CN111899489B - 一种船舶会遇意图辨识方法 - Google Patents

Abstract

本发明涉及一种船舶会遇意图辨识方法，该方法包括以下步骤：步骤1)，船舶轨迹数据预处理；步骤2)，计算和提取观测特征序列；步骤3)，学习各意图的HMM；步骤4)，会遇意图辨识。本发明考虑了船舶会遇过程的时空演化特征，相比于只依赖局部空间条件判别会遇局面，基于HMM实现船舶会遇意图准确和提前辨识，能够有效减少会遇意图的误报。

Description

一种船舶会遇意图辨识方法

技术领域

本发明涉及船舶会遇助航预警技术领域，更具体地说，涉及一种船 舶会遇意图辨识方法。

背景技术

在交通流密度大的水域，船舶交通流往往会形成交叉穿越的复杂局 面，交通冲突严重、驾驶人员安全压力大，致使船舶发生碰撞危险的几 率大大增加，给船舶安全航行带来巨大挑战。由于航路交汇和航道限制 等原因，船舶会遇局面存在态势转换的现象，给船舶会遇意图的辨识带 来极大难度，船舶会遇意图的辨识是感知船舶碰撞风险的重要前提，也 是划分船舶避碰责任的重要依据。会遇意图不明确、意图判别错误往往 是导致船舶陷入紧迫局面并引发碰撞事故的主要因素。针对船舶会遇过 程存在着转向变速等状态转移的现象，理清会遇行为与意图之间的量化 耦合关系，实现对会遇意图的实时准确辨识，为感知碰撞风险和划分避 让责任提供依据，对完善船舶碰撞危险评价理论和提高船舶会遇助航预 警水平具有重要意义。

发明内容

(一)要解决的技术问题

为解决现有技术存在的问题，本发明提供一种船舶会遇意图辨识方 法，该方法对船舶会遇意图辨识具有更高的准确性和实时性。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

设计一种船舶会遇意图辨识方法，该方法包括以下步骤：

步骤1)，通过AIS获取会遇两船的运动信息。其中，船舶A和船舶B 的轨迹用分别为

其中，traj_i＝{lat,lng,sog,cog},(1≤i≤m)表示船舶在第i秒的纬度、经度、对地航 速和对地航向信息。

步骤2)，根据船舶会遇运动几何关系计算两船的航向差、相对距离、 相对速度会遇参数，提取不同会遇意图的观测特征序列以刻画不同意图下船 舶的会遇运动状态变化，具体观测序列O^k的构成如下：

公式(3)表示第k对船舶长度为T的会遇观测序列，其中d、a、v分别 代表两船的相对距离、航向差、相对速度；

步骤3)，船舶会遇过程的轨迹信息是一系列随着时间连续变化的数据， 在已知会遇过程的观测序列前提下，采用高斯混合拟合连续型观测数据的概 率密度分布，借助Baum-Welch算法学习HMM的参数，利用不同会遇意图 的数据集训练不同意图HMM的参数，实现不同会遇意图下HMM的构建；

步骤4)，针对待辨识的会遇船舶，设置滑动时间窗口提取目标两船会遇 轨迹的观测序列，在已知观测序列和不同意图的HMM参数前提下借助前向 后向算法求解测试轨迹序列与每个HMM的匹配概率，建立匹配结果的量化 评估指标以及阈值判定方法，比较后验概率与阈值的大小，得到当前时刻的 会遇意图辨识结果，利用滑动窗口滚动辨识，依次得到会遇整体过程的意图 辨识结果，实现船舶会遇意图的在线辨识。

在上述方案中，所述步骤2)中会遇观测特征的计算过程包括以下步骤：

步骤2.1)，基于AIS获取数据中已有的纬度、经度、对地航速和对地 航向运动参数计算会遇特征，包括两船的相对距离、航向差、相对速度；AIS 获取数据中提供两船的纬度、经度、对地航速和对地航向信息，为船舶运动 参量的计算提供数据基础，根据船舶会遇的运动几何关系对运动参量进行计 算，以船舶A作为参考船并将其设置为坐标原点O，船舶B作为目标船T， v是两船的相对速度，过O点做合速度方向的垂线，垂足为Q点，Q点为最 近会遇点，以西东方向为X轴，南北为Y轴建立直角坐标系；

