CN111061165B - 一种船舶相对碰撞危险度模型的验证方法 - Google Patents

Abstract

本发明实施例涉及一种船舶相对碰撞危险度模型的验证方法，其包括：对船舶集群态势进行分析得到相对碰撞危险度模型；在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，并结合相对碰撞危险度模型计算得到相对碰撞危险度的实际值；在虚拟仿真实验中利用模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值；通过对多种集群态势下的仿真值与实际值以及在实船实验与虚拟仿真实验避碰过程中的记录数据进行变化趋势分析和灵敏度分析，对相对碰撞危险度模型进行验证。本发明根据实船实验与虚拟仿真实验中的数据进行分析，达到更好的对船舶航行过程中整体危险程度进行评估的效果。

Description

一种船舶相对碰撞危险度模型的验证方法

技术领域

本发明涉及船舶技术领域，尤其涉及一种船舶相对碰撞危险度模型的验证方法。

背景技术

路径规划是无人船最关键的研究方向之一，是无人船智能水平的重要体现。在规划无人船路径时，既要实现路径设计，又要实现智能避碰。智能避碰是指船舶在一定条件下，按照预定方法在水面上安全行驶的能力。

现有对船舶碰撞危险度模型的验证多是根据历史数据带入到船舶碰撞危险度模型进行计算，或者应用MATLAB进行仿真验证，但由于数据的时效性以及仿真的真实性等原因使得船舶碰撞危险度模型的验证结果较片面，不能全面多角度的对模型进行验证，证明模型的有效性及准确性。

上述缺陷是本领域技术人员期望克服的。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种船舶相对碰撞危险度模型的验证方法，解决现有技术中无法全面对模型的有效性进行验证的问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明提供一种船舶相对碰撞危险度模型的验证方法，其包括：

在开阔水域对船舶集群态势进行分析，得到相对碰撞危险度模型；

在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值；

在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法；

在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值；

通过对多种集群态势下的所述仿真值与所述实际值以及在实船实验与虚拟仿真实验中的记录数据进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证。

在本发明的一种示例性实施例中，在开阔水域对船舶集群态势进行分析，得到相对碰撞危险度模型包括：

在开阔水域对船舶感知区域进行划分，得到多个虚拟动态网格；

针对所述多个虚拟动态网格对船舶集群态势采用模糊逻辑规则计算虚拟动态网格对目标船的作用粒度值；

根据所述作用粒度值结合危险度评价的综合权重，得到目标船相对于船舶集群态势的相对碰撞危险度模型。

在本发明的一种示例性实施例中，在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值包括：

以实验船为目标船，选取多艘干扰船与所述目标船构建初始船舶集群态势，其中所述目标船和所述干扰船均为有人船；

在船舶行进中进行相应的避碰操作，并运用至少一种采集设备对所述目标船和所述多艘干扰船进行记录，得到航行数据；

根据所述航行数据结合所述相对碰撞危险度模型计算得到所述实际值；

其中所述至少一种采集设备包括：船载设备和视频采集设备。

在本发明的一种示例性实施例中，在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法包括：

A1：对狼群位置进行初始化；

A2：开始探狼的搜寻行为，搜索时判断探狼当前位置周围的任意方向的适应度值是否大于当前位置的适应度值；

A3：如果是，则将探狼从当前位置移动到适应度值大的位置；如果否，则改变探狼的步长继续进行搜索，直到当前位置周围任意方向的适应度值均不大于当前位置的适应度值，且搜索次数达到预设次数时，利用Metropolis准则选择是否接受新解；

A4：根据头狼的召唤，猛狼开始向头狼靠近和奔走，在奔走过程中，如果猛狼所在位置的目标适应度值大于头狼的适应度值，则令猛狼取代头狼；如果猛狼与头狼的距离小于距离限定值，则奔走转为围攻；

A5：围攻后如果目标位置的适应度值大于当前位置的适应度值，则用目标位置代替当前位置；如果目标位置的适应度值不大于当前位置的适应度值，则改变搜索步长继续进行搜索，并利用Metropolis准则选择是否接受新解；

