CN111339229B - 一种船舶自主航行辅助决策系统 - Google Patents

Abstract

本发明公开了一种船舶自主航行辅助决策系统，所述系统包括：船舶外部实时数据感知模块、船舶自身实时感知数据模块、数据挖掘层和辅助决策层；船舶外部实时数据感知模块用于通过船载传感器和无线通信装置，从船舶的外部环境中获得外部实时数据；船舶自身实时感知数据模块用于获取船舶自身实时状态数据，与外部实时数据组成航运数据；数据挖掘层用于通过HBase存储数据库实现航运数据的快速存储；从航运数据中获取用于驾驶行为预测的多模态数据；基于环境实时感知数据和船舶自身状态的感知数据综合分析驾驶行为、航道情况和船舶情况；辅助决策层用于计算海浪在z轴方向的起伏幅度并根据该起伏值调整驾驶行为；预测目标监测点的交通流；根据多模态数据预测驾驶行为；并分析辅助航行特征。

Description

一种船舶自主航行辅助决策系统

技术领域

本发明属于船舶智能化技术领域，具体涉及一种船舶自主航行辅助决策系统。

背景技术

智能化一直是船舶发展的趋势，近年来，随着物联网、大数据、云计算、人工智能等新理念、新技术的突飞猛进，船舶自动化水平不断提高，无人船艇的实现有了科技支撑，无人驾驶船舶航行于全球有了实现的可能性，无人船艇包括具有自主规划、自主航行、自主环境感知能力的全自主型无人船艇，以及非自主航行的遥控型无人船艇和按照内置程序航行并执行任务的半自主型无人船艇；它集船舶设计、人工智能、信息处理、运动控制等专业技术为一体，研究内容涉及自动驾驶、自主避障、规划与导航、模式识别等多方面，可根据其作战或使用功能的不同，采用不同的模块，搭载不同的传感器及设备，执行情报收集、监视侦察、扫雷、反潜、反恐、精确打击、搜寻救助、水文地理勘察、中继通信等任务。

目前缺乏一个具有辅助决策功能的船舶自主航行系统。

发明内容

本发明为了克服上述技术缺陷，提出了一种船舶自主航行辅助决策系统，所述系统包括：船舶外部实时数据感知模块、船舶自身实时感知数据模块、数据挖掘层和辅助决策层；

所述船舶外部实时数据感知模块，用于通过船载传感器和无线通信装置，从船舶的外部环境中获得外部实时数据；

所述船舶自身实时感知数据模块，用于获取船舶自身实时状态数据，与外部实时数据组成航运数据；

所述数据挖掘层，用于利用分布式架构以及自定义的索引，通过HBase存储数据库实现航运数据的快速存储；对航运数据中遗漏标签的数据元组进行数据补齐；从航运数据中获取用于驾驶行为预测的多模态数据；基于环境实时感知数据和船舶自身状态的感知数据综合分析驾驶行为、航道情况和船舶情况；

所述辅助决策层，用于计算海浪在z轴方向的起伏幅度，并根据该起伏值调整驾驶行为；预测目标监测点的交通流；将多模态数据输入自主驾驶模型，输出预测的驾驶行为；并分析辅助航行特征。

作为上述系统的一种改进，所述外部实时数据包括：气象数据、水文数据、AIS数据、摄像头采集的图像数据、岸基通信数据、邻船数据、激光雷达采集的3D点云数据和动力监测数据，所述动力监测数据包括船舶的速度和加速度。

