CN111272171A - 船舶航迹预测方法及装置 - Google Patents

Abstract

本发明提供了一种船舶航迹预测方法及装置，涉及船舶技术领域，方法包括：采集船舶的航行状态数据以及环境荷载数据；根据航行状态数据对船舶进行姿态重构，得到船舶的姿态位置信息；基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据环境荷载数据计算船舶的速度及加速度；根据船舶的姿态位置信息、船舶的速度及加速度对船舶的航迹进行预测。本发明利用多种信息重构船舶当前姿态、计算船舶速度和加速度，并在此基础上实现了船舶航迹的准确预测。

Description

船舶航迹预测方法及装置

技术领域

本发明涉及船舶技术领域，尤其是涉及一种船舶航迹预测方法及装置。

背景技术

船舶智能化是船舶行业未来的发展方向，其中，智能船舶的自主避碰、自主靠港等是重要的发展环节。而随着自主避碰、自主靠港等发展目标的提出，对于浅水区域，尤其是港区以及繁忙航道中的船舶操纵性问题以及随之衍生的航迹预测、避碰预警等技术也逐步受到重视。

目前，复杂环境影响下的船舶操纵性研究一直是船舶行业的一个难点，尤其是浅水区域的操纵性问题不但影响因素众多，而且相关研究匮乏，因此一直没有重要成果。虽然当前基于静水的船舶操纵性模型已经发展成熟，但是对于有环境因素影响的操纵性问题还有待完善，导致在复杂环境影响下的船舶的航迹预测不够准确。

发明内容

本发明的目的在于提供船舶航迹预测方法及装置，以缓解目前对于有环境因素影响的操纵性问题还有待完善，导致在复杂环境影响下的船舶的航迹预测不够准确的技术问题。

第一方面，本发明实施例提供一种船舶航迹预测方法，所述方法包括：

采集船舶的航行状态数据以及环境荷载数据；

根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息；

基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度；

根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测。

进一步的，所述航行状态数据包括船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角，所述根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息的步骤，包括：

将所述船舶作为刚体，获取所述船舶上各点在随船坐标系上的坐标值；

根据所述船舶上各点在随船坐标系上的坐标值、所述船舶当前坐标、所述舯吃水、所述方位角、所述纵倾角以及所述横倾角计算所述船舶的外轮廓线在空间中的坐标位置。

进一步的，所述环境荷载数据包括船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度和浅水区域的环境信息；其中，所述浅水区域的环境信息至少包括水体含沙量和水底泥沙特征；

所述基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度的步骤，包括：

基于所述环境变量影响船舶速度及加速度的函数，根据所述环境荷载数据计算所述船舶的外荷载；

基于所述船舶操纵性方程，根据所述外载荷计算所述船舶的速度及加速度。

进一步的，根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测的步骤，包括：

对所述船舶的速度及加速度在时间维度上进行积分，得到所述船舶在下一时刻的位移以及航速；

根据所述姿态位置信息以及所述下一时刻的位移以及航速得到所述船舶的预测航迹。

进一步的，所述方法还包括：

获取障碍物的位置信息，根据所述船舶的姿态位置信息和所述障碍物的位置信息计算所述船舶与所述障碍物之间的距离；

当所述船舶与所述障碍物之间的距离小于安全距离时，向所述船舶发出预警。

进一步的，所述方法还包括：

在海图中显示所述船舶的预测航迹；

当障碍物位于所述船舶的预测航迹上时，向所述船舶发出提示。

进一步的，所述环境荷载数据包括船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度和浅水区域的环境信息；

所述浅水区域的环境信息至少包括水体含沙量和水底泥沙特征。

进一步的，所述方法还包括：

建立船型数据库，所述数据库中包括不同船型所对应船舶上各点在随船坐标系上的坐标值、环境变量影响船舶速度及加速度的函数、所述船舶操纵性方程中的船舶参数、避碰规定的安全距离和船舶的速度与功率曲线；

其中，所述环境变量影响船舶速度及加速度的函数采用机器学习算法建立，所述环境变量包括水体含沙量、水底泥沙特征。

第二方面，本发明实施例提供一种船舶航迹预测装置，所述装置包括：

采集模块，用于采集船舶的航行状态数据以及环境荷载数据；

姿态重构模块，用于根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息；

计算模块，用于基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度；

预测模块，用于根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测。

第三方面，本发明实施例提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如上所述的方法。

第四方面，本发明实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的方法。

本发明实施例提供的上述船舶航迹预测方法及装置，通过采集船舶的航行状态数据以及环境荷载数据；根据航行状态数据对船舶进行姿态重构，得到船舶的姿态位置信息；基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据环境荷载数据计算船舶的速度及加速度；根据船舶的姿态位置信息、船舶的速度及加速度对船舶的航迹进行预测。由于上述船舶的速度及加速度考虑了环境因素的影响，使得计算结果更准确，并且对船舶的当前姿态进行重构，从而根据船舶的姿态位置信息、船舶的速度及加速度实现了船舶航迹的准确预测。

