CN111063218A - 一种船舶避碰决策方法 - Google Patents

Abstract

本发明公开了一种船舶避碰决策方法，该方法包括：通过获取本船与目标船的相关信息，利用代数法计算船舶之间的DCPA和TCPA；再将DCPA与TCPA作为数据输入，采用模糊综合评判确定船舶碰撞危险度(CRI)；综合考虑船舶航行的安全性与经济性，建立基于转向幅度与航行时间的避碰决策模型，利用粒子群‑遗传优化算法能够有效地提高收敛精度和加速全局寻优的速度的特点，当CRI≥0.5时，获得让路船在全局范围内的最佳转向幅度及在新航向上所需的航行时间。本发明的技术方法可以为船舶驾驶人员提供一定的避碰决策参考，有助于提升船舶驾驶员在机器辅助下的避碰决策化水平。

Description

一种船舶避碰决策方法

技术领域

本发明涉及船舶智能避碰决策技术，尤其涉及一种船舶避碰决策方法。

背景技术

船舶碰撞是水路运输过程中最为常见的一种事故类型。近年来，船舶碰撞事故仍时有发生。而船舶智能避碰决策是《智能船舶发展行动计划(2019-2021年)》中的八大关键技术之一，为解决船舶避碰问题，许多专家学者将启发式算法应用到船舶避碰决策研究中。如细菌觅食算法(Bacterial Foraging Algorithm，BFA)、人工鱼群算法(Artificial FishSwarm Algorithm，AFSA)、免疫粒子群算法(Immune Particle Swarm Algorithm，IPSA)、拟态物理学优化算法(Artificial Physics Optimization Algorithm，APOA)、社会情感优化算法(Social Emotional Optimization Algorithm，SEOA)、模拟退火算法(SimulatedAnnealing，SA)等。而粒子群算法(Particle swarm optimization,PSO)与遗传算法(Genetic Algorithm，GA)是经常被使用的启发式算法，但粒子群算法在计算函数极值时，常常出现早熟现象，导致求解函数极值存在一定的误差。而遗传算法对于函数寻优采用选择、交叉、变异的操作，直接以概率化的寻优方法将目标函数作为搜索信息。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种船舶避碰决策方法，能够为船舶驾驶人员提供避碰决策参考，提升船舶驾驶员在机器辅助下的避碰决策化水平，减少由于人为失误造成的碰撞事故。

本发明解决其技术问题所采用的技术方案是：一种船舶避碰决策方法，包括以下步骤：

1)获取本船与目标船的航行相关信息，并计算最近会遇距离(DCPA)与最近会遇时间(TCPA)的数值；所述航行相关信息包括航向、航速、相对距离和相对速度；

2)根据本船与目标船的航行相关信息，结合船舶运动与避碰的数学模型，分析船舶会遇情况，若存在会遇可能，转步骤3)，否则转入步骤1)；所述船舶会遇情况包括：交叉相遇、追越、对遇；

3)根据DCPA与TCPA计算本船与所有会遇的目标船的CRI值，确定重点避让船并结合COLREGs的要求，分析船舶之间的避让责任，如果本船是直航船，则进行保向保速，如果本船是让路船，则转步骤4)；

4)当船舶之间的CRI超过设定阈值时，根据建立的避碰模型，求解避碰路径；

所述避碰模型如下：

避碰的目标函数模型为：

minf(x)＝0.6f₁+0.2f₂+0.2f₃

其中，f₁表示本船的安全性目标函数值，N为目标船数目；f₂、f₃表示本船的经济性目标的函数值；θ_i为种群中第i个个体的转向幅度，将转向幅度取值范围设定为[30°,60°],v₀为本船船舶速度。DCPA_ir表示种群中第i个个体与第r个目标船的最近会遇距离，安全性目标函数的值越大，碰撞风险也越就小。三个函数的具体表达式如下：

所述步骤4)中的避碰的目标函数模型通过PSO-GA优化算法求解：

4.1)设置算法的相关参数，产生初始种群；

4.2)依据避碰的目标函数模型计算每个粒子的适应值；再根据粒子的适应值；得到粒子的个体最优位置和全局最优位置；其中避碰的目标函数模型为：

minf(x)＝0.6f₁+0.2f₂+0.2f₃

其中，f₁表示种群中个体i的安全性目标函数值，N为目标船数目；f₂、f₃表示种群中个体i的经济性目标的函数值。θ_i为转向幅度，将转向幅度设定为[30°,60°],v₀为船舶速度。DCPA_ir表示种群中个体i与目标船r的最近会遇距离，三个函数的具体表达式如下：