A6：迭代后判断是否满足结束条件，如果满足，则输出船舶的最优避碰路径；如果不满足，则重新进行狼群位置的初始化并重复进行A2至A6。

在本发明的一种示例性实施例中，在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划包括：

根据所述实船实验中的船舶集群态势在无人船自主航行仿真系统中构建相同的船舶集群态势；

按照所述船舶集群态势对船舶参数进行初始化，并根据初始化的船舶参数建立船舶避碰目标函数，所述目标函数满足：

其中加权系数γ₁+γ₂＝1，且γ₁＞0，γ₂＞0，ΔS为避碰操作过程中船舶在原航线基础上多航行的路程，

为避碰过程中船舶的转向角；

对目标船周围的船舶集群态势进行识别和判断，在其中一种船舶集群态势下任意一个待搜寻的D维空间内，狼群有S个狼，S个狼的当前位置的信息向量表示为P＝(p₁,p₂,...,p_s)，计算每个狼在当前位置的适应度值为：

确定头狼后利用模拟退火狼群算法进行路径规划，得到船舶的最优避碰路径；

其中头狼的适应度值为C₁，狼群中余下的狼的适应度值为C_i(i＝2,3，...,S)。

在本发明的一种示例性实施例中，所述结束条件为优化精度达到最小值或迭代次数达到最大值。

在本发明的一种示例性实施例中，在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法包括：

步骤A1中狼群位置初始化为：

P_i,D(t)＝P_l+rand*(P_u-P_l)i(i＝1,2,...,S)

P_i,D(t)表示狼i第t次迭代时第D维所在的位置，P_u和P_l表示位置P_i,D(t)取值区间的上极值、下极值，rand表示(0,1)内任意随机数；

计算狼群中所有狼的适应度值，选取初始适应度值最大的狼作为初始头狼；

步骤A2中探狼向所在位置的m个方向搜寻猎物，并计算周围m个方向中走一步的适应度值C_ik(k＝1,2,...,m)，如果第k个方向中的适应度值大于当前位置的适应度值，则探狼向k方向前进一步，前进的计算公式为：

其中P_i，D(t)为探狼i在D维空间的坐标；

为探狼i探索第k个方向在D维空间的坐标；step_a代表探狼的搜索步长，W为迭代次数，W＝1,2,...,W_max；δ为随机参数δ∈(-0.1,0.1)；

步骤A3中如果m个方向的适应度值均小于探狼当前位置的适应度值，则改变探狼的搜索步长，选取0.5～1.5倍的搜索步长作为新的搜索步长继续探索；

步骤A4中根据头狼的召唤，猛狼开始向头狼靠近和奔走，第i头猛狼在第t+1次迭代奔走后的位置公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*(P_best(t)-P_i,D(t))/|P_best(t)-P_i,D(t)|

其中P_i,D(t+1)第i头猛狼第t+1次迭代后在D维空间的坐标；P_i,D(t)为猛狼i第t次迭代后在D维空间的坐标；step_b代表猛狼的奔走步长，P_best(t)代表头狼在第t次迭代的位置；

当猛狼奔走至距离头狼距离满足条件S_i,d＜S_limit时，将转为围攻行为，公式为：

其中S_limit为奔走过程中猛狼与头狼间的距离限定值；[max_D,min_D]是狼群活动空间的取值范围，ω是距离控制因子，d为纬度值；

猛狼靠近头狼的计算公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*λ*|P_best(t)-P_i,D(t)|

其中λ为区间[-1,1]之间的随机数。

在本发明的一种示例性实施例中，在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值包括：

在虚拟仿真实验中构建与所述实船实验中相同的初始集群态势；

对干扰船的实时行为按照所述实船实验中的干扰船进行相同的决策和行为；

对目标船采用所述模拟退火狼群算法进行路径规划，以逃离当前态势，得到目标船在所述初始集群态势演化过程中的相对碰撞危险度的所述仿真值。

在本发明的一种示例性实施例中，通过对多种集群态势下的所述仿真值与所述实际值以及在实船实验与虚拟仿真实验避碰过程中的记录数据进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证包括：

在多种不同的集群态势下，分别按时间记录相同的集群态势下针对所述相对碰撞危险度的所述仿真值和所述实际值；

根据所述仿真值与所述实际值的对比结果，结合在实船实验中以及虚拟仿真实验中目标船的记录数据的对比结果，进行变化趋势分析；

根据实船实验中以及虚拟仿真实验中目标船的记录数据进行差值计算，并根据差值与预设阈值的比较进行灵敏度分析。

在本发明的一种示例性实施例中，所述记录数据包括目标船的实时速度、目标船与干扰船的相对速度和相对位置，所述预设阈值为3％。

(三)有益效果

本发明的有益效果是：本发明实施例提供的船舶相对碰撞危险度模型的验证方法，通过提出一种结合狼群算法与模拟退火算法的模拟退火狼群算法，进而在虚拟仿真实验中利用该模拟退火狼群算法对目标船的路径进行规划，根据实船实验与虚拟仿真实验中相对碰撞危险度和对船舶的记录数据进行分析，从而对相对碰撞危险度模型进行验证，达到更好的对船舶航行过程中整体危险程度进行评估的效果。