通过上述船舶的姿态重构以及航迹预测，为船舶自主避碰、自主靠港等功能的实现提供技术支持。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的船舶航迹预测方法流程图；

图2为本发明实施例提供的随船坐标系的示意图；

图3为本发明实施例提供的船舶方位角示意图；

图4为本发明实施例提供的船舶纵倾角示意图；

图5为本发明实施例提供的船舶横倾角示意图；

图6为本发明实施例提供的船舶航迹预测装置示意图；

图7为本发明实施例提供的电子设备示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，复杂环境影响下的船舶操纵性研究一直是船舶行业的一个难点，尤其是浅水区域的操纵性问题不但影响因素众多，而且相关研究匮乏，因此一直没有重要成果。虽然当前基于静水的船舶操纵性模型已经发展成熟，但是对于有环境因素影响的操纵性问题还有待完善，导致在复杂环境影响下的船舶的航迹预测不够准确。基于此，本发明实施例提供的一种船舶航迹预测方法及装置，利用多种信息重构船舶当前姿态、计算船舶速度和加速度，并在此基础上实现了船舶航迹的准确预测。

为便于对本实施例进行理解，下面首先对本发明实施例所公开的一种船舶航迹预测方法进行详细介绍。

图1示出了本发明实施例提供的船舶航迹预测方法流程图。

参照图1所示，本发明实施例提供一种船舶航迹预测方法，包括以下步骤：

步骤S101，采集船舶的航行状态数据以及环境荷载数据；

步骤S102，根据航行状态数据对船舶进行姿态重构，得到船舶的姿态位置信息；

步骤S103，基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据环境荷载数据计算船舶的速度及加速度；

步骤S104，根据船舶的姿态位置信息、船舶的速度及加速度对船舶的航迹进行预测。

具体的，船舶的航行状态数据和环境荷载数据可以通过各种船用传感器采集。航行状态数据可以是船舶在航行过程中与船舶姿态相关的各种状态数据，例如船舶当前的坐标、舯吃水、方位角、纵倾角、横倾角、航速、航向、主机功率等；环境荷载数据可以是影响船舶航行的各种环境状态数据及环境信息等。

其中，环境状态数据可以是船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度等信息；环境信息可以是浅水区域的各类环境信息，例如在内河航道或者港口区域，可以利用航道局、港务局的信息平台获得水底地形(尤其是浅滩、暗礁等)、水体含沙量、水底泥沙特性等实时数据或历史数据信息，另外，还可以利用船-船通信获取相邻船舶的位置以及其船上各处与本船的相对位置数据信息。当然，环境信息不限于浅水区域，也可以是深水区域等。

上述环境变量影响船舶速度及加速度的函数、船舶操纵性方程可以预先建立，其中，环境变量包括对船舶速度、加速度影响较大的各种环境变量，船舶操纵性方程包括船舶各个自由度上的速度及加速度的方程。上述环境荷载数据可以代入环境变量影响船舶速度及加速度的函数中，然后根据得到的函数以及船舶操纵性方程可以计算船舶的速度及加速度。

本实施例利用多种信息重构船舶当前姿态、计算船舶速度和加速度，由于上述船舶的速度及加速度考虑了环境因素的影响，使得计算结果更准确，从而根据船舶的姿态位置信息、船舶的速度及加速度实现了船舶航迹的准确预测。

在可选的实施方式中，航行状态数据包括船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角，上述步骤S102具体可以通过以下方式实现：

将船舶作为刚体，获取船舶上各点在随船坐标系上的坐标值；

根据船舶上各点在随船坐标系上的坐标值、船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角计算船舶的外轮廓线在空间中的坐标位置。

具体的，船舶的外轮廓线在空间中的坐标位置即船舶上各点在当前状态下位于空间位置中的坐标值，可以根据下面的式(1)计算该坐标值。

其中，

为船舶上各点在当前状态下位于空间位置中的坐标值；

为船舶上各点在随船坐标系中的坐标值，为预先存储的已知值；ψ,θ,φ分别为船舶的方位角、纵倾角与横倾角，为船舶测量值；Δx,Δy为船舶当前坐标与空间位置坐标原点之间的坐标差，为测量值，一般空间坐标位置原点取为船舶初始位置；Δz为船舶当前位置的舯吃水与空间坐标原点之间的差值，为测量值，一般空间坐标原点取水平面。

