CN111240325A - 一种基于航行态势本体建模的无人驾驶船舶场景理解方法 - Google Patents
一种基于航行态势本体建模的无人驾驶船舶场景理解方法 Download PDFInfo
- Publication number
- CN111240325A CN111240325A CN202010037849.1A CN202010037849A CN111240325A CN 111240325 A CN111240325 A CN 111240325A CN 202010037849 A CN202010037849 A CN 202010037849A CN 111240325 A CN111240325 A CN 111240325A
- Authority
- CN
- China
- Prior art keywords
- navigation
- ship
- entity
- scene
- rule
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于航行态势本体建模的无人驾驶船舶场景理解方法，包括分析无人驾驶船舶航行环境的场景要素，依据驾驶场景要素进行实体构建，分析驾驶船舶与障碍物以及航行环境的关系；将场景要素的实体和实体属性的OWL语言转化为Prolog语言，依据国际海上避碰规则、专家经验以及船员船艺先验知识对无人驾驶船舶的航行规则采用Prolog语言形式进行规则表述，构建Prolog航行规则库；根据获取的船舶航行状态信息进行实体和实体属性的实例化，将实例化后的信息传入到推理机中进行航行规则的匹配和查询以及实时航行环境的重构，采用Prolog航行规则库进行基于先验知识的航行场景理解。
Description
技术领域
本发明涉及用于船舶航行环境的感知与理解，可用于船舶驾驶决策信息辅助，无人船舶航行态势感知等领域，尤其涉及一种基于航行态势本体建模的无人驾驶船舶场景理解方法。
背景技术
场景感知理解是通过各类传感器读取信息并依据提取与当前的驾驶行为相关的交通标志、规则限制等交通要素，实现为驾驶决策提供有效的信息支持。现阶段关于无人驾驶船舶的场景感知与理解相关研究较少，大多数研究集中在无人机、无人车等领域，主要方法有动态知识库、栅格分解法以及基于视觉的场景特征识别。
目前，动态知识库方法依据专家经验构建场景理解库，实现信息的简单存取与应用；有的驾驶场景理解研究方法大多数采用栅格分解法，该方法通过将传感器的感知数据映射到栅格图中，通过逐级搜索分析实体之间的关联性和属性信息，实时构建局部地图和关系检索实现环境信息的感知。基于视觉的场景特征识别方法通过提取典型的图形特征进行场景匹配实现确定性场景的感知。
动态知识库方法存在知识不全面和鲁棒性差的问题；栅格分解法搜索效率低，不能充分表达实体与障碍物之间准确信息，缺乏对航行环境信息的语义关系表述；基于视觉的场景特征识别方法时效性差，学习时间长对于图像质量要求较高，增加了航海领域先验知识的表达难度，给无人驾驶船舶的自主决策造成困难。
发明内容
根据现有技术存在的问题，本发明公开了一种基于航行态势本体建模的无人驾驶船舶场景理解方法，通过构建航行态势语义模型，实现基于航行先验知识对航行信息的理解，为船舶安全航行提供有力的信息支持，其中该方法包括如下步骤：
S1：分析无人驾驶船舶航行环境的场景要素，依据驾驶场景要素进行实体构建，分析驾驶船舶与障碍物以及航行环境的关系，建立实体属性，建立基于OWL语言的航行态势语义模型；
S2：将场景要素的实体和实体属性的OWL语言转化为Prolog语言，依据国际海上避碰规则、专家经验以及船员船艺等先验知识对无人驾驶船舶的航行规则采用Prolog语言形式进行规则表述，构建Prolog航行规则库；
S3：根据获取的船舶航行状态信息进行实体和实体属性的实例化，将实例化后的信息传入到推理机中进行航行规则的匹配和查询以及实时航行环境的重构，采用Prolog航行规则库进行基于先验知识的航行场景理解。
进一步的，S1中具体采用如下方式：
S11:提取航行环境场景理解相关知识，包括电子海图、交通参与者、以及助航设施等，构建障碍物实体、海图实体、无人船实体以及环境实体，并确立各类实体之间场景级的分级；
S12：分析“无人船-障碍物船-环境”之间关系，为已构建的上述4大类实体及其子实体建立数据属性和位置属性的关系，实现基于OWL语言场景理解的事实类知识描述，完成本体知识库TBox的构建。
进一步的，S2中具体采用如下方式：
S21:从描述式OWL语言中提取实体类的数据属性和位置属性、并转化为Prolog语言的事实类语句；
S22：依据避碰规则、专家经验以及船员的良好船艺等先验知识构建无人驾驶船舶的航行规则，采用SWI-Prolog规则对可能转向区域和会遇态势进行构建，其中以规则头为查询目标、规则体为判断条件。
进一步的，S3中具体采用如下方式：
S31：利用已获取的传感器船舶航行态势及真实环境信息对TBox进行概念模型的实例化表述，实现ABox的场景要素的填充，实现本体模型的实例化。
S32：依据实例化后的各类航行场景元素转化为规则库中的Prolog语义描述，实现基于规则和航海先验知识的实时船舶航行场景的理解，实现基于规则的查询。
进一步的，所述的各类实体之间场景级的分级，即S11所述的场景分级主要包含以下部分：
Scene级：主要包括海图实体、障碍物实体、以及各类环境实体，其中的障碍物信息包括动态障碍物和静态障碍物两部分，如航标、分道通航标志、暗礁、沉船的等已有的结构化明确的导助航设施，环境实体包含风、浪、流能见度等。海图实体主要包含已有的环境先验知识等，属性包含位置属性和关系属性。
