CN111507429B - 智能船舶多源感知数据船端融合方法、装置和决策系统 - Google Patents
智能船舶多源感知数据船端融合方法、装置和决策系统 Download PDFInfo
- Publication number
- CN111507429B CN111507429B CN202010479395.3A CN202010479395A CN111507429B CN 111507429 B CN111507429 B CN 111507429B CN 202010479395 A CN202010479395 A CN 202010479395A CN 111507429 B CN111507429 B CN 111507429B
- Authority
- CN
- China
- Prior art keywords
- data
- ship
- perception
- information
- fusion
- 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.)
- Active
Links
- 230000008447 perception Effects 0.000 title claims abstract description 130
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 71
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能船舶技术领域,具体涉及一种智能船舶多源感知数据船端融合方法、装置和决策系统。该方法包括:获取船端感知信息和岸基感知信息;对岸基感知信息进行卡尔曼滤波,生成第一感知信息;基于第一感知信息中的数据匹配获取船端感知信息中的数据,将第一感知信息中的数据和匹配获取的数据作为待融合数据,对待融合数据通过加权融合法进行融合,得到船端融合数据;基于船端融合数据进行智能船舶周围态势估计,以输出决策指令。本发明方法能够提高船端获取的感知数据的精度和稳定性。智能船舶利用船端与岸端的融合感知数据进行特征提取,得到的航行信息、周围环境信息和气象信息更加准确。
Description
技术领域
本发明属于智能船舶技术领域,具体涉及一种智能船舶多源感知数据船端融合方法、装置和决策系统。
背景技术
智能船舶由不同类型的感知设备组成智能船舶自身的“感知系统”,各个感知设备的信息经过处理为智能船舶提供本船和他船的航行信息、周围环境信息和气象信息。智能船舶依据这些感知信息控制智能船舶做出相应的动作响应。因此可知,智能船舶只有在获取准确的感知信息的情况下,才能做出准确的动作响应。
现阶段,智能船舶的感知信息主要是通过船舶自身的感知设备采集原始数据进行数据融合得到的。由于感知设备在采集数据时不可避免的会遇到干扰或存在不确定性,导致感知数据精度不高、不稳定。智能船舶只利用船端单方面感知设备检测到的数据进行特征提取,导致获取的航行信息、周围环境信息和气象信息不准确,降低了船舶航行的安全性和可靠性。
发明内容
(一)要解决的技术问题
本申请提出了一种智能船舶多源感知数据船端融合方法、装置,以解决现有的智能船舶获取的感知数据精度不高、不稳定,导致获取的航行信息、周围环境信息和气象信息不准确的问题。
(二)技术方案
为达到上述目的,本发明采用如下技术方案:
第一方面,本发明实施例提供一种智能船舶多源感知数据船端融合方法,该方法包括:
获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,所述船端感知信息和所述岸基感知信息包括雷达数据、AIS数据、导航数据、气象监测数据中的一种或多种;
对所述岸基感知信息进行卡尔曼滤波,生成第一感知信息;
基于所述第一感知信息中的数据匹配获取所述船端感知信息中的数据,将所述第一感知信息中的数据和匹配获取的数据作为待融合数据;
对所述待融合数据通过加权融合法进行融合,得到船端融合数据;
基于所述船端融合数据进行智能船舶周围态势估计,以输出决策指令。
本发明的实施例中将岸基感知信息进行统一格式的预处理后再与船端数据融合,与常用的特征级融合及决策级融合相比可以最大程度的确保数据的冗余性、可正确性;采用单传感器滤波的方式对岸基传输到岸端的数据信息滤波处理,通过滤波算法建立对当前时刻的估计值,解决了数据传输过程中的延时问题;对船端感知数据和岸基感知数据进行匹配,降低了设备异常或产生的错误值对融合结果的影响,并采用改进型加权融合法的组合形式对船岸感知信息进行了分类融合,可得到更加准确的各类感知信息,便于融合所有类型感知信息得到更加准确的态势估计。采用单传感器滤波和改进型加权融合的方法进行结合增加了融合算法的容错性,使得到的感知数据更加准确,减少由于各种误差带来的影响。与特征级融合、决策级融合相比,本发明的融合方法仅仅对特征提取之前的数据进行分类融合,可以更加方便快捷应用到现有智能船舶决策系统主程序之中,避免特征级融合方法带来的对主程序进行的大面积修改。
可选地,所述加权融合法中的权重为基于指数函数建立的两组感知数据之间的信任度函数,所述信任度函数的计算方法为:
