶最大转向半径R_v，以及起始点和目标点的位置，获得船舶起始点的起始圆、船舶目标点的终止圆；

S2c、根据起始圆和终止圆，采用距离最短的原则获得dubins路径规划中的圆弧路径一、直线路径以及圆弧路径二；

其中，直线路径为从起始圆到终止圆的最短直线路径，圆弧路径一为起始圆中从起始点到起始圆与直线路径的交点的圆弧路径，圆弧路径二为直线路径与终止圆的交点到目标点的圆弧路径。

所述步骤S2a还包括：

根据船舶起始点的位置坐标、船舶目标点的位置坐标、船舶航行环境判断获得的船舶最大转向半径是否在航行海域内，若否，则降低获得的船舶最大转向半径值，直至最大转向半径在航行海域内。

所述步骤S2b包括：

S2b1、根据当前船舶状态矢量s＝(x，y，cosθ，sinθ，v)′获得船舶起始圆、终止圆的圆心位置；

S2b2、根据起始圆圆心A、终止圆圆心B的位置以及船舶速度方向向量获得起始圆、终止圆的方向；

S2b3、根据船舶最大转向半径R_v、起始圆圆心A、终止圆圆心B获得起始圆和目标圆。

所述步骤S2b1包括：

根据公式一获得船舶起始圆的圆心A的位置；

公式一：

其中，为从起始圆圆心A到当前船舶位置点P的方向向量，为从起始点O到起始圆圆心A的方向向量；θ为船舶的方向，τ为矩阵的转置，v为船舶速度；(x，y)为当前船舶位置点P坐标；

根据公式二获得船舶终止圆的圆心B的位置；

公式二：

其中，为从终止圆圆心B到当前船舶位置点P的方向向量，为从目标点D到终止圆圆心B的方向向量。

所述步骤S2b2包括：

若起始圆圆心A的位置则起始圆为逆时针转向，若否，则为顺时针转向；

若终止圆圆心B的位置则终止圆为逆时针转向，若否，则为顺时针转向；

其中，v_dire为船舶速度方向向量。

所述步骤S3包括：

S3a、构建神经网络模型：

神经网络的计算关系：

其中，θ_T为神经网络中输出节点的偏置，θ_T＝障碍物顶点总数-0.5，C为节点顶层输出；I_o为顶层节点输入；O_Hm为隐藏层节点输出；I_Hm为隐藏层第m个节点的输入；w_xm,w_ym是第m个不等式限制条件的系数；θ_Hm为第m个不等式限制条件的常数值。

S3b、基于船舶航行环境，构建障碍物描述方程，将符合障碍物描述方程点的集合设为障碍物区；

障碍物描述方程：

其中，(u,v)为船舶航行环境中障碍物的坐标；

S3c、获取整条规划路径的能量E：

E＝w_lE_l+w_cE_c；

其中，E_l为距离函数，E_c为碰撞罚函数；

所述步骤S4包括：

S4a、获取神经网络路径规划的起点和止点；

神经网络路径规划的起点为圆弧路径一与为直线路径的交点；

止点为直线路径与圆弧路径二的交点；

S4b、获取起点和止点之间的连线上均匀分布的所有路径点；

S4c、设置迭代次数，对每一个路径点进行迭代更新，按总能量函数减小的方向移动原则以及避开障碍物区原则，对所有的路径点进行更新，获得避开障碍物区的起点到止点的最短路径。