附图说明

图1为本发明一实施例提供的一种船舶相对碰撞危险度模型的验证方法的流程图；

图2为本发明一实施例图1中步骤S110的流程图；

图3为本发明一实施例图1中步骤S120的流程图；

图4为本发明一实施例图1中步骤S130的流程图；

图5为本发明一实施例图1中步骤S140的流程图；

图6为本发明一实施例中步骤S140利用模拟退火狼群算法进行局部路径规划的流程图；

图7为本发明一实施例图1中步骤S150的流程图；

图8为本发明一实施例中实船实验中实际相对碰撞危险度与虚拟仿真实验中模拟目标船相对碰撞危险度的对比图；

图9为本发明一实施例中实船实验与虚拟仿真实验中船舶实时速度的对比图；

图10为为本发明一实施例中实船实验与虚拟仿真实验中目标船与干扰船的相对位置的对比图；

图11为为本发明一实施例中实船实验与虚拟仿真实验中目标船与干扰船的相对速度的对比图。

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。

本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

在本发明相关实施例中，模拟退火算法(Simulated Annealing Algorithm,SA)是Krikpatrick提出的一种基于Monte-Carlo迭代求解策略的随机优化算法，主要思想是模拟固体退火原理。

模拟退火原理为：将固体温度上升到充分高，然后让其温度慢慢降低。这个过程中，固体内部分子内能会发生变化。根据Metropolis准则，个体在温度T时刻可以接近正常的概率为：

p＝e^(-ΔE/gT) 公式(1)

其中，p是个体在温度T时内能正常的概率，E是温度达到T时刻的内能，ΔE为T时刻内能较初始时刻的内能改变量，g是Boltzman常数。解决问题时，通常将E设置为目标函数ξ，将温度T设置为控制参数t，模拟过程为：从初始解i和控制参数t开始，由原解计算新解以及目标差值，根据计算结果判断接受或抛弃此新解，逐渐减小t的值，这也是蒙特卡罗迭代求解法的一种随机搜索形式。退火过程是由温度降低的速度来控制的。

狼群算法是基于狼群群体智能，模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制，由于传统的狼群算法具有易于陷入局部最优的缺点，提出一种新的群体智能算法。

图1为本发明一实施例提供的一种船舶相对碰撞危险度模型的验证方法的流程图，如图1所示，该方法包括以下步骤：

如图1所示，在步骤S110中，在开阔水域对船舶集群态势进行分析，得到相对碰撞危险度模型；

如图1所示，在步骤S120中，在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值；

如图1所示，在步骤S130中，在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法；

如图1所示，在步骤S140中，在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值；

如图1所示，在步骤S150中，通过对多种集群态势下的所述仿真值与所述实际值以及在实船实验与虚拟仿真实验避碰过程中的记录数据进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证。

基于上述方法，通过对主要干扰区域和次要干扰区域分别对主观评价和客观评价权重进行综合考虑，得到目标船在集群中受到的相对碰撞危险度，能够更好的提高船舶航行过程中危险度的辨识速度，提高对周围环境认知的准确度，更高效的对船舶当前航行状态危险性进行评估。

以下对图1所示实施例的各个步骤的具体实现进行详细阐述：

在步骤S110中，在开阔水域对船舶集群态势进行分析，得到相对碰撞危险度模型。

在本发明的一个实施例中，可以基于模糊逻辑规则计算得到相对碰撞危险度模型，图2为本发明一实施例图1中步骤S110的流程图：

如图2所示，在步骤S210中，在开阔水域对船舶感知区域进行划分，得到多个虚拟动态网格。例如，将目标船与干扰船的会遇区域从内到外次划分为碰撞区域、主要干扰区域和次要干扰区域；然后，通过所述碰撞区域、所述主要干扰区域和所述次要干扰区域结合会遇角度划分，得到24个虚拟动态网格。

如图2所示，在步骤S220中，针对所述多个虚拟动态网格对船舶集群态势采用模糊逻辑规则计算虚拟动态网格对目标船的作用粒度值。该步骤中主要是确定属于主要干扰区域和次要干扰区域的虚拟动态网格中计算得到作用粒度值。

如图2所示，在步骤S230中，根据所述作用粒度值结合危险度评价的综合权重，得到目标船相对于船舶集群态势的相对碰撞危险度模型。该步骤中可以通过主客观综合赋权方法进行赋权，再结合作用粒度值计算得到相对碰撞危险度。