其中,f(X,X′)为信任度函数,ε为一致性检验中的阈值,X为属于第一感知信息的待融合数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
可选地,所述船端融合数据的计算方法为:
其中,为船端融合数据,f(X,X′)为信任度函数,X为第一感知信息中的数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
可选地,基于所述第一感知信息中的数据根据如下公式匹配获取所述船端感知信息中的数据:
|X′(t|t)-X(t|t)|≤ε
其中,X(t|t)为t时刻的第一感知信息中的数据,X′(t|t)为t时刻船端感知信息中的数据,ε为阈值。
可选地,所述阈值根据采集同类感知数据的船端感知设备和岸端感知设备的精度确定。
可选地,所述船端感知信息中的雷达数据通过激光雷达、毫米波雷达、微波导航雷达中的一种或多种获取。
可选地,所述气象监测数据包括天气数据,能见度数据,风速风向数据,浪级数据,台风数据中的一种或多种。
可选地,所述岸基感知信息中的数据为岸基感知设备采集、并进行数据格式转换后生成的感知信息数据,所述岸基感知信息与所述船端感知信息的数据格式相同。
第二方面,本发明实施例提供一种智能船舶多源感知数据船端融合装置,该装置包括:
感知信息获取模块,配置为获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,所述船端感知信息和所述岸基感知信息包括雷达数据、AIS数据、导航数据、环境监测数据中的一种或多种;
数据滤波模块,配置为对所述岸基感知信息进行卡尔曼滤波,生成第一感知信息;
数据匹配模块,配置为基于所述第一感知信息中的数据匹配获取所述船端感知信息中的数据,将所述第一感知信息中的数据和匹配获取的数据作为待融合数据;
数据融合模块,配置为对所述待融合数据通过加权融合法进行融合,得到船端融合数据;
态势估计模块,配置为基于所述船端融合数据进行智能船舶周围态势估计,以输出决策指令。
第三方面,本发明实施例提供一种智能船舶决策系统,该系统包括上述的智能船舶多源感知数据船端融合装置。
(三)有益效果
本发明的有益效果是:本发明提出了一种智能船舶多源感知数据船端融合方法和装置,能够将岸端感知设备采集的信息数据和船端感知设备采集的信息数据在船端进行数据融合,从而提高了船端获取的感知数据的精度和稳定性。智能船舶利用船端与岸端的融合感知数据进行特征提取,得到的航行信息、周围环境信息和气象信息更加准确。进一步地,通过本发明提出的智能船舶决策系统提高了智能船舶航行的安全性和可靠性。
附图说明
本申请借助于以下附图进行描述:
图1为本申请一个实施例中的智能船舶多源感知数据船端融合方法流程示意图;
图2为本申请另一个实施例中的智能船舶多源感知数据船端融合装置系统架构图。
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。
针对现有的智能船舶获取的感知数据精度不高、不稳定,导致获取的航行信息、周围环境信息和气象信息不准确的问题,本发明实施例提出了一种智能船舶多源感知数据船端融合方法,能够将岸端感知设备采集的信息数据和船端感知设备采集的信息数据在船端通过改进的加权融合法进行数据融合;从而提高了船端获取的感知数据的精度和稳定性。智能船舶利用船端与岸端的融合感知数据进行特征提取,得到的航行信息、周围环境信息和气象信息更加准确。其中,该智能船舶多源感知数据船端融合方法包括以下步骤:
获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,船端感知信息和岸基感知信息包括雷达数据、AIS数据、导航数据、气象监测数据中的一种或多种;
对岸基感知信息进行卡尔曼滤波,生成第一感知信息;
基于第一感知信息中的数据匹配获取船端感知信息中的数据,将第一感知信息中的数据和匹配获取的数据作为待融合数据;
对待融合数据通过加权融合法进行融合,得到船端融合数据;
基于船端融合数据进行智能船舶周围态势估计,以输出决策指令。
通过该方法得到的感知信息,能够克服干扰或不确定性带来的影响,得到更加准确的各类感知信息,便于融合所有类型感知信息得到更加准确的态势估计。并且,与特征级融合、决策级融合相比,本实施例的融合方法仅仅对态势融合特征提取之前的数据进行分类融合,可以更加方便快捷应用到现有智能船舶决策系统主程序之中,避免总体特征级融合方法带来的对主程序进行的大面积修改。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本申请的一个实施例的执行主体为设置于智能船舶上的智能船舶决策系统,该系统对感知数据进行融合,并对融合后的数据信息进行重要信息特征提取,之后决策系统根据感知信息进行决策并作出控制指令。该系统中采用的数据融合方法具体步骤如图1所示,图1为该实施例中的智能船舶多源感知数据船端融合方法流程示意图。下面结合图1对该实施例中各步骤进行展开详述。
步骤S10,获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,船端感知信息和岸基感知信息包括雷达数据、AIS数据、导航数据、气象监测数据中的一种或多种。
智能船舶的船载外部感知系统主要包括激光雷达、AIS、毫米波雷达、微波导航雷达、摄像头、风速风向仪、避碰声呐、GPS/北斗导航、罗经、计程仪,智能船舶主要依靠以上设备获取的感知信息对自身状态及环境态势做出分析,利用分析得到的信息执行相应的航行指令。