所述步骤S4c包括：

S4c1、获取预先设置的总迭代次数；

S4c2、获取任一路径点设为当前状态更新点；

S4c3、判断当前状态更新点是否在障碍物区，若是，则执行路径点更新公式一，若否，则执行路径点更新公式二；

路径点更新公式一：

其中，

为状态更新后的路径点；

路径点更新公式二：

S4c4、当前迭代次数加1，判断是否满足条件：当前迭代次数≥总迭代次数；若是则执行步骤S4c5，若否，则返回步骤S4c3；

S4c5、获取迭代后和迭代前的最短路径差d：

其中，p为当前总迭代的次数；

S4c6、判断最短路径差d是否小于或等于预设阈值，若是，则输出经迭代获得的折线路径，若否，则将当前迭代次数设为1并返回步骤S4c3。

(三)有益效果

本发明的有益效果是：通过dubins和神经网络算法的融合，实现了船舶航迹规划的最优化。根据大型无人船舶反应迟缓、冲程大和转弯半径大的特点，考虑到船舶的运动学约束，在包含运动状态的位姿空间中搜索合适的运动轨迹及其运动状态，规划出的航行路线安全性高、可靠性高且能保证航行的最大经济化。

附图说明

图1为本发明一种Dubins算法和神经网络算法融合的航迹规划方法示意图；

图2为本发明一种Dubins算法和神经网络算法融合的航迹规划方法仿真结果示意图；

图3为本发明一种Dubins算法和神经网络算法融合的航迹规划方法流程图。

具体实施方式

为了更好的解释本发明，以便于理解，下面通过具体实施方式，对本发明作详细描述。

如图1所示，本实施例提供一种Dubins算法和神经网络算法融合的航迹规划方法，具体地，包括下述步骤：

S1、获取船舶起止状态参数；

所述起止状态参数包括：船舶起始点的位置坐标、船舶艏向，船舶目标点的位置坐标、船舶艏向，船舶速度以及船舶航行环境；所述船舶航行环境包括船舶起始点到目标点的航海海域以及航海海域内的障碍物。

获得船舶起止状态：根据船舶的感知模块获取船舶起始点的位置坐标、船舶艏向、船舶速度以及船舶障碍物区域；根据航行任务指令获取目标点的位置坐标、船舶艏向以及船舶障碍物区域；障碍物区域即含有障碍物的区域。

参数初始化：将船舶的起止状态参数输入到航行控制器，获得初始化后的起止状态参数。

S2、基于船舶起止状态参数，采用Dubins路径规划方法，获得dubins规划路径。

所述dubins规划路径依次为圆弧路径一、直线路径、圆弧路径二。

基于dubins算法根据船舶速度和航行环境生成起始点和目标点的转向圆，并根据两圆之间的公切线规划出一段由两段圆弧和一条直线组成的航行路线。圆弧路径一为基于dubins算法获得的起始点的转向圆中的一段路径，圆弧路径二为目标点的转向圆中一段路径。直线路径为基于dubins算法起始点的转向圆和目标点的转向圆之间的直线规迹，并根据距离最短的原则选择的最优路径，在实际应用中，直线路径可以是起始点的转向圆和目标点的转向圆的公切线。直线路径的起点为起始点的转向圆与公切线的切点，直线路径的止点为目标点的转向圆与公切线的切点。

S2a、根据船舶速度获得船舶最大转向半径R_v。

根据船舶速度和船舶航行环境生成船舶最大转向半径，所述船舶最大转向半径为起始点和目标点的最大转向半径：

船舶最大转向半径R_v＝船舶当前速度/船舶最大角速度；

同时，确定船舶最大转向半径是否在航行海域内，如果不在的话依比例缩小半径的取值。

根据船舶起始点的位置坐标、船舶目标点的位置坐标、船舶航行环境判断获得的船舶最大转向半径是否在航行海域内，若否，则降低获得的船舶最大转向半径值，直至最大转向半径在航行海域内。

S2b、根据船舶最大转向半径R_v，以及起始点和目标点的位置，获得船舶起始点的起始圆，船舶目标点的终止圆。

船舶转向圆是Dubins路径的一部分。转向圆包括起始圆和终止圆。Dubins路径中，起始圆为以船舶的起始点为切点，以最大转向半径R_v，为半径，形成的转向圆。同样地，终止圆为以船舶目标点为切点，以最大转向半径R_v为半径，形成的转向圆。具体地，包括以下步骤：