在步骤S120中，在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值。

在本发明的一个实施例中，该步骤中先基于实船实验的船舶相对碰撞危险度模型进行验证，图3为本发明一实施例图1中步骤S120的流程图：

如图3所示，在步骤S310中，以实验船为目标船，选取多艘干扰船与所述目标船构建初始船舶集群态势。

其中该步骤中的所述目标船和所述干扰船均为有人船。构造船舶集群态势后，还进行相应的避碰操作。

如图3所示，在步骤S320中，在船舶行进中进行相应的避碰操作，并运用至少一种采集设备对所述目标船和所述多艘干扰船进行记录，得到航行数据。

其中该步骤中的所述至少一种采集设备包括：船载设备和视频采集设备，船载设备包括船舶自动识别系统(Automatic Identification System，简称AIS)、激光雷达、毫米波雷达、计程仪等，视频采集设备主要包括全景摄像机和双目云台摄像机等设备。通过这些设备获取航行数据(即实验数据)，数据经处理后可以进行模型标定。

在集群态势演化的过程中利用视频采集设备(对当前海域进行实时、全局、全角度拍摄，记录实验过程)、AIS(记录目标船与会遇船的实际位置、实时航速和航向等信息)、计程仪(记录目标船航迹)等设备进行实验，实验过程保证仪器设备正常运行使用。目标船依据避让规则与操纵者个人航行习惯在实验海域中自然航行，利用视频采集设备和船载设备动态采集相关实验数据，实验完成后将数据导出并保存。

如图3所示，在步骤S330中，根据所述航行数据结合所述相对碰撞危险度模型计算得到所述实际值。

该步骤中，综合分析视频采集设备对整个实验过程的拍摄结果，并结合船载设备记录的航行数据，对实验区域内交通实体的数据进行收集并分析处理，可采集的数据类型及标号如表1所示，包括船舶编号、航速、船首向、与目标船的相对距离以及船舶总吨位，其中i＝(1,2,...,16)，

表1

在实船实验中利用相对碰撞危险度模型进行避碰决策，得到不同集群态势下相对碰撞危险度的记录数据。依据船舶相对碰撞危险度模型结合实时记录的目标船以及干扰数据，计算不同时刻目标船舶集群态势的相对碰撞危险度值。

在步骤S130中，在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法。

在本发明的一个实施例中，由于传统的狼群算法具有易于陷入局部最优的缺点，该步骤中为了适应进行虚拟仿真实验，针对模型的特点改进狼群算法，在狼群算法的基础上结合模拟退火算法得到模拟退火狼群算法(Wolf Colony Algorithm base onSimulated Annealing Algorithm，简称WCA-SA)，用于船舶的局部路径规划。

图4为本发明一实施例图1中步骤S130的流程图：

如图4所示，在步骤A1中，对狼群位置进行初始化。

该步骤中首先根据下述公式(2)对狼群位置进行初始化：

P_i,D(t)＝P_l+rand*(P_u-P_l)i(i＝1,2,...,S) 公式(2)

其中P_i,D(t)表示狼i第t次迭代时第D维所在的位置，P_u和P_l表示位置P_i,D(t)取值区间的上极值、下极值，rand表示(0,1)内任意随机数。

然后计算狼群中所有狼的适应度值，选取初始适应度值最大的狼作为初始头狼。

如图4所示，在步骤A2中，开始探狼的搜寻行为，搜索时判断探狼当前位置周围的任意方向的适应度值是否大于当前位置的适应度值。

该步骤中进行探狼的搜寻行为，假设探狼向所在位置的m个方向搜寻猎物，并计算周围m个方向中走一步的适应度值C_ik(k＝1,2,...,m)，如果第k个方向中的适应度值C_ik大于当前位置的适应度值，则探狼向k方向前进一步，前进的计算公式为：

其中P_i,D(t)为探狼i在D维空间的坐标；

为探狼i探索第k个方向在D维空间的坐标；step_a代表探狼的搜索步长，W为迭代次数，W＝1,2,...,W_max；δ为随机参数δ∈(-0.1,0.1)。重复上述行为，直到搜索到某一位置的适应度值大于头狼适应度值或者达到最大搜索次数W_max时，搜索停止。

如图4所示，在步骤A3中，如果是，则将探狼从当前位置移动到适应度值大的位置；如果否，则改变探狼的步长继续进行搜索，直到可以接收新解，接收新解为：当前位置周围任意方向的适应度值均不大于当前位置的适应度值，且搜索次数达到预设次数时，利用Metropolis准则选择是否接受新解。