为保障航运的安全,在沿海区域都建有岸基中心,利用岸基中心对辖区内的交通状况及环境状况及进行监控,为辖区内的船舶提供安全保障,其中岸基中心的感知主要依靠雷达子系统,AIS子系统,视频监控子系统,VHF通信子系统,北斗卫星导航子系统,气象监测子系统。
本实施例中要融合的感知数据包括雷达感知数据,AIS感知数据,北斗卫星导航数据,气象监测数据四种。
数据融合分为三级,分别是数据级数据融合、特征级数据融合、决策级数据融合。本实施例采用数据级融合的方法将感知数据在船端进行数据融合,可充分利用完整的感知数据和避免特征级融合和决策级融合模式带来的不确定性。
具体地,在一个实施例中,雷达数据可以是通过激光雷达、毫米波雷达、微波导航雷达中的一种或多种获取的数据。
具体地,在一个实施例中,气象监测数据可以包括天气数据,能见度数据,风速风向数据,浪级数据,台风数据中的一种或多种。
可选地,岸基感知信息中的数据为岸基感知设备采集、并进行数据格式转换后生成的感知信息数据,岸基感知信息与所述船端感知信息的数据格式相同。
作为一个示例,采集岸基感知设备某一时间段T内的雷达、AIS、北斗卫星、气象监测感知数据。在岸基对岸基感知信息中的数据进行预处理,删除冗余数据,同时进行数据格式转换,将数据转换成智能船舶标准格式的数据,从而可以降低将感知数据直接发送到船端,由于数据量大而导致的时延。将预处理后的岸基感知信息通过无线传输的方法将数据传输到船舶上的数据融合中心。
步骤S20,对岸基感知信息进行卡尔曼滤波,生成第二感知信息。
本实施例中,数据融合中心在接收到数据后,运用滤波处理方法对各类感知数据分别进行处理,数据滤波处理方法包括:
S21,设岸基数据从发送到船载端接收经过的时间为τ,则在当前t时刻接收到的感知数据为t-τ时刻的状态值Xt-τ|t-τ,则利用状态方程(1)对t时刻的状态进行预测:
X(t|t-τ)=Φ(t|t-τ)X(t-τ|t-τ)+Γω(t-τ) (1)
其中,X(t|t-τ),X(t-τ|t-τ)为状态变量,Φ为状态转移矩阵,Γ为状态噪声加权矩阵,ω(t-τ)为t-τ时刻的噪声矩阵。
根据公式(2)计算任一感知子系统在当前t时刻的观测估计值。
Z(t)=HX(t-τ)+V(t) (2)
其中,Z(t)为任一感知子系统在当前t时刻的观测估计值,H为观测矩阵,v(t)为t时刻的测量噪声。
采用单传感器滤波方法增加了融合算法的容错性,使得到的感知数据更加准确,减少由于各种误差带来的影响。
S22,如公式(3)所示,根据第t-τ时刻的系统预测误差估计t时刻的系统预测误差。
P(t|t-τ)=Φ(t|t-τ)P(t-τ|t-τ)ΦT(t|t-τ)+Γ(t-τ)ω((t-τ)ΓT(t-τ) (3)
S23,如公式(4)所示,计算卡尔曼增益。
K(t)=P(t|t-τ)HT(t)×[H(t)×P(t|t-τ)HT(t)+V(t)]-1 (4)
S24,如公式(5)所示,得到状态更新方程。
X(t|t)=X(t|t-τ)+K(t)[Z(t)-H(t)X(t|t-τ)] (5)
步骤S30,基于第二感知信息中的数据匹配获取船端感知信息中的数据,将第二感知信息中的数据和匹配获取的数据作为待融合数据。
在本实施例中,根据公式(6)对第二感知信息中的数据与船端感知信息中的数据进行一致性检验,以同一物标测量数据的正确性:
|X′(t|t)-X(t|t)|≤ε (6)
其中,X(t|t)为经过滤波得到的t时刻的第二感知信息中的数据,X′(t|t)为同类型的船载感知设备产生的t时刻船端感知信息中的数据,ε为阈值。
可选地,阈值根据采集同类感知数据的船端感知设备和岸端感知设备的精度确定。
以感知信息中雷达数据的位置点数据为例,设岸端感知到的数据为(a1,b1),岸端感知设备的感知精度为±m,船端感知设备感知到的数据为(a2,b2),岸端感知设备的感知精度为±n,两种数据之间的差距不能超过设备精度相加的最大范围,如公式(7)和(8)所示。
|a2-a1|≤2m+2n (7)
|b2-b1|≤2m+2n (8)
则位置点数据的阈值计算方法如公式(9)所示。
ε=2m+2n (9)
采用上述的方法,也可确定其他感知数据进行一致性检验时的阈值。通过一致性检验对船端感知数据和岸基感知数据进行匹配,降低了设备异常或产生的错误值对融合结果的影响。
步骤S40,对待融合数据通过加权融合法进行融合,得到船端融合数据。
在本实施例中,将通过检验的两组数据运用加权融合法进行融合,得到各类不同的感知信息,其中,权重为基于指数函数建立的两组同类感知数据之间的信任度函数,可根据公式(10)计算信任度函数。
其中,f(X,X′)为信任度函数,ε为一致性检验中的阈值,X为属于第二感知信息的待融合数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
利用信任度函数对权重进行自适应的改变,可增加输出融合的准确性。
在本实施例中,可根据公式(11)计算船端融合数据,得到数据融合之后的状态量。
其中,为船端融合数据,f(X,X′)为信任度函数,X为第二感知信息中的数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