作为上述系统的一种改进，所述船舶自身实时状态数据包括船舶姿态数据，船舶载货数据，燃料剩余信息，船舶航线信息，船舶系统故障信息和船舶各子系统运行时间。

作为上述系统的一种改进，所述数据挖掘层包括实时数据库，数据存储与索引单元，数据标定与清理单元，多模态大数据分析单元和航行状态大数据分析单元；

所述实时数据库包括内存数据库和关系数据库，用于对航运数据进行临时存储；

所述数据存储与索引单元，用于构建STG时空索引，该索引将时间分割成年月日和时分秒两部分，并将年月日作为行键首字符，然后是Geohash编码，最后是时间的时分秒，即年月日+Geohash编码+时分秒；将实时数据库存储的航运数据按照STG时空索引进行自定义索引；利用分布式架构以及自定义的索引，通过HBase存储存数据库实现航运数据的快速存储；

所述数据标定与清理单元，用于对航运数据中遗漏标签的数据元组，根据数据元组取值的分布情况计算填充值，从而实现数据补齐；对补齐后的数据元组的数据标签，基于集成分类器的过滤方法进行噪声过滤；

所述多模态大数据分析单元，用于从航运数据中获取用于驾驶行为预测的多模态数据，所述多模态数据包括：图像数据、3D点云数据以及船舶感知的数据；所述船舶感知的数据包括速度、加速度、角速度、天气、水文和船舶姿态；

所述航行状态大数据分析单元，用于基于环境实时感知数据和船舶自身状态的感知数据，分析驾驶行为，包括驾驶的平滑性，是否暴力驾驶，是否疲劳驾驶；分析航道情况，包括航道的安全性和航道的拥塞程度；分析船舶情况，包括船舶的倾覆风险，燃油指标和安全指数。

作为上述系统的一种改进，所述辅助决策层包括海浪与驾驶行为分析单元，短时交通流预测单元，辅助驾驶决策单元和辅助航行特征分析单元；

所述海浪与驾驶行为分析单元，用于基于船舶的加速度和角速度，在消除惯性传感器的重力加速度影响的基础上，计算惯性传感器在世界坐标系下的线加速度；利用带通滤波器对惯性传感器在世界坐标系下的z轴线加速度进行滤波，获取海浪频谱范围内的z轴线加速度；基于海浪频谱范围内的z轴线加速度，通过二次积分计算海浪在z轴方向的起伏幅度，并根据该起伏值调整驾驶行为；

所述短时交通流预测单元，用于将船舶的GPS数据转换为交通流量的数据，并按照一定的时间尺度进行聚集，得到各个监测点以T为时间间隔的交通流序列；将待预测监测点的交通流序列输入预先训练好的交通流预测模型，输出监测点p_i在下一个时间间隔T内的交通流，为驾驶行为提供决策信息；

所述辅助驾驶决策单元，用于将多模态数据输入自主驾驶模型，输出预测的驾驶行为；所述驾驶行为包括：转向动作、加速动作和减速动作；

所述辅助航行特征分析单元，用于在智能船舶的航行过程中，对辅助航行特征进行分析；在学习不同类型船舶的自身参数后，评测辅助决策系统在不同类型船只上航运的安全性及控制的平稳性。

作为上述系统的一种改进，所述交通流预测模型采用自适应卷积神经网络ACNN；

所述交通流预测模型的输入分为两部分，第一部分输入的是交通流时空信息组成的张量，记为D^space∈R^p×t×c，这里的p、t和c分别是监测点、时间间隔以及通道；

取各个监测点前t个时间间隔的数据，包括待预测的监测点共P个监测点；在通道维度上增加速度数据组成的矩阵；

对于第一部分输入进行处理的卷积层，其第一层使用基本的自适应卷积操作进行卷积，数据卷积核来自于时间数据；时间数据是一个时间编号，以30分钟为间隔，将一天分为48段进行编号，记为time，0≤time≤47；时间数据在输入网络之前首先转为48维的one-hot向量；这个one-hot向量经过一个全连接层，全连接层得到的9维向量看成是时间的稠密向量表示，然后该向量进行重新排列成3×3作为数据卷积核；全连接的神经元个数等于数据卷积核中数据个数，此处数据卷积核大小为3×3×2×5，除了3×3是数据卷积核的大小，倒数第二个维度2是通道维度，最后一个维度5是数据卷积核个数；该层的卷积核个数为32，其中的5个卷积核与数据卷积核结合成为自适应卷积核；经过自适应卷积层之后，数据输出的形状变成8×8×32；数据再经过一个含有32个形状3×3的卷积核的普通卷积层后，得到的数据形状为6×6×32，然后平铺展平为向量，作为第一部分输出的向量；