4.3)引入GA算法的变异交叉操作，对全部粒子进行变异交叉操作，再把每个粒子将其个体最优位置和全局最优位置进行比较，若较好，则作为当前全局最好位置；

4.4)更新粒子的速度和位置，同时为保证避碰的路径平滑，将船舶避碰路径的搜索中心区域的范围限定在个体粒子和全局粒子所找到的个体最优值与全体最优值的最大距离的中间位置，以此为依据完成对船舶避碰路径的智能搜索获得最优避碰操作策略；

5)船舶避碰行动完成结进行复航。

本发明主要适用于互见中的开阔水域，当船舶完成转向的避碰操纵后，船舶将返回原来的航向，但是不会回到初始的航线上。

按上述方案，所述步骤1)中计算DCPA与TCPA的数值，采用以下方法：

假设本船的初始位置为(x₀,y₀),船速为v₀、航向为θ₀，目标船的初始位置为(x_T,y_T)，航速为v_T、航向为θ_T；

A＝v_T×sinθ_T-v₀×sinθ₀ (1)

B＝v_T×cosθ_T-v₀×cosθ₀ (2)

则任意时刻t两艘船舶之间的距离可以表示为：

[D(t)]²＝[(x_T-x₀)+(v_T×sinθ₁-v₀×sinθ₀)t]²+[(y_T-y₀)+(v_T×cosθ₁-v₀×cosθ₀)t]² (3)

再代入Δx、Δy、A、B，可得：

式(4)是关于时间t的二次方程，其最小值就是DCPA的数值，再对时间t求一阶导数，得到：

将其代入式(4)中，求出DCPA。

按上述方案，所述CRI的设定阈值为0.5。

本发明产生的有益效果是：

1、通过对船舶避碰操作中的转向幅度与新航向上的航行时间这2个重要参数进行逻辑编码，建立基于转向幅度与航行时间的避碰目标函数，为船舶驾驶人员提供的避碰路径决策；

2、利用PSO-GA算法能够有效地提高收敛精度和加速全局寻优速度的特点，获得最佳转向幅度及在新航向上所需的航行时间。仿真结果表明PSO-GA算法能够得到满意的最优解，为船舶驾驶人员提供一定的避碰决策参考，有助于提升船舶驾驶员在机器辅助下的避碰决策化水平。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的船舶会遇局面划分的示意图；

图3是本发明实施例的基于PSO-GA算法应用于经典示意测试函数的数值仿真图；

图4是本发明实施例的船舶初始会遇态势示意图；

图5是本发明实施例的本船OS应用PSO-GA算法迭代过程示意图；

图6是本发明实施例的目标船TS2应用PSO-GA算法迭代的过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

将启发式算法应用到船舶避碰决策中，是解决船舶避碰的一种有效手段。其中粒子群算法与遗传算法是经常被使用的启发式算法，但粒子群算法在计算函数极值时，常常出现早熟现象，导致求解函数极值存在一定的误差。而遗传算法对于函数寻优采用选择、交叉、变异的操作，直接以概率化的寻优方法将目标函数作为搜索信息。综合运用粒子群-遗传优化算法的特点，可以增强全局寻优能力、加快算法的进化速度及提高收敛精度。本发明本文利用粒子群-遗传PSO-GA的混合优化算法对避碰决策进行研究。同时对算法生成的避碰路径分别从安全性和经济性进行分析，综合考虑COLREGs和船员良好船艺的要求，利用船舶碰撞危险度模型和避碰的目标函数模型评价路径的安全性与经济性，通过设计的PSO-GA算法，不断的进行自适应调整，从而获得满足要求的避碰路径。避碰算法设计过程如图1所示。

具体包括以下几个步骤：

步骤1：如图2所示，根据避碰规则第13、14和15条的规定，首先根据船舶之间的相对方位确定会遇局面，将会遇局面划分为交叉相遇、追越、对遇。当船舶之间有碰撞风险，如果他船位于区域A、B或E时，本船为让路船，要进行避碰操作；而当他船位于区域C或D时，本船为直航船，只有当让路船没有进行避碰操作或形成紧迫局面时，本船才需要进行避碰操作。

步骤2：通过AIS、自动雷达标绘仪(ARPA)获取本船与目标船的相关信息，如航向、航速、相对距离、相对速度等；利用代数法计算DCPA与TCPA的数值。其中代数方法如下：

假设本船的初始位置为(x₀,y₀),船速为v₀、航向为θ₀，目标船的初始位置为(x_T,y_T)，航速为v_T、航向为θ_T。，

A＝v_T×sinθ_T-v₀×sinθ₀ (1)

B＝v_T×cosθ_T-v₀×cosθ₀ (2)

则任意时刻t两艘船舶之间的距离可以表示为：

[D(t)]²＝[(x_T-x₀)+(v_T×sinθ₁-v₀×sinθ₀)t]²+[(y_T-y₀)+(v_T×cosθ₁-v₀×cosθ₀)t]² (3)