步骤S50,基于船端融合数据进行智能船舶周围态势估计,以输出决策指令。
智能船舶决策系统将融合后的各类型的感知信息用于智能船舶周围态势呈现,将得到融合后的感知数据进行重要信息特征提取,决策系统根据感知信息进行决策并作出控制指令,产生加速指令,减速指令,转向指令,停车指令,倒车指令。
本实施例提出了一种智能船舶多源感知数据船端融合方法,将岸基感知中的雷达相关信息、AIS相关信息、北斗卫星导航信息、气象监测信息与船端的雷达信息、AIS信息、导航信息、气象监测信息在船端进行数据融合,从而提高了船端获取的感知数据的精度和稳定性;通过岸基感知信息与船载感知信息的互补与冗余特性对感知信息进行融合优化,为智能船舶决策提供更为准确可靠的感知信息。
本申请第二方面提出了一种智能船舶多源感知数据船端融合装置,图2示出了本申请的智能船舶多源感知数据船端融合装置一个实施例的系统架构图,该装置包括:
感知信息获取模块101,配置为获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,船端感知信息和岸基感知信息包括雷达数据、AIS数据、导航数据、环境监测数据;
数据滤波模块102,配置为对岸基感知信息进行卡尔曼滤波,生成第三感知信息;
数据匹配模块103,配置为基于第三感知信息中的数据匹配获取船端感知信息中的数据,将第三感知信息中的数据和匹配获取的数据作为待融合数据;
数据融合模块104,配置为对待融合数据通过加权融合法进行融合,得到船端融合数据;
态势估计模块105,配置为基于船端融合数据进行智能船舶周围态势估计,以输出决策指令。
本申请中的感知信息获取模块101、数据滤波模块102、数据匹配模块103、数据融合模块104、态势估计模块105通常可以设置在终端设备或服务器中。
用来实现本申请实施例的终端设备或服务器的计算机系统可以包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的智能船舶多源感知数据船端融合装置,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本申请第三方面提出了一种智能船舶决策系统,该系统包括上述的智能船舶多源感知数据船端融合装置。
通过本申请提出的智能船舶决策系统,提高了智能船舶航行的安全性和可靠性。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (8)
1.一种智能船舶多源感知数据船端融合方法,其特征在于,该方法包括:
获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,所述船端感知信息和所述岸基感知信息包括雷达数据、AIS数据、导航数据、气象监测数据中的一种或多种;
对所述岸基感知信息进行卡尔曼滤波,生成第一感知信息;
基于所述第一感知信息中的数据匹配获取所述船端感知信息中的数据,将所述第一感知信息中的数据和匹配获取的数据作为待融合数据;
对所述待融合数据通过加权融合法进行融合,得到船端融合数据;
基于所述船端融合数据进行智能船舶周围态势估计,以输出决策指令;
所述加权融合法中的权重为基于指数函数建立的两组感知数据之间的信任度函数,所述信任度函数的计算方法为:
其中,f(X,X′)为信任度函数,ε为一致性检验中的阈值,X为属于第一感知信息的待融合数据,X′为与X具有一致性的同一时刻船端感知信息中的数据;
所述船端融合数据的计算方法为:
其中,为船端融合数据,f(X,X′)为信任度函数,X为第一感知信息中的数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
2.根据权利要求1所述的智能船舶多源感知数据船端融合方法,其特征在于,基于所述第一感知信息中的数据根据如下公式匹配获取所述船端感知信息中的数据:
|X′(t|t)-X(t|t)|≤ε
其中,X(t|t)为t时刻的第一感知信息中的数据,X′(t|t)为t时刻船端感知信息中的数据,ε为阈值。
3.根据权利要求2所述的智能船舶多源感知数据船端融合方法,其特征在于,所述阈值根据采集同类感知数据的船端感知设备和岸端感知设备的精度确定。
4.根据权利要求1-3中任一权利要求所述的智能船舶多源感知数据船端融合方法,其特征在于,所述船端感知信息中的雷达数据通过激光雷达、毫米波雷达、微波导航雷达中的一种或多种获取。
5.根据权利要求1-3中任一权利要求所述的智能船舶多源感知数据船端融合方法,其特征在于,所述气象监测数据包括天气数据,能见度数据,风速风向数据,浪级数据,台风数据中的一种或多种。
6.根据权利要求1-3中任一权利要求所述的智能船舶多源感知数据船端融合方法,其特征在于,所述岸基感知信息中的数据为岸基感知设备采集、并进行数据格式转换后生成的感知信息数据,所述岸基感知信息与所述船端感知信息的数据格式相同。
7.一种智能船舶多源感知数据船端融合装置,其特征在于,该装置包括:
感知信息获取模块,配置为获取船端感知设备采集的船端感知信息,获取岸基感知设备采集的岸基感知信息,所述船端感知信息和所述岸基感知信息包括雷达数据、AIS数据、导航数据、气象监测数据中的一种或多种;
数据滤波模块,配置为对所述岸基感知信息进行卡尔曼滤波,生成第一感知信息;