上述随船坐标系如图2所示的坐标oxyz，船舶上各点在随船坐标系中的坐标值已知并且预先进行存储，上述方位角、纵倾角与横倾角的定义分别如图3、图4和图5所示。船舶包括船艏、船艉、左舷和右舷，方位角Ψ为图3中船艏前进方向与x₀方向之间的夹角，纵倾角θ为图4中船艏和船艉在纵向上偏离水平面的角度，横倾角

为图5中左舷和右舷在横向上偏离的角度。

在可选的实施方式中，环境荷载数据包括船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度和浅水区域的环境信息；其中，浅水区域的环境信息至少包括水体含沙量和水底泥沙特征；上述步骤S103包括以下步骤：

(1)基于环境变量影响船舶速度及加速度的函数，根据环境荷载数据计算船舶的外荷载；

(2)基于船舶操纵性方程，根据外载荷计算船舶的速度及加速度。

具体的，首先将环境荷载数据带入环境变量影响船舶速度及加速度的函数中，计算出船舶当前所受到的总体外荷载X、Y、L、N，分别为船舶收到的各个自由度上的外力以及外力矩。这里，X、Y、L、N为环境荷载数据(即风速风向、流速流向、浪高浪向、水温、盐度、浅水区域的环境信息等参数)的函数。

然后，将上述总体外荷载以及船舶参数等信息代入船舶操纵性方程，计算出船舶各个自由度上的速度(u，v，p，r)、加速度

船舶操纵性方程可以表示为方程(2)：

其中，m为船舶质量，u为前进速度，v为横移速度，p为横摇角速度，r为艏摇角速度，x_G为船舶质心与坐标原点间x方向的距离，z_G为船舶质心与坐标原点间z方向的距离，I_xx、I_zz、I_xz为船舶的转动惯量，X、Y、L、N为船舶各个自由度上受到的外力以及外力矩。m、x_G、z_G、I_xx、I_zz、I_xz均为上述船舶参数，在选定某一条船作为分析对象后，这些参数均为已知。因此，上述船舶操纵性方程即外荷载X、Y、L、N与船舶的速度(u，v，p，r)、加速度

之间的函数关系。

在可选的实施方式中，上述步骤S104具体包括：

对船舶的速度及加速度在时间维度上进行积分，得到船舶在下一时刻的位移以及航速；

根据姿态位置信息以及下一时刻的位移以及航速得到船舶的预测航迹。

具体的，根据以式(3)将船舶的速度与加速度在时间维度上进行积分，得到下一时刻的位移S以及航速U：

其中，

将步骤S102中得到的船舶的姿态位置信息代入式(3)，便可预测船舶的航迹。

在上述实施例的基础上，对船舶进行姿态重构，得到船舶的姿态位置信息后，还可以获取障碍物的位置信息，根据船舶的姿态位置信息和障碍物的位置信息计算船舶与障碍物之间的距离；当船舶与障碍物之间的距离小于安全距离时，向船舶发出预警。其中，障碍物可以是暗礁、浅滩、码头岸壁、相邻船舶等，这些障碍物的位置信息可以预先获得，其中，相邻船舶的位置可以利用船-船通信获取。

本实施例中，在对船舶的航迹进行预测后，还可以将预测的航迹绘制在海图中，即在海图中显示船舶的预测航迹；当上述障碍物位于船舶的预测航迹上时，向船舶发出提示。

基于上述船舶航迹预测方法，可以为船舶在浅水条件下的自主避碰、自主靠港等提供信息支持，也可以为船员在操作船舶时提供更加直观的信息。尤其是港口区域、繁忙航道或者其他需要精细操纵的情况下，将大大降低船员操纵船舶的难度与复杂性。

在执行上述实施例之前，还可以建立船型数据库，数据库中包括不同船型所对应的船舶上各点在随船坐标系上的坐标值、环境变量影响船舶速度及加速度的函数、船舶操纵性方程中的船舶参数、避碰规定的安全距离和船舶的速度与功率曲线；其中，环境变量影响船舶速度及加速度的函数采用机器学习算法建立，环境变量包括水体含沙量、水底泥沙特征。船型数据库并不限于上述内容，可以包括与船舶相关的各种数据，例如还可以包括船舶与舵的几何参数、物理参数、船舶操纵性方程中的水动力导数等等。