Situation级：包含Scene级的所有内容，增加无人驾驶船的实体，主要是针对船舶自身的运动状态进行属性的构建和描述，主要包括无人驾驶船舶与障碍物之间的二元关系属性以及良好的船艺和专家经验；
Scenario级：包含Situation级的所有内容，增加无人船舶与障碍物船舶形成的具体会遇局面的信息以及未来一段时间内的可能存在的航行态势推算，包括对遇局面、追越局面、交叉相遇局面以及复杂会遇局面的判断等。
进一步的，所述的航行规则库的构建主要包含以下步骤；
提取本体建模部分的各类实体和实体的属性的OWL语言；
将OWL语言转化为Prolog语言，转化时做部分符号处理如下：
Declaration(Class(:Egoship))
转化为：Class(Egoship)
DataPropertyRange(:hasChannelWidth xsd:double)
转化为：hasChannelWidth(Channel,xsd:double)
进一步的，场景理解中的规则查询方法具体步骤如下：
S41：更新航行环境信息本体实例化信息添加到.pl文件中；
S42:加载Prolog规则库文件到SWI-Prolog推理机中；
S43:输入需要查询的航行态势信息获取场景理解结果。
由于采用了上述技术方案，本发明提供的一种基于航行态势本体建模的无人驾驶船舶场景理解方法，该方法依据船舶各类传感器模型感知船舶航行环境信息，将获取的动静态数据以实体和实体属性的形式存储到航行环境本体知识库，通过分析国际海上避碰规则、船员船艺以及专家经验进行航行规则的具体表述，实现Prolog规则库的构建，依据构建的规则库和本体知识库对具体船舶航行态势进行实例化的构建，为无人驾驶船舶的避碰决策提供依据。本方法与现有船舶场景理解方法不同之处在于解决了现有栅格化海图信息对船舶航行关系不能充分表述的问题，通过不断获取实时的数据信息实现具体航向态势的构建，利用航海领域的先验知识将难以量化的信息进行规则式表达，并且能够依据未来无人驾驶船舶的航行规则进行的扩充和完善，为船舶自主避碰决策提供有力的信息支持。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明无人驾驶船舶场景理解方法的流程图；
图2是无人驾驶船舶航行场景要素图；
图3是船舶航行态势本体概念模型图；
图4是场景要素本体模型属性表；
图5船舶定线制水域船舶航行场景图；
图6为船舶定线值水域船舶航行场景语义描述图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
如图1所示的一种基于航行态势本体建模的无人驾驶船舶场景理解方法，总体设计主要涉及三个部分，一是原始数据的获取，该部分是利用先验信息的电子海图数据静态数据进行不同航行区域场景的实体建模，为各类动态障碍物进行实体构建，利用AIS、GPS等进行动态数据的获取为已构建的障碍物等实体添加属性信息；二是将以构建的实体和属性进行语言转化供推理机使用，依据避碰规则、专家经验、良好船艺的航行规则限制条件，构建先验知识的航行规则库；三是将依据船舶的具体真实航行场景进行各类实体的实例化，同时依据构建的规则对于当前航行态势进行推理和查询。
如图2所是无人驾驶船舶航行场景要素图，无人驾驶船舶航行场景要素是场景理解感知首要环节，通过分析船舶的实际航行环境要素的组成将要素分为实体和属性2大类，其中实体类属性分为无人船实体、环境实体、障碍物实体、海图实体4类；属性类由位置属性、数据属性、关系属性3类组成。无人驾驶船舶的实体用以描述实际航行环境中存在的客观实物，对不同属性对象进行定义，属性类用以描述各个实体之间的关系，进行语义化的属性描述。
如图3所示船舶航行态势本体概念模型，在分析航行要素的基础上，整体的驾驶场景以实体模型的形式进行表达，如无人船实体用以描述无人驾驶船舶本身；海图实体(SeaMap)包括分为四大区域构成包括狭水道(NarrowChnnels)、开阔水域(OpenSea)、分道通航制(TrafficSeparationSchemes)、港口水域(PortArea)，每个大区域由点实体(PointEntity)、线实体(LineEntity)和区域实体(AreaEntity)类构成；环境实体(EnvironmentEntity)包含风(Wind)、浪(Wave)、流(Current)、能见度(Visibility)等；障碍物实体(ObstancleEntity)包括浮冰(Floatingice)，海洋动物(MarineAnimal)、船舶(vessel)，海上构筑物(MarineStrcuture)、礁石(Rocks)、沉船(Wrecks)等。
如图4所示本体属性表，对已有的本体属性进行语义表述，在分析各个实体之间关系的基础上将实体的属性分为三类：位置属性(PositionAttribute)、数据属性(DataAtteibute)和关系属性(RelationalAttribute)，其中位置属性是指本体的经纬度信息；数据属性包含无人驾驶船舶与障碍物之间的相对距离、相对方位以及无人船自身的状态信息；关系属性包含连接关系、包含关系和位置关系。
在本体建模和属性构建的基础上，实现了对障碍物的空间位置表述和实体之间相互关系的表达。除此之外在特定的场景下需要结合具体的先验知识对所遇到的问题进行知识表述。例如在船舶航行过程中良好船艺的运用：“两船形成追越局面时，被追越船若条件许可，必要时可减速，以缩短两船的并行时间。”若不考虑目标船的驾驶意图，则该条先验知识的应用就没有意义，因此需要对特定场景下的问题进行基于Prolog规则的先验知识表述。