数据匹配模块,配置为基于所述第一感知信息中的数据匹配获取所述船端感知信息中的数据,将所述第一感知信息中的数据和匹配获取的数据作为待融合数据;
数据融合模块,配置为对所述待融合数据通过加权融合法进行融合,得到船端融合数据;
态势估计模块,配置为基于所述船端融合数据进行智能船舶周围态势估计,以输出决策指令;
所述加权融合法中的权重为基于指数函数建立的两组感知数据之间的信任度函数,所述信任度函数的计算方法为:
其中,f(X,X′)为信任度函数,ε为一致性检验中的阈值,X为属于第一感知信息的待融合数据,X′为与X具有一致性的同一时刻船端感知信息中的数据;
所述船端融合数据的计算方法为:
其中,为船端融合数据,f(X,X′)为信任度函数,X为第一感知信息中的数据,X′为与X具有一致性的同一时刻船端感知信息中的数据。
8.一种智能船舶决策系统,其特征在于,该系统包括权利要求7所述的智能船舶多源感知数据船端融合装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479395.3A CN111507429B (zh) | 2020-05-29 | 2020-05-29 | 智能船舶多源感知数据船端融合方法、装置和决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479395.3A CN111507429B (zh) | 2020-05-29 | 2020-05-29 | 智能船舶多源感知数据船端融合方法、装置和决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507429A CN111507429A (zh) | 2020-08-07 |
CN111507429B true CN111507429B (zh) | 2023-08-01 |
Family
ID=71877041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010479395.3A Active CN111507429B (zh) | 2020-05-29 | 2020-05-29 | 智能船舶多源感知数据船端融合方法、装置和决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507429B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347218B (zh) * | 2020-11-12 | 2024-06-04 | 珠海云洲智能科技股份有限公司 | 无人船艇的环境地图生成方法及无人船艇感知系统 |
CN112887262B (zh) * | 2020-12-28 | 2021-11-23 | 北京航空航天大学 | 一种基于多源信息融合的汽车信息安全防护方法及装置 |
CN112859133B (zh) * | 2021-01-20 | 2022-06-14 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种基于雷达与北斗数据的船舶深度融合定位方法 |
CN113009909A (zh) * | 2021-02-03 | 2021-06-22 | 武汉理工大学 | 船岸协同单船自主靠系泊系统及其控制方法 |
CN113516874B (zh) * | 2021-04-12 | 2023-01-17 | 武汉理工大学 | 水路运输系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412220A (zh) * | 2013-08-13 | 2013-11-27 | 无锡科技职业学院 | 一种基于数据融合的船舶电站故障诊断方法 |
CN109886308A (zh) * | 2019-01-25 | 2019-06-14 | 中国汽车技术研究中心有限公司 | 一种基于目标级别的双传感器数据融合方法和装置 |
CN110954902A (zh) * | 2019-11-21 | 2020-04-03 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶协同感知系统及其实现方法 |
CN111007852A (zh) * | 2019-12-16 | 2020-04-14 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶的系统架构及智能船舶 |
CN111025295A (zh) * | 2019-11-22 | 2020-04-17 | 青岛海狮网络科技有限公司 | 一种基于岸基雷达的多船协同感知数据融合系统及方法 |
CN111157982A (zh) * | 2019-11-20 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 |
-
2020
- 2020-05-29 CN CN202010479395.3A patent/CN111507429B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412220A (zh) * | 2013-08-13 | 2013-11-27 | 无锡科技职业学院 | 一种基于数据融合的船舶电站故障诊断方法 |