步骤2.2)，计算相对距离d：AIS获取数据中提供的经度、纬度信息建 立在球面坐标系上，结合航海学中的经度差、纬度差进行估算：

其中，(lat_o,lng_o)为参考船的经纬度坐标，(lng_t,lat_t)为目标船的经纬度坐 标；

步骤2.3)，计算航向差a：

其中，cog_o是参考船的航向值，cog_t为目标船的航向值；

步骤2.4)，计算相对速度v：

其中，V_o是参考船的航速值，V_t为目标船的航速值，根据其矢量关系计算 得到相对速度的大小；

步骤2.5)，根据计算的会遇特征构建观测序列，观测序列的起点为两船 相距6海里，终点为两船相对距离最近的时刻，提取两船的相对距离、航向 差、相对速度三维观测序列。

在上述方案中，所述步骤3)中不同会遇意图下HMM的学习过程包括 以下步骤：

步骤3.1)，特定意图下船舶会遇过程随着时间和空间条件的变化，船 舶的会遇状态发生改变，不同状态下会遇运动参数也有所不同，定义会遇过 程中不可观测的运动状态作为HMM的隐状态集Q＝{q₁,q₂,...,q_N}，其中N为 可能的隐状态数量；相对距离d、航向差a、相对速度v作为HMM的观测量 O＝(d,v,a)；状态转移概率矩阵

其中，a_ij＝P(i_i+1＝qi_i＝q_i)表示时刻 t两船在会遇过程中处于状态q_i的条件下在时刻t+1转移到状态q_j的概率；观 测概率矩阵表示为

其中，b_j(k)＝P(o_t＝s_k|i_t＝q_j)是t时刻两船会遇处于状态q_j的条件生成观测特征s_k的概率；HMM的参数可以表示为 λ^EI＝(A,B,π)，其中EI＝{E_c,E_h,E_o,E_f}，E_c,E_h,E_o,E_f分别代表交叉、对遇、 追越、跟随四种意图，π＝(π_i)，π_i＝P(i₁＝q_i),i＝1,2,...,N表示两船在会遇初始 时刻t＝1处于状态q_i的概率；

步骤3.2)，采用Baum-Welch算法学习会遇意图辨识的HMM的参数， 给定训练数据会遇过程的观测序列O＝{o₁,o₂,…,o_n}，学习不同意图HMM 的参数λ^EI，观测序列作为输入，状态序列数据看作不可观测的隐状态序列I， 则HMM被看作是含有隐变量的概率模型：

步骤3.3)，通过EM(Expectation-Maximization Algorithm)算法实现HMM 参数的学习：

输入：不同意图样本下的观测数据

输出：不同意图下辨识模型的参数λ^EI＝(A,B,π)。

在上述方案中，所述步骤4)的会遇意图辨识过程包括以下步骤：

步骤4.1)，利用长度为60秒的时间窗口采集切割长度为m的测试会遇 轨迹序列T_m＝{t₁,t₂,..,t_m}，其中，每一时刻包含会遇特征t_i＝{d_i,a_i,v_i}，以辨识 的当前时刻为时间窗口的终点，提取当前时刻过去时间60秒内的会遇观测 子序列，作为模型的输入：S_i＝(t_i-60,t_i-59,…,t_i)；

步骤4.2)，结合已经训练好的不同意图的HMM，对观测子序列用前向 后向算法得到不同意图HMM的后验概率P(O|λ^k)；后验概率最大值和所属 的参数分别为：P^*＝maxP(O|λ^k)和

其中

为HMM参数λ^*所属意图的阈值；

步骤4.3)，比较后验概率与阈值的大小，得到当前时刻的会遇意图辨 识结果，利用滑动窗口滚动辨识，依次得到会遇整体过程的意图辨识结果， 实现意图的在线辨识。

(三)有益效果

本发明与现有技术相比，具有以下有益效果：

本发明考虑了船舶会遇过程的时空演化特征，相比于只依赖局部空间条 件判别会遇局面，基于HMM实现船舶会遇意图准确和提前辨识，能够有效 减少会遇意图的误报。

附图说明

图1为本发明提供的船舶会遇意图辨识方法的框图；

图2为本发明提供的船舶会遇意图辨识方法的具体流程示意图；

图3为本发明提供的船舶会遇意图辨识方法的HMM示意图；

图4为本发明提供的船舶会遇运动几何关系图；

图5为本发明提供的船舶会遇意图辨识算法设计流程图。

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。

如图1和图2所示，本发明提供一种船舶会遇意图辨识方法，该方法包 括以下步骤：

步骤1)，通过船载自动识别系统(Automatic Identification System，简 称AIS)获取会遇两船的运动信息。其中，船舶A和船舶B的轨迹用分别为