第二部分输入是待预测监测点的历史周期信息组成的张量，记为D^history∈R^{w ×d×t×c}，这里的w、d、t和c的单位分别是周，天，时间间隔和通道；在同一周的同一天内的后4个数据是未知的，用目前最新的值代替；第二部分输入在通道维度上增加了由速度数据组成的张量；第二部分输入首先经过一个自适应卷积操作变种的网络层，再经过普通的卷积层，该卷积层的第一层的卷积操作采用32个3×3×3×2的卷积核，这里3×3×3是卷积核的基本形状，2是卷积核在不同通道上的扩展；采用无填充的卷积方式，该层的输出数据形状为8×5×3×32，最后一个维度的32是通道数；数据再经过一个含有32个形状为3×3×3的卷积核的普通卷积层之后，得到形状为6×3×1×32的张量，然后将张量展平为向量，与第一部分输出的向量进行拼接；

拼接后的向量经过一个含有512个神经元的全连接层，将两部分信息融合，最后再经过回归层，输出下一个时间间隔T的交通流量。

本发明的优势在于：

本发明的船舶自主航行辅助决策系统，具有数据处理速度快，功能全，自主控制能力强的优点。

附图说明

图1为本发明的船舶自主航行辅助决策系统的结构图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

如图1所示，本发明提出了一种船舶自主航行辅助决策实验系统，该系统主要由四部分组成：船舶外部实时数据感知模块、船舶自身实时感知数据模块、数据挖掘层和辅助决策层；

船舶外部实时数据感知模块：主要是通过船载的传感器、无线通信装置由环境中获得气象数据、水文数据、AIS数据、摄像头数据、岸基通信数据、邻船数据、激光雷达数据、动力监测数据等。

船舶自主航行需要依托一套感知体系才能工作，感知体系通常是指雷达、摄像头、加速度等传感器。传感器是一种能把物理量或化学量转变成电信号的器件，它的主要功能是利用安装在船舶各部位的信号转换装置，测量或检测船舶在各种运行状态下相关机件的工作参数，并将它们转换成计算机能接受的电信号后送给控制器进行运算处理。一般来说，船舶配置的传感器越多，船舶能感知的自身状态和外界环境越具体，进而支撑其它自主航行模块进行计算。

船舶自身实时感知数据模块：船舶自身实时感知数据包括船舶姿态数据，船舶载货数据，燃料剩余信息，船舶航线信息，船舶系统故障信息，船舶子系统运行时间等。

数据挖掘层包括实时数据库，数据存储与索引单元，数据标定与清理单元，多模态大数据分析单元和航行状态大数据分析单元；

所述实时数据库包括内存数据库和关系数据库，用于对航运数据进行临时存储；

所述数据存储与索引单元，用于构建STG时空索引，该索引将时间分割成年月日和时分秒两部分，并将年月日作为行键首字符，然后是Geohash编码，最后是时间的时分秒，即年月日+Geohash编码+时分秒；将实时数据库存储的航运数据按照STG时空索引进行自定义索引；利用分布式架构以及自定义的索引，通过HBase存储存数据库实现航运数据的快速存储；

所述数据标定与清理单元，用于对航运数据中遗漏标签的数据元组，根据数据元组取值的分布情况计算填充值，从而实现数据补齐；对补齐后的数据元组的数据标签，基于集成分类器的过滤方法进行噪声过滤；

所述多模态大数据分析单元，用于从航运数据中获取用于驾驶行为预测的多模态数据，所述多模态数据包括：图像数据、3D点云数据以及船舶感知的数据；所述船舶感知的数据包括速度、加速度、角速度、天气、水文和船舶姿态；