CN109886308A (zh) * | 2019-01-25 | 2019-06-14 | 中国汽车技术研究中心有限公司 | 一种基于目标级别的双传感器数据融合方法和装置 |
CN111157982A (zh) * | 2019-11-20 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 |
CN110954902A (zh) * | 2019-11-21 | 2020-04-03 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶协同感知系统及其实现方法 |
CN111025295A (zh) * | 2019-11-22 | 2020-04-17 | 青岛海狮网络科技有限公司 | 一种基于岸基雷达的多船协同感知数据融合系统及方法 |
CN111007852A (zh) * | 2019-12-16 | 2020-04-14 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶的系统架构及智能船舶 |
Non-Patent Citations (1)
Title |
---|
初洪龙 等.基于信任度的多传感器数据融合在农业物联网的应用.《农业网络信息》.2017,第130-132页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111507429A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507429B (zh) | 智能船舶多源感知数据船端融合方法、装置和决策系统 | |
US5140523A (en) | Neural network for predicting lightning | |
RU2757591C1 (ru) | Способ и система для формирования прогноза погоды | |
JP2019211342A (ja) | 気象解析装置、気象解析方法、およびプログラム | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN111898749A (zh) | 一种基于神经网络的无人机航迹预测方法 | |
US20190362445A1 (en) | Methods and systems for an enhanced energy grid system | |
CN116527135B (zh) | 站址可用度确定方法、系统、装置、电子设备及存储介质 | |
CN115755131A (zh) | 一种卫星定位的方法、装置及介质 | |
CN115657045A (zh) | 基于方位信息多被动探测平台水下航行器数据的融合方法 | |
Ho et al. | Automated cyclone discovery and tracking using knowledge sharing in multiple heterogeneous satellite data | |
CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
CN111812748A (zh) | 一种降水量预测方法及设备 | |
CN116910696B (zh) | 一种船舶大数据处理方法和系统 | |
US20230079545A1 (en) | Method and control unit for monitoring a sensor system | |
CN117556376B (zh) | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 | |
EP4109191A1 (en) | Methods and systems for generating ground truth data | |
CN116560219B (zh) | 基于输电杆塔风速联合分析的自适应监测控制方法及系统 | |
CN115249339B (zh) | 河道漂浮物识别系统、方法、设备及存储介质 | |
US20230266430A1 (en) | Method for a multi-domain geolocalization | |
CN115620069A (zh) | 目标识别方法、装置、终端设备及存储介质 | |
CN115829814A (zh) | 一种溢油溯源方法、装置、设备及存储介质 | |
CN116520298A (zh) | 激光雷达性能测试方法、装置、电子设备及可读存储介质 | |
CN117333741A (zh) | 一种感知算法的评估方法、装置、设备及介质 | |
CN110413853A (zh) | 一种基于观测数据的黑名单生成方法、装置、设备及介质 |
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 |