其中，traj_i＝{lat,lng,sog,cog},(1≤i≤m)表示船舶在第i秒的纬度、经度、对地航 速和对地航向信息。

步骤2)，根据船舶会遇运动几何关系计算两船的航向差、相对距离、 相对速度等会遇参数，提取不同会遇意图的观测特征序列以刻画不同意图下 船舶的会遇运动状态变化，具体观测序列O^k的构成如下：

公式(3)表示第k对船舶长度为T的会遇观测序列，其中d、a、v分别 代表两船的相对距离、航向差、相对速度。

其中，步骤2)中会遇观测特征的计算原理包括以下步骤：

步骤2.1)，基于AIS获取数据中已有的纬度、经度、对地航速和对地 航向运动参数计算更多的会遇特征，包括两船的相对距离、航向差、相对速 度。AIS获取数据中提供了两船的纬度、经度、对地航速和对地航向信息， 为船舶运动参量的计算提供了数据基础，根据船舶会遇的运动几何关系对运 动参量进行计算，以船舶A作为参考船并将其设置为坐标原点O，船舶B 作为目标船T，v是两船的相对速度，过O点做合速度方向的垂线，垂足为 Q点，Q点为最近会遇点(Closest Point of Approaching，简称CPA)，以西 东方向为X轴，南北为Y轴建立直角坐标系，如图4所示。

步骤2.2)，计算相对距离d：AIS获取数据中提供的经度、纬度信息一 般建立在球面坐标系上，无法直接将其带入会遇运动几何模型中求解，需要 结合航海学中的经度差、纬度差进行估算：

其中，(lat_o,lng_o)为参考船的经纬度坐标，(lng_t,lat_t)为目标船的经纬度坐 标。

步骤2.3)，计算航向差a：

其中，cog_o是参考船的航向值，cog_t为目标船的航向值。

步骤2.4)，计算相对速度v：

其中，V_o是参考船的航速值，V_t为目标船的航速值，根据其矢量关系计算 得到相对速度的大小。

步骤2.5)，根据计算的会遇特征构建观测序列，观测序列的起点为两船 相距6海里，终点为两船相对距离最近的时刻，提取两船的相对距离、航向 差、相对速度三维观测序列。

步骤3)，船舶会遇过程的轨迹信息是一系列随着时间连续变化的数据， 在已知会遇过程的观测序列前提下，采用高斯混合拟合连续型观测数据的概 率密度分布，借助Baum-Welch算法学习隐马尔可夫模型(Hidden Markov Model，简称HMM)的参数，利用不同会遇意图的数据集训练不同意图HMM 的参数，实现不同会遇意图下HMM的构建，如图3所示。

其中，步骤3)中不同会遇意图下HMM的学习过程包括以下步骤：

步骤3.1)，特定意图下，船舶会遇过程随着时间和空间条件的变化， 船舶的会遇状态发生改变，不同状态下会遇运动参数也有所不同，定义会遇 过程中不可观测的运动状态作为HMM的隐状态集Q＝{q₁,q₂,...,q_N}，其中N为 可能的隐状态数量；相对距离d、航向差a、相对速度v作为HMM的观测量 O＝(d,v,a)；状态转移概率矩阵

其中，a_ij＝P(i_i+1＝q|i_i＝q_i)表示时刻 t两船在会遇过程中处于状态q_i的条件下在时刻t+1转移到状态q_j的概率；观 测概率矩阵表示为

其中，b_j(k)＝P(o_t＝s_k|i_t＝q_j)是t时刻两船 会遇处于状态q_j的条件生成观测特征s_k的概率；HMM的参数可以表示为 λ^EI＝(A,B,π)，其中EI＝{E_c,E_h,E_o,E_f}，EI为Encounter Intention的简称，E_c, E_h,E_o,E_f分别代表交叉、对遇、追越、跟随四种意图，π＝(π_i)， π_i＝P(i₁＝q_i),i＝1,2,...,N表示两船在会遇初始时刻t＝1处于状态q_i的概率。

步骤3.2)，会遇意图辨识的HMM的参数学习过程需要用Baum-Welch 算法解决，给定训练数据会遇过程的观测序列O＝{o₁,o₂,…,o_n}，学习不同 意图HMM的参数λ^EI，观测序列作为输入，状态序列数据看作不可观测的 隐状态序列I，那HMM可被看作是含有隐变量的概率模型：