所述航行状态大数据分析单元，用于基于环境实时感知数据和船舶自身状态的感知数据，分析驾驶行为，包括驾驶的平滑性，是否暴力驾驶，是否疲劳驾驶；分析航道情况，包括航道的安全性和航道的拥塞程度；分析船舶情况，包括船舶的倾覆风险，燃油指标和安全指数。

所述辅助决策层包括海浪与驾驶行为分析单元，短时交通流预测单元，辅助驾驶决策单元和辅助航行特征分析单元；

所述海浪与驾驶行为分析单元，用于基于船舶的加速度和角速度，在消除惯性传感器的重力加速度影响的基础上，计算惯性传感器在世界坐标系下的线加速度；利用带通滤波器对惯性传感器在世界坐标系下的z轴线加速度进行滤波，获取海浪频谱范围内的z轴线加速度；基于海浪频谱范围内的z轴线加速度，通过二次积分计算海浪在z轴方向的起伏幅度，并根据该起伏值调整驾驶行为；

所述短时交通流预测单元，用于将船舶的GPS数据转换为交通流量的数据，并按照一定的时间尺度进行聚集，得到各个监测点以T为时间间隔的交通流序列；将待预测监测点的交通流序列输入预先训练好的交通流预测模型，输出监测点p_i在下一个时间间隔T内的交通流，为驾驶行为提供决策信息；

所述交通流预测模型采用自适应卷积神经网络ACNN；

所述交通流预测模型的输入分为两部分，第一部分输入的是交通流时空信息组成的张量，记为D^space∈R^p×t×c，这里的p、t和c分别是监测点、时间间隔以及通道；

取各个监测点前t个时间间隔的数据，包括待预测的监测点共P个监测点；在通道维度上增加速度数据组成的矩阵；时空信息是指待预测监测点与相关监测点的短时时间信息，同时包括了短时时间信息和空间信息。

对于第一部分输入进行处理的卷积层，其第一层使用基本的自适应卷积操作进行卷积，数据卷积核来自于时间数据；时间数据是一个时间编号，以30分钟为间隔，将一天分为48段进行编号，记为time，0≤time≤47；时间数据在输入网络之前首先转为48维的one-hot向量；这个one-hot向量经过一个全连接层，全连接层得到的9维向量看成是时间的稠密向量表示，然后该向量进行重新排列成3×3作为数据卷积核；全连接的神经元个数等于数据卷积核中数据个数，此处数据卷积核大小为3×3×2×5，除了3×3是数据卷积核的大小，倒数第二个维度2是通道维度，最后一个维度5是数据卷积核个数；该层的卷积核个数为32，其中的5个卷积核与数据卷积核结合成为自适应卷积核；经过自适应卷积层之后，数据输出的形状变成8×8×32；数据再经过一个含有32个形状3×3的卷积核的普通卷积层后，得到的数据形状为6×6×32，然后平铺展平为向量，作为第一部分输出的向量；

第二部分输入是待预测监测点的历史周期信息组成的张量，记为D^history∈R^{w ×d×t×c}，这里的w、d、t和c的单位分别是周，天，时间间隔和通道；在同一周的同一天内的后4个数据是未知的，用目前最新的值代替；第二部分输入在通道维度上增加了由速度数据组成的张量；第二部分输入首先经过一个自适应卷积操作变种的网络层，再经过普通的卷积层，该卷积层的第一层的卷积操作采用32个3×3×3×2的卷积核，这里3×3×3是卷积核的基本形状，2是卷积核在不同通道上的扩展；采用无填充的卷积方式，该层的输出数据形状为8×5×3×32，最后一个维度的32是通道数；数据再经过一个含有32个形状为3×3×3的卷积核的普通卷积层之后，得到形状为6×3×1×32的张量，然后将张量展平为向量，与第一部分输出的向量进行拼接；