S2b1、根据当前船舶状态矢量s＝(x，y，cosθ，sinθ，v)′，获得船舶起始圆、终止圆的的位置。

对于起始圆圆心A，由于因此，圆心A坐标计算公式如下：

公式一：

其中，为从转向圆圆心点A到船舶位置点P的方向向量；v_dire为船舶速度方向向量；为从起始点O到转向圆圆心点A的方向向量；为从起始点O到船舶位置点P的方向向量；

船舶状态矢量s＝(x，y，cosθ，sinθ，v)′包括当前船舶坐标p(x，y)、船舶速度方向向量v_dire＝(cosθ，sinθ)′，v为船舶速度，θ为船舶的方向。

其中，±(-sinθ，cosθ)为±(-sinθ，cosθ)矩阵的转置。同样的(x，y，cosθ，sinθ，v)′为(x，y，cosθ，sinθ，v)矩阵的转置。

同样的，可采用公式二获得船舶终止圆的圆心B的位置。

公式二：

其中，为从终止圆圆心B到当前船舶位置点P的方向向量，为从目标点D到终止圆圆心B的方向向量。

如图2所示，图中，O为起始点，D为目标点。经步骤S2b1，获得起始点的两个起始圆圆心A1、A2，以及目标点的两个终止圆圆心B1、B2。

S2b2、根据起始圆圆心A、终止圆圆心B的位置以及船舶速度方向向量获得起始圆、终止圆的方向。

对于起始圆，若则转向圆为逆时针转向，若否，则为顺时针转向。

同样地，对于终止圆，若终止圆圆心B的位置则终止圆为逆时针转向，若否，则为顺时针转向。

转向圆可以有两种选择。按右手法则，逆时针转向标记为↑，顺时针标记为↓。例如，B1↑为终止圆为逆时针转向。

S2b3、根据船舶最大转向半径R_v、起始圆圆心A、终止圆圆心B获得起始圆和目标圆。

以船舶最大转向半径R_v为半径，根据起始圆的圆心的位置以及方向获得起始圆；

以船舶最大转向半径R_v为半径，根据终止圆的圆心的位置以及方向获得终止圆。

参考图2所示，图中四个圆为四个转向圆。起始圆为以起始点O为切点，以最大转向半径R_v为半径，形成的两个转向圆。终止圆以目标点B为切点，以最大转向半径R_v为半径，形成的两个转向圆。

S2c、根据起始圆和终止圆，采用距离最短的原则获得dubins路径规划中圆弧路径一、直线路径以及圆弧路径二。

根据起始圆和终止圆，获得从起始圆到终止圆的最短直线路径。

本实施例中，直线路径采用起始圆和终止圆的公切线方法获取。

根据起始圆和终止圆，获得起始圆终止圆的公切线。

公切线是dubins路径中直线组成部分的来源，主要是根据四个起始圆、终止圆的位置关系以及船舶状态航行轨迹规划出不大于四条的直线规迹，并根据距离最短的原则选择最优路径，如图2中的虚线O1D1。

根据获取的直线路径，获得dubins规划路径中的圆弧路径一、直线路径以及圆弧路径二。

圆弧路径一：起始圆中，按起始圆的方向，从起点O到起始圆终止圆公切线与起始圆的切点O1的圆弧路径；

直线路径：起始圆切点O1到终止圆切点D1的直线路径。

圆弧路径二：终止圆中，按终止圆的方向，从起始圆终止圆公切线与终止圆的切点D1到目标点D的圆弧路径。

S3、基于船舶起止状态参数，构建含障碍物区信息的路径规划神经网络。

S3a、构建神经网络模型：

神经网络的计算关系：

其中，θ_T为神经网络中输出节点的偏置，θ_T＝障碍物顶点总数-0.5，C为节点顶层输出；I_o为顶层节点输入；O_Hm为隐藏层节点输出；I_Hm为隐藏层第m个节点的输入；w_xm,w_ym是第m个不等式限制条件的系数；θ_Hm为第m个不等式限制条件的常数值。