步骤3.3)，通过最大期望算法(简称EM算法)实现该参数的学习：

输入：不同意图样本下的观测数据：

输出：不同意图下辨识模型的参数λ^EI＝(A,B,π)。

在求得不同意图HMM的参数前提下，输入时间长度为T的测试会遇轨 迹观测序列O_T＝(d_T,v_T,a_T)，得到观测序列在不同HMM参数求解得到的后验 概率P(O|λ^EI)，通过相关阈值设定和对比分析不同意图HMM的后验概率大 小得到最终会遇意图的辨识结果。

步骤4)，针对待辨识的会遇船舶，设置滑动时间窗口提取目标两船会 遇轨迹的观测序列，在已知观测序列和不同意图的HMM参数前提下借助 Forward-backward算法求解测试轨迹序列与每个HMM的匹配概率，建立匹 配结果的量化评估指标以及阈值判定方法，比较后验概率与阈值的大小，得 到当前时刻的会遇意图辨识结果，利用滑动窗口滚动辨识，依次得到会遇整 体过程的意图辨识结果，实现船舶会遇意图的在线辨识。

其中，如图5所示，步骤4)的会遇意图辨识过程包括以下步骤：

步骤4.1)，利用长度为60秒的时间窗口采集切割长度为m的测试会遇 轨迹序列T_m＝{t₁,t₂,..,t_m}，其中，每一时刻包含会遇特征t_i＝{d_i,a_i,v_i}，以辨识 的当前时刻为时间窗口的终点，提取当前时刻过去时间60秒内的会遇观测 子序列，作为模型的输入：S_i＝(t_i-60,t_i-59,…,t_i)。

步骤4.2)，结合已经训练好的不同意图的HMM，对观测子序列用前向 后向算法得到不同意图HMM的后验概率P(O|λ^k)；后验概率最大值和所属 的参数分别为：P^*＝maxP(O|λ^k)和

其中

为HMM参数λ^*所属意图的阈值。

步骤4.3)，比较后验概率与阈值的大小，得到当前时刻的会遇意图辨 识结果，利用滑动窗口滚动辨识，依次得到会遇整体过程的意图辨识结果， 实现意图的在线辨识。

下面以具体实例演示说明：选取研究水域大屿山海峡2018年1月的AIS 会遇数据进行方法验证。依流程对数据进行预处理，选取交叉、对遇、追越、 跟随四种意图下各600组会遇轨迹作为HMM的训练样本，训练数据的观测 序列的起点为两船相距6海里，终点为两船相对距离最近的时刻；另外分别 选取四种意图下各300组会遇轨迹作为实验的测试样本。基于AIS数据计算 和提取训练样本以及测试样本会遇两船的相对距离、航向差、相对速度观测 序列。用滑动时间窗口滚动切割测试会遇轨迹提取子序列与训练好的不同意 图的HMM进行匹配，得到实时的会遇意图辨识结果，结果表明，会遇意图 的辨识准确率在90％以上，能够实时且准确的辨识船舶会遇意图。

附图对本发明的实施例进行了描述，但是本发明并不局限于上述的 具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的， 本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利 要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保 护之内。

Claims (2)

1.一种船舶会遇意图辨识方法，其特征在于，该方法包括以下步骤：

步骤1)，通过AIS获取会遇两船的运动信息；其中，船舶A和船舶B的轨迹用分别为

其中，traj_i＝{lat,lng,sog,cog},(1≤i≤m)表示船舶在第i秒的纬度、经度、对地航速和对地航向信息；

步骤2)，根据船舶会遇运动几何关系计算两船的航向差、相对距离、相对速度会遇参数，提取不同会遇意图的观测特征序列以刻画不同意图下船舶的会遇运动状态变化，具体观测序列O^k的构成如下：

公式(3)表示第k对船舶长度为T的会遇观测序列，其中d、a、v分别代表两船的相对距离、航向差、相对速度；

步骤3)，船舶会遇过程的轨迹信息是一系列随着时间连续变化的数据，在已知会遇过程的观测序列前提下，采用高斯混合拟合连续型观测数据的概率密度分布，借助Baum-Welch算法学习HMM的参数，利用不同会遇意图的数据集训练不同意图HMM的参数，实现不同会遇意图下HMM的构建；

步骤4)，针对待辨识的会遇船舶，设置滑动时间窗口提取目标两船会遇轨迹的观测序列，在已知观测序列和不同意图的HMM参数前提下借助前向后向算法求解测试轨迹序列与每个HMM的匹配概率，建立匹配结果的量化评估指标以及阈值判定方法，比较后验概率与阈值的大小，得到当前时刻的会遇意图辨识结果，利用滑动窗口滚动辨识，依次得到会遇整体过程的意图辨识结果，实现船舶会遇意图的在线辨识；