拼接后的向量经过一个含有512个神经元的全连接层，将两部分信息融合，最后再经过回归层，输出下一个时间间隔T的交通流量。

所述辅助驾驶决策单元，用于将多模态数据输入自主驾驶模型，输出预测的驾驶行为；所述驾驶行为包括：转向动作、加速动作和减速动作；

所述辅助航行特征分析单元，用于在智能船舶的航行过程中，对辅助航行特征进行分析；在学习不同类型船舶的自身参数后，评测辅助决策系统在不同类型船只上航运的安全性及控制的平稳性。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种船舶自主航行辅助决策系统，其特征在于，所述系统包括：船舶外部实时数据感知模块、船舶自身实时感知数据模块、数据挖掘层和辅助决策层；

所述船舶外部实时数据感知模块，用于通过船载传感器和无线通信装置，从船舶的外部环境中获得外部实时数据；

所述船舶自身实时感知数据模块，用于获取船舶自身实时状态数据，与外部实时数据组成航运数据；

所述数据挖掘层，用于利用分布式架构以及自定义的索引，通过HBase存储数据库实现航运数据的快速存储；对航运数据中遗漏标签的数据元组进行数据补齐；从航运数据中获取用于驾驶行为预测的多模态数据；基于环境实时感知数据和船舶自身状态的感知数据综合分析驾驶行为、航道情况和船舶情况；

所述辅助决策层，用于计算海浪在z轴方向的起伏幅度，并根据该起伏值调整驾驶行为；预测目标监测点的交通流；将多模态数据输入自主驾驶模型，输出预测的驾驶行为；并分析辅助航行特征；

所述辅助决策层包括海浪与驾驶行为分析单元，短时交通流预测单元，辅助驾驶决策单元和辅助航行特征分析单元；

所述海浪与驾驶行为分析单元，用于基于船舶的加速度和角速度，在消除惯性传感器的重力加速度影响的基础上，计算惯性传感器在世界坐标系下的线加速度；利用带通滤波器对惯性传感器在世界坐标系下的z轴线加速度进行滤波，获取海浪频谱范围内的z轴线加速度；基于海浪频谱范围内的z轴线加速度，通过二次积分计算海浪在z轴方向的起伏幅度，并根据该起伏值调整驾驶行为；

所述短时交通流预测单元，用于将船舶的GPS数据转换为交通流量的数据，并按照一定的时间尺度进行聚集，得到各个监测点以T为时间间隔的交通流序列；将待预测监测点的交通流序列输入预先训练好的交通流预测模型，输出监测点p_i在下一个时间间隔T内的交通流，为驾驶行为提供决策信息；

所述辅助驾驶决策单元，用于将多模态数据输入自主驾驶模型，输出预测的驾驶行为；所述驾驶行为包括：转向动作、加速动作和减速动作；

所述辅助航行特征分析单元，用于在智能船舶的航行过程中，对辅助航行特征进行分析；在学习不同类型船舶的自身参数后，评测辅助决策系统在不同类型船只上航运的安全性及控制的平稳性；

所述交通流预测模型采用自适应卷积神经网络ACNN；

所述交通流预测模型的输入分为两部分，第一部分输入的是交通流时空信息组成的张量，记为D^space∈R^p×t×c，这里的p、t和c分别是监测点、时间间隔以及通道；