该步骤中如果m个方向的适应度值均小于探狼当前位置的适应度值，则改变探狼的搜索步长，选取0.5～1.5倍的搜索步长作为新的搜索步长继续探索，即取(0.5,1.5)*step_a内的随机数对周围m个方向进行探索。

在标准狼群算法中，探狼在搜索过程中，当周围任意位置的适应度值不大于当前位置的适应度值且搜索到达一定次数时，停止搜索。此种方法会使算法易于陷入局部最优，因此本文实施例中采用模拟退火算法中的Metropolis准则，接受部分适应度值次优的解，提高狼群算法的局部搜索性能。

基于模拟退火狼群算法，使用模拟退火的精髓Metropolis准则。该算法中，当探狼周围任意方向的适应度值不大于当前位置的适应度值，且搜索到达一定次数时，利用Metropolis准则选择是否接受新解，如下：

其中，P_new为局部寻优中最优位置附近的扰动个体位置；f(P_new)为此位置温度接近正常的概率；P_i,D(t)、P_i,D(t+1)代表探狼i第t次迭代和第t+1次迭代时的位置；f(P_i,D(t+1))为探狼i第t+1次迭代时的位置温度接近正常的概率；T为初始温度。

如图4所示，在步骤A4中，根据头狼的召唤，猛狼开始向头狼靠近和奔走，在奔走过程中，如果猛狼所在位置的目标适应度值大于头狼的适应度值，则令猛狼取代头狼；如果猛狼与头狼的距离小于距离限定值，则奔走转为围攻。

该步骤中进行猛狼的奔走和围攻，根据头狼的召唤，猛狼开始向头狼靠近和奔走，第i头猛狼在第t+1次迭代奔走后的位置公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*(P_best(t)-P_i,D(t))/|P_best(t)-P_i,D(t)| 公式(5)

其中P_i,D(t+1)第i头猛狼第t+1次迭代后在D维空间的坐标；P_i,D(t)为猛狼i第t次迭代后在D维空间的坐标；stepb代表猛狼的奔走步长，P_best(t)代表头狼在第t次迭代的位置。

猛狼在奔走过程中，若到某个位置的目标适应度值大于头狼的适应度值，则令其取代头狼。当猛狼奔走至距离头狼距离满足条件S_i,d＜S_limit时，将转为围攻行为，公式为：

其中S_limit为奔走过程中猛狼与头狼间的距离限定值；[max_D,min_D]是狼群活动空间的取值范围，ω是距离控制因子，d为纬度值。

猛狼靠近头狼的计算公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*λ*|P_best(t)-P_i,D(t)| 公式(7)

其中λ为区间[-1,1]之间的随机数。

如图4所示，在步骤A5中，围攻后如果目标位置的适应度值大于当前位置的适应度值，则用目标位置代替当前位置；如果目标位置的适应度值不大于当前位置的适应度值，则改变搜索步长继续进行搜索，并利用Metropolis准则选择是否接受新解。

如图4所示，在步骤A6中，迭代后判断是否满足结束条件，如果满足，则输出船舶的最优避碰路径；如果不满足，则重新进行狼群位置的初始化并重复进行A2至A6。

每次迭代后，在群体中，选出最差的m头狼，并将其淘汰。之后初始化狼群位置公式随机生成m头狼补充。

一次迭代结束后，判断当前状态是否满足优化精度以及最大迭代次数是否达到最大，若达到要求，则输出头狼位置，即为船舶的最优避碰路径，否则重新进行步骤A1初始化狼群，重复步骤A2-A6直到得到最优解。

在步骤S140中，在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值。

该步骤中利用上述算法对虚拟仿真实验中目标船进行路径规划，经过多次仿真实验对模型准确性进行校正后，就相同的船舶集群态势分别进行虚拟仿真实验和实船实验，选取相同时间段对集群态势的演化进行分析，实时监控船舶集群态势的相对碰撞危险度的变化验证模型的准确性以及灵敏性。

在虚拟仿真实验过程中，更好的为态势演化过程中目标船的局部路径提供规划，经过多次虚拟仿真实验对模型进行校验，选取典型集群态势，通过虚拟仿真实验以及实船实验构建初始集群态势，其中实船实验为有人船，验证过程中选取时间点对两次实验数据进行收集及分析。