再代入Δx、Δy、A、B，可得：

式(4)是关于时间t的二次方程，其最小值就是DCPA的数值，再对时间t求一阶导数，可得到：

将其代入式(4)中，就可以求出DCPA。使用此方法可与船舶上的助航仪器衔接，并可依据求得的TCPA的数值确定本船与目标船是否存在碰撞风险，如求得TCPA<0，说明船舶之间的距离越来越大，船舶之间不存在碰撞风险。

步骤3：利用DCPA与TCPA计算船舶碰撞危险度(Collision risk index，CRI)。其中CRI的计算方法如下：

u(DCPA)与u(TCPA)分别是DCPA与TCPA所采用的隶属度函数，其表达式为：

式(7)与(8)中d₁,d₂船舶最小安全会遇距离与安全通过距离，通常d₂＝2d₁,t₁，t₂分别为船舶碰撞时间和注意时间。当船舶做出避碰决策时，最重要的就是对避碰决策是否安全进行分析，而最有效的办法就是计算本船与所有会遇的船舶的CRI值，当所有的CRI值在可接受的区间内，可以认为决策是安全的。

步骤4：确定避碰的目标函数模型。其中避碰的目标函数模型为：

minf(x)＝0.6f₁+0.2f₂+0.2f₃

其中f₁表示种群中个体i的安全性目标函数值，N为目标船数目；f₂、f₃表示种群中个体i的经济性目标的函数值。θ_i为转向幅度，将转向幅度设定为[30°,60°],v₀为船舶速度。DCPA_ir表示种群中个体i与目标船r的最近会遇距离，安全性目标函数的值越大，碰撞风险也越就小。三个函数的具体表达式如下：

步骤5：对PSO-GA算法的参数进行编码。PSO-GA算法的参数空间是用编码空间来代替的，然后以适应度函数作为评价依据来完成种群的不断更新，从而建立起一个搜索寻优的过程，最终通过不断的迭代找到问题的最优解。因为在大多数情况下，即使是多船之间的会遇避碰，船舶都能够采用一次转向或变速的操作来成功完成避碰，而且使用最多的避碰操纵是转向，一般较少采用同时转向和变速的避碰操作措施。本发明对转向避碰操作中的船舶的转向幅度与船舶在新航向上的航行时间这两个参数进行编码，以提高寻优速度。

设置算法的相关参数，如种群数量、粒子更新速度范围、学习因子、交叉概率、变异概率，算法迭代次数等。再根据经验或规则要求产生初始种群；

依据避碰的目标函数模型计算每个粒子的适应值；再根据粒子的适应值；得到粒子的个体最优位置和全局最优位置。

引入GA算法的变异交叉操作，对全部粒子进行变异交叉操作，再把每个粒子将其个体最优位置和全局最优位置进行比较，若较好，则作为当前全局最好位置；

更新粒子的速度和位置，同时为保证避碰的路径平滑，将船舶避碰路径的搜索中心区域的范围限定在个体粒子和全局粒子所找到的个体最优值与全体最优值的最大距离的中间位置，以此为依据完成对船舶避碰路径的智能搜索获得最优避碰操作策略；

验证PSO-GA算法的有效性

数值仿真。验证PSO-GA算法的有效性，选用经典的Ackley函数与Schaffer函数进行算法的验证。这两类函数存在非常多的局部最优陷阱，搜索全局最优位置较为困难。两类函数图形形状与最优解情况如下：

分别运用GA、PSO、PSO-GA算法对Ackley与Schaffer函数进行寻优计算，得到适应度曲线分别如图3所示。由图3可以分析出，相对单纯的GA与PSO算法，基于PSO-GA混合优化算法的寻优，在迭代收敛性、稳定性、精度都是最佳的，能够以较快的速度与较少的种群规模，进化得到最优解。

多船避碰仿真。为说明本发明的有效性与可行性，本发明通过设置三条船舶之间的会遇展开描述。船舶的相关数据如下表，初始会遇态势如图4所示：

从图4可以分析出，假设三条船舶都遵守COLREGs，则本船OS需要给两条目标船都让路，而TS2要优先避让TS1。则问题转化为：当船舶之间达到一定的碰撞危险度(本文中当CRI≥0.5)，启动PSO-GA算法，为本船OS找到一条最优避碰路径，使其成功避让目标船TS1和TS2；为目标船TS2找到一条最优避碰路径，使其成功避让本船OS与目标船TS1。

启动PSO-GA算法对本船OS与目标船TS2进行避碰路径规划，为保证算法的可行性和有效性，执行15次运算，得到本船OS的平均最优值为(30,0.15)。即本船的最优避碰操作是：右转向30°，在新航向上航行0.15h完成避碰，然后恢复到初始航向继续航行。算法的迭代过程与结果如下图5所示。在此避碰路径下本船与目标船TS1、TS2的CRI值向量是(0.039,0.023)，避碰效果良好，算法得到的结果可行。PSO-GA得到的结果与PSO、GA进行对比如下表所示：