S3b、基于船舶航行环境，构建障碍物描述方程，将符合障碍物描述方程点的集合设为障碍物区；

障碍物描述方程：

其中，(u,v)为船舶航行环境中障碍物的坐标。

S3c、获取整条规划路径的能量E。

神经网络的激发函数为：

其中，T为模拟退火算法中的“温度”，

T₀为初始时刻的“温度”，t为时间。

因此，整条规划路径的能量E为：

E＝w_lE_l+w_cE_c；

其中，E_l为距离函数，E_c为碰撞罚函数；

S4、将圆弧路径一与直线路径的交点为神经网络路径规划的起点，直线路径与圆弧路径二的交点为神经网络路径规划的止点，采用构建的路径规划神经网络，获得避开障碍物区的起点到止点的折线路径。

S4a、获取神经网络路径规划的起点和止点。

神经网络路径规划的起点为圆弧路径一与直线路径的交点；止点为直线路径与圆弧路径二的交点。

本实施例中，神经网络路径规划的起点为起始圆终止圆公切线与起始圆的切点；止点为起始圆终止圆公切线与终止圆的切点。

S4b、获取起点和止点之间的连线上均匀分布的所有路径点。

初始化路径点，初始化时，路径点均在起点和终点连线上均匀分布，假设点的位置为：

y_i＝(y_N-y₁)(x_i-x₁)/(x_N-x₁)+y₀，(i＝2,3,4,...,N-1)。

S4c、设置迭代次数，对每一个路径点进行迭代更新，按总能量函数减小的方向移动原则以及避开障碍物区原则，对所有的路径点进行更新，获得避开障碍物区的起点到止点的最短路径。

参考图3所示，本步骤包括：

S4c1、获取预先设置的总迭代次数。

S4c2、获取任一路径点设为当前状态更新点。

S4c3、判断当前状态更新点是否在障碍物区，若是，则执行路径点更新公式一，若否，则执行路径点更新公式二；

判断当前状态更新点是否在障碍物区，根据判断结果，状态更新障碍区内部或者外部的点。

对于在障碍物内部的点，其状态更新方程为：

路径点更新公式一：

其中，

为状态更新后的路径点；

对于在障碍物外部的点，其状态更新方程为：

路径点更新公式二：

S4c4、当前迭代次数加1，判断是否满足条件：当前迭代次数≥总迭代次数；若是则执行步骤S4c5，若否，则返回步骤S4c3；

将当前迭代次数值加1，根据预设的迭代次数进行迭代计算。例如，当前迭代的次数为p，则此时的路径点为：

x_i(t+p)和y_i(t+p)，(i＝2,3,4,...,N-1)；

判断是否满足条件：当前迭代次数≥总迭代次数。

将当前迭代次数值与设定的总迭代次数值进行比较，若当前迭代次数<总迭代次数，则返回步骤S4c3继续进行迭代计算，直到当前迭代次数＝总迭代次数。

S4c5、获取迭代后和迭代前的最短路径差d。

计算t时刻和t+p时刻的最短路径差：

其中，p为当前总迭代的次数。

S4c6、判断最短路径差d是否小于或等于预设阈值，若是，则输出经迭代获得的路径，若否，则将当前迭代次数设为1并返回步骤S4c3。

判断最短路径差值d是否小于预设阈值ε，将d跟预先设置的阈值ε进行比较，如果d≤ε，则认为收敛性满足要求，输出经过迭代获得的折线路径，停止迭代。如图2中的折线线段。