图5为本发明一实施例图1中步骤S140的流程图，具体包括：

如图5所示，在步骤S510中，在虚拟仿真实验中构建与所述实船实验中相同的初始集群态势，该步骤中可以根据所述实船实验中的船舶集群态势在无人船自主航行仿真系统中构建相同的船舶集群态势。

如图5所示，在步骤S520中，对干扰船的实时行为按照所述实船实验中的干扰船进行相同的决策和行为。

如图5所示，在步骤S530中，对目标船采用所述模拟退火狼群算法进行路径规划，以逃离当前态势，得到目标船在所述初始集群态势演化过程中的相对碰撞危险度的所述仿真值。

图6为本发明一实施例中步骤S140利用模拟退火狼群算法进行局部路径规划的流程图。

首先，按照所述船舶集群态势对船舶参数进行初始化，并根据初始化的船舶参数建立船舶避碰目标函数，所述目标函数满足：

其中加权系数γ₁+γ₂＝1，且γ₁＞0，γ₂＞0，ΔS为避碰操作过程中船舶在原航线基础上多航行的路程，

为避碰过程中船舶的转向角。

然后，对目标船周围的船舶集群态势进行识别和判断，在其中一种船舶集群态势下任意一个待搜寻的D维空间内，狼群有S个狼，S个狼的当前位置的信息向量表示为P＝(p₁,p₂,...,p_s)，计算每个狼在当前位置的适应度值为：

确定头狼后利用模拟退火狼群算法进行路径规划，得到船舶的最优避碰路径。其中头狼的适应度值为C₁，狼群中余下的狼的适应度值为C_i(i＝2,3，...,S)。

狼群在捕猎过程中，即利用上述模拟退火狼群算法进行局部路径规划，找到避碰路径。

在步骤S150中，通过对多种集群态势下的所述仿真值与所述实际值以及在实船实验与虚拟仿真实验避碰过程中的记录数据进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证。

图7为本发明一实施例图1中步骤S150的流程图，具体包括：

如图7所示，在步骤S710中，在多种不同的集群态势下，分别按时间记录相同的集群态势下针对所述相对碰撞危险度的所述仿真值和所述实际值。

对实船实验中采集的数据进行处理，根据船舶集群态势相对碰撞危险度模型，多次对目标船所处集群态势的相对碰撞危险度进行计算，以其中一次记录结果为例，实船实验中船舶相对碰撞危险度记录表如下表2所示。

表2

在虚拟仿真实验中，目标船的避碰操作主要遵循上述步骤中的模拟退火狼群算法进行路径规划。目标船航行的目的是尽快逃离当前态势，并使态势向着利于自身航行的方向发展。将船舶相对碰撞危险度模型的计算方法导入仿真系统，多次记录目标船航行过程中，集群态势相对碰撞危险度的值，直到目标船安全逃离当前态势截止。与上述实船实验相对应的虚拟仿真实验的结果如下表3所示。

表3

如图7所示，在步骤S720中，根据所述仿真值与所述实际值的对比结果，结合在实船实验中以及虚拟仿真实验中目标船的记录数据的对比结果，进行变化趋势分析。

其中该步骤中的记录数据包括目标船的实时速度、目标船与干扰船的相对速度和相对位置，根据实船实验过程中船舶集群态势相对碰撞危险度的记录结果，结合相同船舶集群态势中虚拟仿真实验的相对碰撞危险度的测量值得到实船实验与仿真实验的结果对比图。图8为本发明一实施例中实船实验中实际相对碰撞危险度与虚拟仿真实验中模拟目标船相对碰撞危险度的对比图。如图8所示，两种实验下的相对碰撞危险度变化趋势相同。

在验证过程中，以前侧干扰船为例，使目标船与干扰船形成跟驶态势。实船实验时，实时记录干扰船速度，以及目标船的实时速度。虚拟仿真实验时，构建与实船实验相同的船舶集群态势，实时记录虚拟目标船的实时速度，相对位置以及相对速度等。图9为本发明一实施例中实船实验与虚拟仿真实验中船舶实时速度的对比图。图10为为本发明一实施例中实船实验与虚拟仿真实验中目标船与干扰船的相对位置的对比图。图11为为本发明一实施例中实船实验与虚拟仿真实验中目标船与干扰船的相对速度的对比图。

在本发明中，设定不同的船舶集群态势，分别就不同的会遇态势进行多次实船实验以及仿真实验。在目标船避碰过程中，实时的监控船舶集群态势的相对碰撞危险度值、实时速度、相对位置信息，判断实船实验与仿真实验结果变化曲线的变化趋势是否相同，如总体变化趋势相似或相同则说明符合变化趋势分析。