需要说明的是，在港口区域以及内河航道等浅水区域中，水体中往往掺杂了诸多泥沙，水体含沙之后对螺旋桨的各项参数以及船体的受力特性都有极大影响。在港口区域与内河航道中水底有大量淤泥，从而形成了松软的水底，船舶在松软底部航行时的水动力学特征与在刚性底部航行时的水动力学特征也有较大差异。水底淤泥的另一个影响在于船舶驶过这类水域时，螺旋桨的旋转会带动水底的大量淤泥悬浮在水中。淤泥原本静止在水底，由于螺旋桨的影响悬浮在水中即获得了势能和动能，而这些都是螺旋桨做功产生的，这就导致螺旋桨最终用于船舶推进的功减少，使得推进效率下降、精度不足。这些恰恰是在浅水区域研究船舶操纵性时比深水需要额外考虑的关键因素。

因此，本实施例中上述环境变量影响船舶速度及加速度的函数关系中考虑和添加了对浅水区域影响巨大的水体含沙量、水底泥沙特征对船舶速度、加速度影响的函数，使得上述实施例计算得到的船舶速度、加速度更加准确。

示例性的，以水体含沙量为例，采用机器学习算法建立环境变量影响船舶速度及加速度的函数的过程包括：首先利用环境水动力软件(例如mike21、delft3D等)计算不同含沙量C_s下的水体粘性v、密度ρ等参数，随后将这些参数输入CFD(所有计算流体力学的软件的简称，专门用来进行流场分析、流场计算、流场预测的软件)计算软件，例如star ccm、fluent等，用于计算指定航速U时的船体阻力R_t′_s或指定转速R时螺旋桨的推力T′等。同时也可以利用CFD软件计算出水体不含沙时的船舶阻力R_ts以及推力T等。将比例系数α₁、α₂定义为α₁＝R_t′_s/R_ts、α₂＝T′/T，显然每一个比例系数α_i都是含沙量C_s的函数。通过反复计算不同含沙量下的比例系数值，便可以得到关于含沙量和各个比例系数的数据集(Cs,α₁)、(Cs,α₂)。

利用机器学习算法，如LassoCV、SVR(Support Vactor Regerssion，支持向量回归机)等，对上述数据集进行回归拟合，便可以得到比例系数与含沙量间的函数α₁＝f(Cs)、α₂＝g(Cs)等。这类函数可以用于修正水体不含沙情况下的阻力、推力等数据，从而把含沙量考虑在内。其中，上述LassoCV是沿着正则化路径迭代拟合的Lasso(Least absoluteshrinkage and selection operator，最小绝对值收敛和选择算子、套索算法)线性模型。

水底泥沙特征等其他参数同样可以利用mike21、delft3D等环境水动力软件与star ccm、fluent等CFD软件相结合的办法形成数据集，然后用机器学习的办法生成和建立适用于浅水区各类环境变量影响船舶速度及加速度的函数关系。

如图6所示，本发明实施例提供一种船舶航迹预测装置，装置包括：

采集模块61，用于采集船舶的航行状态数据以及环境荷载数据；

姿态重构模块62，用于根据航行状态数据对船舶进行姿态重构，得到船舶的姿态位置信息；

计算模块63，用于基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据环境荷载数据计算船舶的速度及加速度；

预测模块64，用于根据船舶的姿态位置信息、船舶的速度及加速度对船舶的航迹进行预测。

在可选的实施方式中，航行状态数据包括船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角，姿态重构模块还用于：

将船舶作为刚体，根据船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角计算船舶的外轮廓线在空间中的坐标位置。

在可选的实施方式中，环境荷载数据包括船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度和浅水区域的环境信息；其中，浅水区域的环境信息至少包括水体含沙量和水底泥沙特征；

计算模块还用于：

基于环境变量影响船舶速度及加速度的函数，根据环境荷载数据计算船舶的外荷载；

基于船舶操纵性方程，根据外载荷计算船舶的速度及加速度。

在可选的实施方式中，预测模块还用于：

对船舶的速度及加速度在时间维度上进行积分，得到船舶在下一时刻的位移以及航速；

根据姿态位置信息以及下一时刻的位移以及航速得到船舶的预测航迹。

在可选的实施方式中，装置还包括：

距离计算模块，用于获取障碍物的位置信息，根据船舶的姿态位置信息和障碍物的位置信息计算船舶与障碍物之间的距离；

预警模块，用于当船舶与障碍物之间的距离小于安全距离时，向船舶发出预警。

在可选的实施方式中，装置还包括：

显示模块，用于在海图中显示船舶的预测航迹；

提示模块，用于当障碍物位于船舶的预测航迹上时，向船舶发出提示。

在可选的实施方式中，装置还包括：

建立模块，用于建立船型数据库，数据库中包括不同船型所对应的船舶参数、船舶上各点在随船坐标系上的坐标值、环境变量影响船舶速度及加速度的函数、船舶操纵性方程中的船舶参数、避碰规定的安全距离和船舶的速度与功率曲线；