从得到的结果可以看出，PSO-GA算法能够在约束条件下迅速地找到函数的极值点，全局搜索能力快，而且没有陷入局部最优，在50代内就能够收敛于最优值。

同理，算法经过仿真计算得到目标船TS2平均最优值为(41,0.18)，即TS2最佳转向幅度为右转41°，在新航向上航行0.18h。在此转向幅度下TS1与本船OS、目标船TS2的CRI值向量是(0.033，0.057)，算法的结果同样可行有效。TS2算法迭代过程与结果如所下图6所示。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种船舶避碰决策方法，其特征在于，包括以下步骤：

1)获取本船与目标船的航行相关信息，并计算最近会遇距离DCPA与最近会遇时间TCPA的数值；所述航行相关信息包括航向、航速、相对距离和相对速度；

2)根据本船与目标船的航行相关信息，分析船舶会遇情况，若存在会遇可能，转步骤3)，否则转入步骤1)；所述船舶会遇情况包括：交叉相遇、追越、对遇；

3)根据DCPA与TCPA计算本船与所有会遇的目标船的CRI值，根据CRI值确定避让船，并分析船舶之间的避让责任，如果本船是直航船，则进行保向保速，如果本船是让路船，则转步骤4)；

4)当本船与避让船之间的CRI超过设定阈值时，根据建立的避碰模型，求解避碰路径；

所述避碰模型如下：

避碰的目标函数模型为基于转向幅度与航行时间的避碰目标函数，具体如下：

minf(x)＝0.6f₁+0.2f₂+0.2f₃

三个函数的具体表达式如下：

其中，f₁表示船舶的安全性目标函数值，N为目标船数目；f₂、f₃表示船舶的经济性目标的函数值；θ_i为本船选择避碰路径i时船舶的转向幅度，将转向幅度取值范围设定为[30°,60°],v₀为船舶速度，DCPA_ir表示本船选择避碰路径i时船舶与第r个目标船的最近会遇距离，安全性目标函数的值越大，碰撞风险也越就小；

5)根据模型求解的避碰路径进行船舶避碰行动，避碰完成后进行复航。

2.根据权利要求1所述的船舶避碰决策方法，其特征在于，所述步骤1)中计算最近会遇距离DCPA与最近会遇时间TCPA的数值，采用以下方法：

假设本船的初始位置为(x₀,y₀),船速为v₀、航向为θ₀，目标船的初始位置为(x_T,y_T)，航速为v_T、航向为θ_T；

A＝v_T×sinθ_T-v₀×sinθ₀ (1)

B＝v_T×cosθ_T-v₀×cosθ₀ (2)

则任意时刻t两艘船舶之间的距离可以表示为：

[D(t)]²＝[(x_T-x₀)+(v_T×sinθ₁-v₀×sinθ₀)t]²

+[(y_T-y₀)+(v_T×cosθ₁-v₀×cosθ₀)t]² (3)

再代入Δx、Δy、A、B，可得：

式(4)是关于时间t的二次方程，其最小值就是DCPA的数值，再对时间t求一阶导数，得到：

将其代入式(4)中，求出DCPA。

3.根据权利要求1所述的船舶避碰决策方法，其特征在于，所述CRI的设定阈值为0.5。

4.根据权利要求1所述的船舶避碰决策方法，其特征在于，所述步骤4)中的避碰的目标函数模型通过PSO-GA优化算法求解：

4.1)设置算法的相关参数，产生初始种群；

4.2)依据避碰的目标函数模型计算每个粒子的适应值；再根据粒子的适应值；得到粒子的个体最优位置和全局最优位置；其中避碰的目标函数模型为：

minf(x)＝0.6f₁+0.2f₂+0.2f₃

其中，f₁表示种群中个体i的安全性目标函数值，N为目标船数目；f₂、f₃表示种群中个体i的经济性目标的函数值，θ_i为种群中个体i的转向幅度，将转向幅度设定为[30°,60°],v₀为船舶速度，DCPA_ir表示种群中第i个个体与第r个目标船的最近会遇距离，三个函数的具体表达式如下：

4.3)引入GA算法的变异交叉操作，对全部粒子进行变异交叉操作，再把每个粒子将其个体最优位置和全局最优位置进行比较，若较好，则作为当前全局最好位置；

4.4)更新粒子的速度和位置，同时为保证避碰的路径平滑，将船舶避碰路径的搜索中心区域的范围限定在个体粒子和全局粒子所找到的个体最优值与全体最优值的最大距离的中间位置，以此为依据完成对船舶避碰路径的智能搜索获得最优避碰操作策略。

Images