如图7所示，在步骤S730中，根据实船实验中以及虚拟仿真实验中目标船的记录数据进行差值计算，并根据差值与预设阈值的比较进行灵敏度分析。

该步骤中的所述预设阈值为3％。例如，在灵敏度分析时，试记录船舶避碰过程中方向变化次数以及路径的变化曲率差值是否在3％以内，若在3％以内则说明符合灵敏度分析结果。

如果实验结果分别符合上述变化趋势分析以及灵敏度分析结果时，说明该模型较符合实际情况，效果是良好的。

综上所述，采用本发明实施例提供的船舶相对碰撞危险度模型的验证方法，根据开阔水域船舶集群态势的会遇特点，对现有狼群算法进行改进，得到更适合此模型的模拟退火狼群算法进行路径规划，在模型的验证过程中，分别采用实船实验与虚拟仿真实验等验证手段，达到更好的对船舶航行过程中整体危险程度进行评估的效果。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (6)

1.一种船舶相对碰撞危险度模型的验证方法，其特征在于，其包括：

在开阔水域对船舶集群态势进行分析，得到相对碰撞危险度模型，具体包括：

在开阔水域对船舶感知区域进行划分，得到多个虚拟动态网格；

将目标船与干扰船的会遇区域从内到外次划分为碰撞区域、主要干扰区域和次要干扰区域；

通过所述碰撞区域、所述主要干扰区域和所述次要干扰区域结合会遇角度划分，得到24个虚拟动态网格；

针对所述多个虚拟动态网格对船舶集群态势采用模糊逻辑规则计算虚拟动态网格对目标船的作用粒度值；

根据所述作用粒度值结合危险度评价的综合权重，得到目标船相对于船舶集群态势的相对碰撞危险度模型；

通过主客观综合赋权方法进行赋权，再结合作用粒度值计算得到相对碰撞危险度；

在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值；

在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法，具体包括：

A1：对狼群位置进行初始化；

A2：开始探狼的搜寻行为，搜索时判断探狼当前位置周围的任意方向的适应度值是否大于当前位置的适应度值；

A3：如果是，则将探狼从当前位置移动到适应度值大的位置；如果否，则改变探狼的步长继续进行搜索，直到当前位置周围任意方向的适应度值均不大于当前位置的适应度值，且搜索次数达到预设次数时，利用Metropolis准则选择是否接受新解；

A4：根据头狼的召唤，猛狼开始向头狼靠近和奔走，在奔走过程中，如果猛狼所在位置的目标适应度值大于头狼的适应度值，则令猛狼取代头狼；如果猛狼与头狼的距离小于距离限定值，则奔走转为围攻；

A5：围攻后如果目标位置的适应度值大于当前位置的适应度值，则用目标位置代替当前位置；如果目标位置的适应度值不大于当前位置的适应度值，则改变搜索步长继续进行搜索，并利用Metropolis准则选择是否接受新解；

A6：迭代后判断是否满足结束条件，如果满足，则输出船舶的最优避碰路径；如果不满足，则重新进行狼群位置的初始化并重复进行A2至A6；

所述结束条件为优化精度达到最小值或迭代次数达到最大值；

在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划，得到相对碰撞危险度的仿真值，具体包括：

在虚拟仿真实验中构建与所述实船实验中相同的初始集群态势；

根据所述实船实验中的船舶集群态势在无人船自主航行仿真系统中构建相同的船舶集群态势；

对干扰船的实时行为按照所述实船实验中的干扰船进行相同的决策和行为；

对目标船采用所述模拟退火狼群算法进行路径规划，以逃离当前态势，得到目标船在所述初始集群态势演化过程中的相对碰撞危险度的所述仿真值；

通过对多种集群态势下的所述仿真值与所述实际值以及在实船实验与虚拟仿真实验避碰过程中的记录数据进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证。

2.如权利要求1所述的船舶相对碰撞危险度模型的验证方法，其特征在于，在实船实验中对目标船在多种船舶集群态势下的航行数据进行记录，根据所述航行数据结合所述相对碰撞危险度模型计算得到相对碰撞危险度的实际值包括：