如图5所示无人驾驶船舶在船舶定线制水域航行的实例场景，船舶定线制水域属于海图实体下的区域实体，在此基础上加入点实体(如警戒区标识)和线实体(如航道边界)，实现构建了无人驾驶船舶航行态势本体模型构建的应用，实现船舶对实际航行场景要素的重构。
如图6所示船舶定线值水域船舶航行场景语义描述图，在实际航行过程中，场景理解系统针对以构建的Tbox中定义的类或角色进行实例化为Abox中的事实，实例化主要包含两个内容一是海图先验信息的实例化，依据特定的航行场景进行静态结构的实例化；二是利用传感器获得的信息进行动态实时信息的实例化，包含各类障碍物与无人船的位置关系等。其中无人驾驶船舶可以实例化为egoship(egoship)；依据获取的传感器数据可得船舶的位置属性为hasPosition(x，y),速度属性为currentVelocity(egoship，5.2)；航道位置为isonvirtualchannel(virtunalchannel1)，已障碍物船舶4为例，无人船与障碍物船舶的关系为hasFrontLeftObstancleFO(egoship，FO),distanceToObstancle(FO,200)。
本发明公开的一种基于航行态势本体建模的无人驾驶船舶场景理解方法，利用本体知识构建航行环境数据获取与整合，有效解决多源信息异构的问题，保证了环境信息感知的实时性和有效性；其中依据Prolog构建的规则库，嵌入了航海领域先验知识符合航海实际，本规则库推理效率高且结构简单，易于修改和扩充，具有易用性和灵活性。场景理解库结合了船舶运动意图预测推理实现的实例化，符合船舶驾驶行为分认知过程，为船舶的避碰决策提供了丰富的决策支持。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于航行态势本体建模的无人驾驶船舶场景理解方法，其特征在于：通过构建本体知识库和航行规则库对船舶航行态势进行感知和理解，包括：
分析无人驾驶船舶航行环境的场景要素，依据驾驶场景要素进行实体构建，分析驾驶船舶与障碍物以及航行环境的关系、建立实体属性，建立基于OWL语言的航行态势语义模型；
将场景要素的实体和实体属性的OWL语言转化为Prolog语言，依据国际海上避碰规则、专家经验以及船员船艺先验知识对无人驾驶船舶的航行规则采用Prolog语言形式进行规则表述，构建Prolog航行规则库；
根据获取的船舶航行状态信息进行实体和实体属性的实例化，将实例化后的信息传入到推理机中进行航行规则的匹配和查询以及实时航行环境的重构，采用Prolog航行规则库进行基于先验知识的航行场景理解。
2.根据权利要求1所述的方法，其特征还在于：所述无人驾驶船舶航行环境的场景要素包括电子海图、交通参与者、以及助航设施；其中进行实体构建时包括构建障碍物实体、海图实体、无人船实体以及环境实体，并确立各类实体之间场景级的分级。
3.根据权利要求1所述的方法，其特征还在于：建立航行态势语义模型时：从描述式OWL语言中提取实体类的数据属性和位置属性、并转化为Prolog语言的事实类语句；采用SWI-Prolog规则对可能转向区域和会遇态势进行构建，其中以规则头为查询目标、规则体为判断条件。
4.根据权利要求1所述的方法，其特征还在于：根据获取的船舶航行状态信息进行实体和实体属性的实例化时：将船舶航行态势和真实环境信息对TBox进行概念模型的实例化表述，填充ABox的场景要素，对本体模型进行实例化处理；依据实例化后的各类航行场景要素将描述式OWL语言转化为规则库中的Prolog语言，基于航行规则和航海先验知识对实时船舶航行场景进行理解、实现基于规则的查询。
5.根据权利要求1所述的方法，其特征还在于：确立各类实体之间场景级的分级关系为：
Scene级：包括海图实体、障碍物实体以及各类环境实体，其中障碍物包括动态障碍物和静态障碍物：航标、分道通航标志、暗礁、沉船以及已有的结构化明确的导助航设施，环境实体包括风、浪、流能见度信息，海图实体包括已有的环境先验知识；
Situation级：包含Scene级的所有内容以及无人驾驶船的实体；其中无人驾驶船的实体对船舶自身的运动状态进行属性的构建和描述，包括无人驾驶船舶与障碍物之间的二元关系属性以及船艺和专家经验；
Scenario级：包含Situation级的所有内容、无人船舶与障碍物船舶形成的具体会遇局面信息、以及未来一段时间内的航行态势推算，其中航行态势推算包括对遇局面、追越局面、交叉相遇局面以及复杂会遇局面的判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010037849.1A CN111240325B (zh) | 2020-01-14 | 2020-01-14 | 一种基于航行态势本体建模的无人驾驶船舶场景理解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010037849.1A CN111240325B (zh) | 2020-01-14 | 2020-01-14 | 一种基于航行态势本体建模的无人驾驶船舶场景理解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111240325A true CN111240325A (zh) | 2020-06-05 |
| CN111240325B CN111240325B (zh) | 2023-07-07 |
Family