取各个监测点前t个时间间隔的数据，包括待预测的监测点共P个监测点；在通道维度上增加速度数据组成的矩阵；

对于第一部分输入进行处理的卷积层，其第一层使用基本的自适应卷积操作进行卷积，数据卷积核来自于时间数据；时间数据是一个时间编号，以30分钟为间隔，将一天分为48段进行编号，记为time，0≤time≤47；时间数据在输入网络之前首先转为48维的one-hot向量；这个one-hot向量经过一个全连接层，全连接层得到的9维向量看成是时间的稠密向量表示，然后该向量进行重新排列成3×3作为数据卷积核；全连接的神经元个数等于数据卷积核中数据个数，此处数据卷积核大小为3×3×2×5，除了3×3是数据卷积核的大小，倒数第二个维度2是通道维度，最后一个维度5是数据卷积核个数；该层的卷积核个数为32，其中的5个卷积核与数据卷积核结合成为自适应卷积核；经过自适应卷积层之后，数据输出的形状变成8×8×32；数据再经过一个含有32个形状3×3的卷积核的普通卷积层后，得到的数据形状为6×6×32，然后平铺展平为向量，作为第一部分输出的向量；

第二部分输入是待预测监测点的历史周期信息组成的张量，记为D^history∈R^w×d×t×c，这里的w、d、t和c的单位分别是周，天，时间间隔和通道；在同一周的同一天内的后4个数据是未知的，用目前最新的值代替；第二部分输入在通道维度上增加了由速度数据组成的张量；第二部分输入首先经过一个自适应卷积操作变种的网络层，再经过普通的卷积层，该卷积层的第一层的卷积操作采用32个3×3×3×2的卷积核，这里3×3×3是卷积核的基本形状，2是卷积核在不同通道上的扩展；采用无填充的卷积方式，该层的输出数据形状为8×5×3×32，最后一个维度的32是通道数；数据再经过一个含有32个形状为3×3×3的卷积核的普通卷积层之后，得到形状为6×3×1×32的张量，然后将张量展平为向量，与第一部分输出的向量进行拼接；

拼接后的向量经过一个含有512个神经元的全连接层，将两部分信息融合，最后再经过回归层，输出下一个时间间隔T的交通流量。

2.根据权利要求1所述的船舶自主航行辅助决策系统，其特征在于，所述外部实时数据包括：气象数据、水文数据、AIS数据、摄像头采集的图像数据、岸基通信数据、邻船数据、激光雷达采集的3D点云数据和动力监测数据，所述动力监测数据包括船舶的速度和加速度。

3.根据权利要求2所述的船舶自主航行辅助决策系统，其特征在于，所述船舶自身实时状态数据包括船舶姿态数据，船舶载货数据，燃料剩余信息，船舶航线信息，船舶系统故障信息和船舶各子系统运行时间。

4.根据权利要求3所述的船舶自主航行辅助决策系统，其特征在于，所述数据挖掘层包括实时数据库，数据存储与索引单元，数据标定与清理单元，多模态大数据分析单元和航行状态大数据分析单元；

所述实时数据库包括内存数据库和关系数据库，用于对航运数据进行临时存储；

所述数据存储与索引单元，用于构建STG时空索引，该索引将时间分割成年月日和时分秒两部分，并将年月日作为行键首字符，然后是Geohash编码，最后是时间的时分秒，即年月日+Geohash编码+时分秒；将实时数据库存储的航运数据按照STG时空索引进行自定义索引；利用分布式架构以及自定义的索引，通过HBase存储存数据库实现航运数据的快速存储；

所述数据标定与清理单元，用于对航运数据中遗漏标签的数据元组，根据数据元组取值的分布情况计算填充值，从而实现数据补齐；对补齐后的数据元组的数据标签，基于集成分类器的过滤方法进行噪声过滤；

所述多模态大数据分析单元，用于从航运数据中获取用于驾驶行为预测的多模态数据，所述多模态数据包括：图像数据、3D点云数据以及船舶感知的数据；所述船舶感知的数据包括速度、加速度、角速度、天气、水文和船舶姿态；

所述航行状态大数据分析单元，用于基于环境实时感知数据和船舶自身状态的感知数据，分析驾驶行为，包括驾驶的平滑性，是否暴力驾驶，是否疲劳驾驶；分析航道情况，包括航道的安全性和航道的拥塞程度；分析船舶情况，包括船舶的倾覆风险，燃油指标和安全指数。

Images