以实验船为目标船，选取多艘干扰船与所述目标船构建初始船舶集群态势，其中所述目标船和所述干扰船均为有人船；

在船舶行进中进行相应的避碰操作，并运用至少一种采集设备对所述目标船和所述多艘干扰船进行记录，得到航行数据；

根据所述航行数据结合所述相对碰撞危险度模型计算得到所述实际值；

其中所述至少一种采集设备包括：船载设备和视频采集设备。

3.如权利要求1所述的船舶相对碰撞危险度模型的验证方法，其特征在于，在虚拟仿真实验中利用所述模拟退火狼群算法对目标船在多种船舶集群态势下进行路径规划包括：

根据所述实船实验中的船舶集群态势在无人船自主航行仿真系统中构建相同的船舶集群态势；

按照所述船舶集群态势对船舶参数进行初始化，并根据初始化的船舶参数建立船舶避碰目标函数，所述目标函数满足：

其中加权系数γ₁+γ₂＝1，且γ₁＞0，γ₂＞0，ΔS为避碰操作过程中船舶在原航线基础上多航行的路程，

为避碰过程中船舶的转向角；

对目标船周围的船舶集群态势进行识别和判断，在其中一种船舶集群态势下任意一个待搜寻的D维空间内，狼群有S个狼，S个狼的当前位置的信息向量表示为P＝(p₁,p₂,...,p_s)，计算每个狼在当前位置的适应度值为：

确定头狼后利用模拟退火狼群算法进行路径规划，得到船舶的最优避碰路径；

其中头狼的适应度值为C₁，狼群中余下的狼的适应度值为C_i(i＝2,3，...,S)。

4.如权利要求3所述的船舶相对碰撞危险度模型的验证方法，其特征在于，在狼群算法的基础上结合模拟退火算法形成模拟退火狼群算法包括：

步骤A1中狼群位置初始化为：

P_i,D(t)＝P_l+rand*(P_u-P_l)i(i＝1,2,...,S)

P_i,D(t)表示狼i第t次迭代时第D维所在的位置，P_u和P_l表示位置P_i,D(t)取值区间的上极值、下极值，rand表示(0,1)内任意随机数；

计算狼群中所有狼的适应度值，选取初始适应度值最大的狼作为初始头狼；

步骤A2中探狼向所在位置的m个方向搜寻猎物，并计算周围m个方向中走一步的适应度值C_ik(k＝1,2,...,m)，如果第k个方向中的适应度值大于当前位置的适应度值，则探狼向k方向前进一步，前进的计算公式为：

其中P_i,D(t)为探狼i在D维空间的坐标；

为探狼i探索第k个方向在D维空间的坐标；step_a代表探狼的搜索步长，W为迭代次数，W＝1,2,...,W_max；δ为随机参数δ∈(-0.1,0.1)；

步骤A3中如果m个方向的适应度值均小于探狼当前位置的适应度值，则改变探狼的搜索步长，选取0.5～1.5倍的搜索步长作为新的搜索步长继续探索；

步骤A4中根据头狼的召唤，猛狼开始向头狼靠近和奔走，第i头猛狼在第t+1次迭代奔走后的位置公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*(P_best(t)-P_i,D(t))/|P_best(t)-P_i,D(t)|

其中P_i,D(t+1)第i头猛狼第t+1次迭代后在D维空间的坐标；P_i,D(t)为猛狼i第t次迭代后在D维空间的坐标；step_b代表猛狼的奔走步长，P_best(t)代表头狼在第t次迭代的位置；

当猛狼奔走至距离头狼距离满足条件S_i,d＜S_limit时，将转为围攻行为，公式为：

其中S_limit为奔走过程中猛狼与头狼间的距离限定值；[max_D,min_D]是狼群活动空间的取值范围，ω是距离控制因子，d为纬度值；

猛狼靠近头狼的计算公式为：

P_i,D(t+1)＝P_i,D(t)+step_b*λ*|P_best(t)-P_i,D(t)|

其中λ为区间[-1,1]之间的随机数。

5.如权利要求1所述的船舶相对碰撞危险度模型的验证方法，其特征在于，通过对多种集群态势下的所述仿真值和所述实际值进行变化趋势分析和灵敏度分析，对所述相对碰撞危险度模型进行验证包括：

在多种不同的集群态势下，分别按时间记录相同的集群态势下针对所述相对碰撞危险度的所述仿真值和所述实际值；

根据所述仿真值与所述实际值的对比结果，结合在实船实验中以及虚拟仿真实验中目标船的记录数据的对比结果，进行变化趋势分析；

根据实船实验中以及虚拟仿真实验中目标船的记录数据进行差值计算，并根据差值与预设阈值的比较进行灵敏度分析。

6.如权利要求5所述的船舶相对碰撞危险度模型的验证方法，其特征在于，所述记录数据包括目标船的实时速度、目标船与干扰船的相对速度和相对位置，所述预设阈值为3％。

Images