ID=70874565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010037849.1A Active CN111240325B (zh) | 2020-01-14 | 2020-01-14 | 一种基于航行态势本体建模的无人驾驶船舶场景理解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111240325B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180923A (zh) * | 2020-09-23 | 2021-01-05 | 深圳裹动智驾科技有限公司 | 自动驾驶方法、智能控制设备及自动驾驶车辆 |
| CN112560277A (zh) * | 2020-12-23 | 2021-03-26 | 华东师范大学 | 一种基于领域特定建模语言adsml的汽车自动驾驶场景建模方法 |
| CN113188538A (zh) * | 2021-04-26 | 2021-07-30 | 广东海洋大学 | 一种近海海域小型船舶态势分析方法 |
| CN114550499A (zh) * | 2022-02-14 | 2022-05-27 | 武汉理工大学 | 融合COLREGs场景知识的船舶智能避碰方法及装置 |
| CN115407786A (zh) * | 2022-11-01 | 2022-11-29 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶全航程自动航行决策方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324095A (zh) * | 2013-06-06 | 2013-09-25 | 湖州师范学院 | 舰船火灾损管推理仿真控制系统 |
| US20130282210A1 (en) * | 2012-04-24 | 2013-10-24 | Harris Corporation | Unmanned maritime vehicle with inference engine and knowledge base and related methods |
| CN105045933A (zh) * | 2015-09-08 | 2015-11-11 | 中国人民解放军海军工程大学 | 船舶装备维修保障信息关系数据库模式与本体间映射方法 |
| CN106875320A (zh) * | 2017-02-10 | 2017-06-20 | 武汉理工大学 | 云环境下船舶航行数据的高效可视分析方法 |
| CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
-
2020
- 2020-01-14 CN CN202010037849.1A patent/CN111240325B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130282210A1 (en) * | 2012-04-24 | 2013-10-24 | Harris Corporation | Unmanned maritime vehicle with inference engine and knowledge base and related methods |
| CN103324095A (zh) * | 2013-06-06 | 2013-09-25 | 湖州师范学院 | 舰船火灾损管推理仿真控制系统 |
| CN105045933A (zh) * | 2015-09-08 | 2015-11-11 | 中国人民解放军海军工程大学 | 船舶装备维修保障信息关系数据库模式与本体间映射方法 |
| CN106875320A (zh) * | 2017-02-10 | 2017-06-20 | 武汉理工大学 | 云环境下船舶航行数据的高效可视分析方法 |
| CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
Non-Patent Citations (1)
| Title |
|---|
| 耿新力: "城区不确定环境下无人驾驶车辆行为决策方法研究" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180923A (zh) * | 2020-09-23 | 2021-01-05 | 深圳裹动智驾科技有限公司 | 自动驾驶方法、智能控制设备及自动驾驶车辆 |
| CN112560277A (zh) * | 2020-12-23 | 2021-03-26 | 华东师范大学 | 一种基于领域特定建模语言adsml的汽车自动驾驶场景建模方法 |
| CN112560277B (zh) * | 2020-12-23 | 2022-09-30 | 华东师范大学 | 一种基于领域特定建模语言adsml的汽车自动驾驶场景建模方法 |
| CN113188538A (zh) * | 2021-04-26 | 2021-07-30 | 广东海洋大学 | 一种近海海域小型船舶态势分析方法 |
| CN114550499A (zh) * | 2022-02-14 | 2022-05-27 | 武汉理工大学 | 融合COLREGs场景知识的船舶智能避碰方法及装置 |