如果d＞ε，将当前迭代次数值置1，返回步骤S4c3，重新进行迭代，直到d≤ε。

S5、输出融合dubins算法和神经网络算法的规划路径；所述规划路径依次为圆弧路径一、折线路径、圆弧路径二

输出神经网络算法规划出的避开障碍物的最短路径以及dubins算法规划的两段圆弧路径，将三段路径合并输出：

圆弧路径一：船舶起始点到起始圆终止圆公切线与起始圆的切点的起始圆的圆弧路径；

路径二：步骤S4获得的避开障碍物区的起点到止点的最短路径；

路径三：起始圆终止圆公切线与终止圆的切点到目标点的终止圆的圆弧路径。

通过dubins算法规划船舶航行路径，规划出的圆弧路径考虑无人船的运动学约束，如旋回半径、船舶方向等，在包含运动状态的位姿空间中搜索合适的运动轨迹及其运动状态，因此，dubins算法规划的圆弧路径主要作为船舶起始点和目标点实现船舶的转向。

考虑到船舶的运动学约束，本算法中，神经网络算法采用的是将dubins算法规划出的两个圆弧与直线的公切点作为神经网络算法规划路径的起止点，获得避开障碍物区的起点到止点的折线路径。在神经网络算法中，路径点的总能量是由碰撞罚函数和距离函数两部分的和构成，而路径是由连接出发点位置到目标点位置的直线上均匀分布的点序列开始，按使总能量函数减小的方向移动，所有它得到的一般是无碰撞的且尽可能短的可行路径。

通过dubins和神经网络算法的有机结合，无缝衔接，实现了船舶航迹规划的最优化。根据大型无人船舶反应迟缓、冲程大和转弯半径大的特点，考虑到船舶的运动学约束，在包含运动状态的位姿空间中搜索合适的运动轨迹及其运动状态，规划出的航行路线安全性高、可靠性高且能保证航行的最大经济化。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种Dubins算法和神经网络算法融合的航迹规划方法，其特征在于，所述方法包括：

S1、获取船舶起止状态参数；

所述起止状态参数包括：船舶起始点的位置坐标、船舶艏向，船舶目标点的位置坐标、船舶艏向，船舶速度以及船舶航行环境；所述船舶航行环境包括船舶起始点到目标点的航海海域以及航海海域内的障碍物；

S2、基于船舶起止状态参数，采用Dubins路径规划方法，获得dubins规划路径；所述dubins规划路径依次为圆弧路径一、直线路径、圆弧路径二；

S3、基于船舶起止状态参数，构建含障碍物区信息的路径规划神经网络；

S4、将圆弧路径一与直线路径的交点为神经网络路径规划的起点，直线路径与圆弧路径二的交点为神经网络路径规划的止点，采用构建的路径规划神经网络，获得避开障碍物区的起点到止点的折线路径；

S5、输出融合dubins算法和神经网络算法的规划路径；所述规划路径依次为圆弧路径一、折线路径、圆弧路径二。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

根据船舶的感知模块获取船舶起始点的位置坐标、船舶艏向、船舶速度以及船舶障碍物区域；根据航行任务指令获取目标点的位置坐标、船舶艏向以及船舶障碍物区域；

将船舶的起止状态参数输入到航行控制器，获得初始化后的起止状态参数。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

S2a、根据船舶速度获得船舶最大转向半径R_v；

船舶最大转向半径R_v＝船舶当前速度/船舶最大角速度；

S2b、根据船舶最大转向半径R_v，以及起始点和目标点的位置，获得船舶起始点的起始圆、船舶目标点的终止圆；

S2c、根据起始圆和终止圆，采用距离最短的原则获得dubins路径规划中的圆弧路径一、直线路径以及圆弧路径二；

其中，直线路径为从起始圆到终止圆的最短直线路径，圆弧路径一为起始圆中从起始点到起始圆与直线路径的交点的圆弧路径，圆弧路径二为直线路径与终止圆的交点到目标点的圆弧路径。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2a还包括：

根据船舶起始点的位置坐标、船舶目标点的位置坐标、船舶航行环境判断获得的船舶最大转向半径是否在航行海域内，若否，则降低获得的船舶最大转向半径值，直至最大转向半径在航行海域内。