其中，环境变量影响船舶速度及加速度的函数采用机器学习算法建立，环境变量包括水体含沙量、水底泥沙特征。

本发明实施例提供的上述船舶航迹预测方法及装置，通过采集船舶的航行状态数据以及环境荷载数据；根据航行状态数据对船舶进行姿态重构，得到船舶的姿态位置信息；基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据环境荷载数据计算船舶的速度及加速度；根据船舶的姿态位置信息、船舶的速度及加速度对船舶的航迹进行预测。由于上述船舶的速度及加速度考虑了环境因素的影响，使得计算结果更准确，并且对船舶的当前姿态进行重构，从而根据船舶的姿态位置信息、船舶的速度及加速度实现了船舶航迹的准确预测。

通过上述船舶的姿态重构以及航迹预测，为船舶自主避碰、自主靠港等功能的实现提供技术支持。

参见图7，本发明实施例还提供一种电子设备400，包括：处理器401，存储器402，总线403和通信接口404，处理器401、通信接口404和存储器402通过总线403连接；存储器402用于存储程序；处理器401用于通过总线403调用存储在存储器402中的程序，执行上述实施例的船舶航迹预测方法。

其中，存储器402可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口404(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线403可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器402用于存储程序，处理器401在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器401中，或者由处理器401实现。

处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提供了一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现如上的船舶航迹预测方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，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)

1.一种船舶航迹预测方法，其特征在于，所述方法包括：

采集船舶的航行状态数据以及环境荷载数据；

根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息；

基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度；

根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测。

2.根据权利要求1所述的方法，其特征在于，所述航行状态数据包括船舶当前坐标、舯吃水、方位角、纵倾角以及横倾角，所述根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息的步骤，包括：

将所述船舶作为刚体，获取所述船舶上各点在随船坐标系上的坐标值；

根据所述船舶上各点在随船坐标系上的坐标值、所述船舶当前坐标、所述舯吃水、所述方位角、所述纵倾角以及所述横倾角计算所述船舶的外轮廓线在空间中的坐标位置。

3.根据权利要求1所述的方法，其特征在于，所述环境荷载数据包括船舶航行海域的风速风向、流速流向、浪高浪向、水温、盐度和浅水区域的环境信息；其中，所述浅水区域的环境信息至少包括水体含沙量和水底泥沙特征；

所述基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度的步骤，包括：

基于所述环境变量影响船舶速度及加速度的函数，根据所述环境荷载数据计算所述船舶的外荷载；

基于所述船舶操纵性方程，根据所述外荷载计算所述船舶的速度及加速度。

4.根据权利要求1所述的方法，其特征在于，根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测的步骤，包括：

对所述船舶的速度及加速度在时间维度上进行积分，得到所述船舶在下一时刻的位移以及航速；

根据所述姿态位置信息以及所述下一时刻的位移以及航速得到所述船舶的预测航迹。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取障碍物的位置信息，根据所述船舶的姿态位置信息和所述障碍物的位置信息计算所述船舶与所述障碍物之间的距离；

当所述船舶与所述障碍物之间的距离小于安全距离时，向所述船舶发出预警。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

在海图中显示所述船舶的预测航迹；

当所述障碍物位于所述船舶的预测航迹上时，向所述船舶发出提示。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：

建立船型数据库，所述数据库中包括不同船型所对应的船舶上各点在随船坐标系上的坐标值、环境变量影响船舶速度及加速度的函数、所述船舶操纵性方程中的船舶参数、避碰规定的安全距离和船舶的速度与功率曲线；

其中，所述环境变量影响船舶速度及加速度的函数采用机器学习算法建立，所述环境变量包括水体含沙量、水底泥沙特征。

8.一种船舶航迹预测装置，其特征在于，所述装置包括：

采集模块，用于采集船舶的航行状态数据以及环境荷载数据；

姿态重构模块，用于根据所述航行状态数据对所述船舶进行姿态重构，得到所述船舶的姿态位置信息；

计算模块，用于基于环境变量影响船舶速度及加速度的函数、船舶操纵性方程，根据所述环境荷载数据计算所述船舶的速度及加速度；

预测模块，用于根据所述船舶的姿态位置信息、所述船舶的速度及加速度对所述船舶的航迹进行预测。

9.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-7任一项所述的方法。

10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-7任一项所述的方法。

Images