所述步骤2)中会遇观测特征的计算过程包括以下步骤：

步骤2.1)，基于AIS获取数据中已有的纬度、经度、对地航速和对地航向运动参数计算会遇特征，包括两船的相对距离、航向差、相对速度；AIS获取数据中提供两船的纬度、经度、对地航速和对地航向信息，为船舶运动参量的计算提供数据基础，根据船舶会遇的运动几何关系对运动参量进行计算，以船舶A作为参考船并将其设置为坐标原点O，船舶B作为目标船T，v是两船的相对速度，过O点做合速度方向的垂线，垂足为Q点，Q点为最近会遇点，以西东方向为X轴，南北为Y轴建立直角坐标系；

步骤2.2)，计算相对距离d：AIS获取数据中提供的经度、纬度信息建立在球面坐标系上，结合航海学中的经度差、纬度差进行估算：

其中，(lat_o,lng_o)为参考船的经纬度坐标，(lng_t,lat_t)为目标船的经纬度坐标；

步骤2.3)，计算航向差a：

其中，cog_o是参考船的航向值，cog_t为目标船的航向值；

步骤2.4)，计算相对速度v：

其中，V_o是参考船的航速值，V_t为目标船的航速值，根据其矢量关系计算得到相对速度的大小；

步骤2.5)，根据计算的会遇特征构建观测序列，观测序列的起点为两船相距6海里，终点为两船相对距离最近的时刻，提取两船的相对距离、航向差、相对速度三维观测序列；

所述步骤3)中不同会遇意图下HMM的学习过程包括以下步骤：

步骤3.1)，特定意图下船舶会遇过程随着时间和空间条件的变化，船舶的会遇状态发生改变，不同状态下会遇运动参数也有所不同，定义会遇过程中不可观测的运动状态作为HMM的隐状态集Q＝{q₁,q₂,...,q_N}，其中N为可能的隐状态数量；相对距离d、航向差a、相对速度v作为HMM的观测量O＝(d,v,a)；状态转移概率矩阵A＝[a_ij]_N×N，其中，a_ij＝P(i_i+1＝q_j|i_i＝q_i)表示时刻t两船在会遇过程中处于状态q_i的条件下在时刻t+1转移到状态q_j的概率；观测概率矩阵表示为B＝[b_j(k)]_N×M，其中，b_j(k)＝P(o_t＝s_k|i_t＝q_j)是t时刻两船会遇处于状态q_j的条件生成观测特征s_k的概率；HMM的参数表示为λ^EI＝(A,B,π)，其中EI＝{E_c,E_h,E_o,E_f}，E_c,E_h,E_o,E_f分别代表交叉、对遇、追越、跟随四种意图，π＝(π_i)，π_i＝P(i₁＝q_i),i＝1,2,...,N表示两船在会遇初始时刻t＝1处于状态q_i的概率；

步骤3.2)，采用Baum-Welch算法学习会遇意图辨识的HMM的参数，给定训练数据会遇过程的观测序列O＝{o₁,o₂,…,o_n}，学习不同意图HMM的参数λ^EI，观测序列作为输入，状态序列数据看作不可观测的隐状态序列I，则HMM被看作是含有隐变量的概率模型：

步骤3.3)，通过EM算法实现HMM参数的学习：

输入：不同意图样本下的观测数据

输出：不同意图下辨识模型的参数λ^EI＝(A,B,π)。

2.根据权利要求1所述的一种船舶会遇意图辨识方法，其特征在于，所述步骤4)的会遇意图辨识过程包括以下步骤：

步骤4.1)，利用长度为60秒的时间窗口采集切割长度为m的测试会遇轨迹序列T_m＝{t₁,t₂,..,t_m}，其中，每一时刻包含会遇特征t_i＝{d_i,a_i,v_i}，以辨识的当前时刻为时间窗口的终点，提取当前时刻过去时间60秒内的会遇观测子序列，作为模型的输入：S_i＝(t_i-60,t_i-59,…,t_i)；

步骤4.2)，结合已经训练好的不同意图的HMM，对观测子序列用前向后向算法得到不同意图HMM的后验概率P(O|λ^k)；后验概率最大值和所属的参数分别为：P^*＝max P(O|λ^k)和

步骤4.3)，比较后验概率与阈值的大小，得到当前时刻的会遇意图辨识结果，利用滑动窗口滚动辨识，依次得到会遇整体过程的意图辨识结果，实现意图的在线辨识。

Images