5.根据权利要求3所述的方法，其特征在于，所述步骤S2b包括：

S2b1、根据当前船舶状态矢量s＝(x,y,cosθ,sinθ,v)′获得船舶起始圆、终止圆的圆心位置；

S2b2、根据起始圆圆心A、终止圆圆心B的位置以及船舶速度方向向量获得起始圆、终止圆的方向；

S2b3、根据船舶最大转向半径R_v、起始圆圆心A、终止圆圆心B获得起始圆和目标圆。

6.根据权利要求5所述的方法，其特征在于，所述步骤S2b1包括：

根据公式一获得船舶起始圆的圆心A的位置；

公式一：

其中，为从起始圆圆心A到当前船舶位置点P的方向向量，为从起始点O到起始圆圆心A的方向向量；θ为船舶的方向，v为船舶速度；(x,y)为当前船舶位置点P坐标；

根据公式二获得船舶终止圆的圆心B的位置；

公式二：

其中，为从终止圆圆心B到当前船舶位置点P的方向向量，为从目标点D到终止圆圆心B的方向向量。

7.根据权利要求3所述的方法，其特征在于，所述步骤S2b2包括：

若起始圆圆心A的位置则起始圆为逆时针转向，若否，则为顺时针转向；

若终止圆圆心B的位置则终止圆为逆时针转向，若否，则为顺时针转向；

其中，v_dire为船舶速度方向向量。

8.根据权利要求2所述的方法，其特征在于，所述步骤S3包括：

S3a、构建神经网络模型：

神经网络的计算关系：

其中，θ_T为神经网络中输出节点的偏置，θ_T＝障碍物顶点总数-0.5，C为节点顶层输出；I_o为顶层节点输入；O_Hm为隐藏层节点输出；I_Hm为隐藏层第m个节点的输入；w_xm,w_ym是第m个不等式限制条件的系数；θ_Hm为第m个不等式限制条件的常数值。

S3b、基于船舶航行环境，构建障碍物描述方程，将符合障碍物描述方程点的集合设为障碍物区；

障碍物描述方程：

u-0.2＞0,

-u+1.4＞0,

v-0.2＞0,

-v+1＞0,

其中，(u,v)为船舶航行环境中障碍物的坐标；

S3c、获取整条规划路径的能量E：

E＝w_lE_l+w_cE_c；

其中，E_l为距离函数，E_c为碰撞罚函数；

9.根据权利要求8所述的方法，其特征在于，所述步骤S4包括：

S4a、获取神经网络路径规划的起点和止点；

神经网络路径规划的起点为圆弧路径一与直线路径的交点；

止点为直线路径与圆弧路径二的交点；

S4b、获取起点和止点之间的连线上均匀分布的所有路径点；

S4c、设置迭代次数，对每一个路径点进行迭代更新，按总能量函数减小的方向移动原则以及避开障碍物区原则，对所有的路径点进行更新，获得避开障碍物区的起点到止点的最短路径。

10.根据权利要求9所述的方法，其特征在于，所述步骤S4c包括：

S4c1、获取预先设置的总迭代次数；

S4c2、获取任一路径点设为当前状态更新点；

S4c3、判断当前状态更新点是否在障碍物区，若是，则执行路径点更新公式一，若否，则执行路径点更新公式二；

路径点更新公式一：

其中，

为状态更新后的路径点；

路径点更新公式二：

S4c4、当前迭代次数加1，判断是否满足条件：当前迭代次数≥总迭代次数；若是则执行步骤S4c5，若否，则返回步骤S4c3；

S4c5、获取迭代后和迭代前的最短路径差d：

其中，p为当前总迭代的次数；

S4c6、判断最短路径差d是否小于或等于预设阈值，若是，则输出经迭代获得的折线路径，若否，则将当前迭代次数设为1并返回步骤S4c3。