| CN115407786A (zh) * | 2022-11-01 | 2022-11-29 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶全航程自动航行决策方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111240325B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111240325B (zh) | 一种基于航行态势本体建模的无人驾驶船舶场景理解方法 | |
| Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
| Öztürk et al. | A review of path planning algorithms in maritime autonomous surface ships: Navigation safety perspective | |
| Perera et al. | Fuzzy logic based decision making system for collision avoidance of ocean navigation under critical collision conditions | |
| Tu et al. | Exploiting AIS data for intelligent maritime navigation: A comprehensive survey from data to methodology | |
| US11462023B2 (en) | Systems and methods for 3D object detection | |
| Martin-Abadal et al. | Deep semantic segmentation in an AUV for online posidonia oceanica meadows identification | |
| Xiaofei et al. | Global path planning algorithm based on double DQN for multi-tasks amphibious unmanned surface vehicle | |
| CN115017246A (zh) | 一种面向船舶智能航行的全息航行场景图系统和构建方法 | |
| CN110889198A (zh) | 一种基于多因素联合学习的航位概率分布预测方法及系统 | |
| Wang et al. | Multi-ship encounter situation adaptive understanding by individual navigation intention inference | |
| Benjamin et al. | Obstacle avoidance using multiobjective optimization and a dynamic obstacle manager | |
| CN113156947A (zh) | 一种船舶在动态环境下的路径规划的方法 | |
| CN112650246B (zh) | 一种船舶自主导航方法及装置 | |
| Lazarowska | Swarm intelligence approach to safe ship control | |
| Tsai et al. | Design and application of an autonomous surface vehicle with an AI-based sensing capability | |
| Zheng et al. | A partially observable multi-ship collision avoidance decision-making model based on deep reinforcement learning | |
| Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
| Raza et al. | SimuShips-A High Resolution Simulation Dataset for Ship Detection with Precise Annotations | |
| Acosta et al. | Some issues on the design of a low-cost autonomous underwater vehicle with an intelligent dynamic mission planner for pipeline and cable tracking | |
| Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
| Kicman et al. | Concept of integrated INS/visual system for autonomous mobile robot operation | |
| CN114969928A (zh) | 一种面向全息航行场景图的水上交通本体建模方法和模型 | |
| Ferrandino et al. | A Comparison between Crisp and Fuzzy Logic in an Autonomous Driving System for Boats | |
| CN115544295B (zh) | 一种支持船舶安全/自主航行的船载智能海图系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |