CN112100917A - 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法 - Google Patents

Abstract

本发明公开了一种基于专家对抗系统的智能船舶避碰仿真测试系统及方法，包括避碰测试与评估子系统、仿真子系统和被测子系统；所述避碰测试与评估子系统包括测试上位机和船舶航行数据库；其中，所述测试上位机包含电子海图驱动模块、辅助评价模块、场景编辑模块、显示模块和通信接口模块；所述船舶航行数据库包含数据库存储模块；所述仿真子系统包括专家对抗系统、场景生成器、运动模拟器、船舶状态显示模块和船舶态势推演及显示模块；其中，所述专家对抗系统包含外部专家介入模块和内部专家系统模块；所述被测子系统包括被测智能避碰系统和自动舵执行机构。

Description

一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法

技术领域

本发明涉及智能船舶测试领域，具体为一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法。

背景技术

近年来，随着智能船舶的不断发展，对其关键技术(如智能避碰技术)的测试和评估成为研究热点。各类智能船舶避碰算法和相应的仿真测试方法被相继提出，成果十分丰富。

尽管如此，现有仿真测试系统和方法对目标船的位置运动和最终评估基准均进行预先设定，在仿真过程中一般为单船操纵或目标船随机操纵方式，存在以下问题：

1)无法保证设定测试场景的有效性，如本船与目标船的碰撞危险较小，或不同目标船之间有碰撞危险却保持直航；

2)固定的目标船运动方式导致测试场景较为单一，尽管部分测试方法对目标船提供开放接口进行随机操船测试，但也会导致目标船产生异常的操纵行为，且长期来看会增加人员介入成本；

3)所设定评估基准的可靠性难以保障，难以适应不同场景下的避碰评价需求。

发明内容

为实现上述目的，本发明提供如下技术方案：一种基于专家对抗系统的智能船舶避碰仿真测试系统，包括避碰测试与评估子系统、仿真子系统和被测子系统；

所述避碰测试与评估子系统包括测试上位机和船舶航行数据库；其中，所述测试上位机包含电子海图驱动模块、辅助评价模块、场景编辑模块、显示模块和通信接口模块；所述船舶航行数据库包含数据库存储模块；

所述仿真子系统包括专家对抗系统、场景生成器、运动模拟器、船舶状态显示模块和船舶态势推演及显示模块；其中，所述专家对抗系统包含外部专家介入模块和内部专家系统模块；

所述被测子系统包括被测智能避碰系统和自动舵执行机构。

作为本发明的一种优选技术方案，包括以下步骤：

S1.通过测试上位机的场景编辑模块设定水文、气象、航道等初始环境参数和会遇场景、目标船模型等任务信息，开启显示模块、电子海图驱动模块和航行数据库，开始避碰测试；

S2.测试上位机通过通信接口将环境参数和任务信息发送给仿真子系统，场景生成器按照设定的任务和环境信息生成对应的避碰场景，并发送指令到运动模拟器，以对船舶航行进行初始化；

S3.初始化完成后，船舶状态显示模块和船舶态势推演模块将所需的实时船舶状态信息和态势信息传递给被测子系统，被测子系统给出决策建议后，直接将操船指令发送给运动模拟器或通过自动舵将操船指令发送给运动模拟器；

S4.在测试过程中，专家对抗系统将外部专家操船指令或内部专家系统指令也同时发送给运动模拟器；

S5.在测试过程中，所有船舶的状态和操船信息均通过通信接口实时返回至测试上位机，通过显示模块对测试过程中的船舶轨迹、态势变化进行显示；

S6.测试完成后，辅助评价模块分析并评价避碰过程，自动生成评价报告。

作为本发明的一种优选技术方案，所述测试上位机中的场景编辑模块具备快速预推演功能，通过快速计算无避让措施下船舶之间的碰撞危险度来筛选有效的测试场景。

作为本发明的一种优选技术方案，所述专家对抗系统的外部专家介入模块通过接收外部专家的操控指令并传入运动模拟器来实时控制场景内的目标船舶。

作为本发明的一种优选技术方案，所述内部专家系统模块通过神经网络模型不断学习外部专家对于不同环境下的操船对抗方式，得到自动化的对抗专家系统，其学习样本对构建如下：

x(t)＝{DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)}

X(t)＝{x(t)，x(t-1)，…，x(t-n+1)}，

Y(t)＝{δ_T(t)}

其中，DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)分别为t时刻两船之间的最近会遇距离、最近会遇时间、相对距离、相对方位、相对航向以及船速比，x(t)为t时刻以上相对避碰参数组成的向量，X(t)为从当前时刻往后n个步长内的避碰参数，Y(t)为t时刻外部专家对目标船的操船指令δ_T(t)；

使用参数化为θ^π的神经网络Y^π(t)＝π(X(t)|θ^π)对所构建的样本进行学习，一般可采用常用的梯度下降法对神经网络参数进行更新：

其中，

为期望算子，S为样本集合，η^π为神经网络的学习率，

为预测误差对网络参数的梯度。

作为本发明的一种优选技术方案，所述内部专家系统模块可通过学习不同航行环境下的专家经验来获得适应不同环境的测试用例。

作为本发明的一种优选技术方案，所述测试上位机中的辅助评价模块所生成的评价报告包含实时状态曲线和最终避碰指标；其中，实时状态包含两船DCPA、TCPA、相对位置以及本船航迹；最终避碰指标由最小相对距离R_Tmin 组成的安全代价和绕路距离ΔL、平均舵角变化Δδ组成的经济代价进行加权得到，使用R_Tmin 、ΔL和Δδ进行指标计算的简单示例如下：

ΔL＝L-L_H

其中，L为本船航行总航程，L_H为本船航程在原航线方向上的距离分量，R_safe 为设定的经验安全距离，f为最终的评价指标，表现为当最小相对距离R_Tmin 小于设定的经验安全距离时，R_Tmin 越大其安全性越好；当最小相对距离R_Tmin 大于设定的经验安全距离时，在满足安全距离的情况下，绕路距离ΔL和平均舵角变化Δδ越小其经济性越好；

由专家对抗系统(6)操船进行测试，专家操船所得到的最高或平均指标，以最高避碰指标f_E为例，可得到避碰效果的评价基准为：

其中，f为被测避碰算法在设定场景下得到的实际指标，Score为最终标准得分。

与现有技术相比，本发明提供了一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，具备以下有益效果：

1.本发明通过测试前的快速预推演过程对测试场景的有效性进行了甄别，提高了测试场景的可信度。

2.本发明通过引入专家对抗系统来获得结合专家经验的丰富测试场景，提高了避碰测试的灵活度和可靠性，同时通过神经网络学习方式实现自动对抗测试，减少了人员测试成本。

3.本发明通过专家对抗系统来获取避碰评价指标的可靠基准，进一步提高了避碰测试过程的可靠性。

附图说明

图1是一种基于专家对抗系统的智能船舶避碰仿真测试系统架构图；

图2是一种基于专家对抗系统的智能船舶避碰仿真测试方法流程图。

图中：1避碰测试与评估子系统、2仿真子系统、3被测子系统、4测试上位机、5船舶航行数据库、6专家对抗系统、7场景生成器、8运动模拟器、9船舶状态显示模块、10船舶态势推演及显示模块、11外部专家介入模块、12内部专家系统模块、13电子海图驱动模块、14辅助评价模块、15场景编辑模块、16显示模块、17通信接口模块、18被测智能避碰系统、19自动舵执行机构。

具体实施方式

参照图1，本发明提供一种技术方案：一种基于专家对抗系统的智能船舶避碰仿真测试系统，包括避碰测试与评估子系统1、仿真子系统2和被测子系统3；

所述避碰测试与评估子系统1包括测试上位机4和船舶航行数据库5，用于面向用户提供避碰场景设置、避碰信息显示和避碰效果评估等功能；所述测试上位机包含电子海图驱动模块13、辅助评价模块14、场景编辑模块15、显示模块16和通信接口模块17，用于驱动电子海图、对避碰过程进行评价、编辑会遇场景以及显示船舶信息；所述船舶航行数据库5包含数据库存储模块，用于存储避碰测试数据。

所述仿真子系统2包括专家对抗系统6、场景生成器7、运动模拟器8、船舶状态显示模块9和船舶态势推演及显示模块10，分别用于在避碰仿真中进行专家对抗、场景生成、运动模拟、状态显示和态势推演等；所述专家对抗系统包含外部专家介入模块11和内部专家系统模块12，用于结合专家经验进行避碰对抗测试。

所述被测子系统3包括被测智能避碰系统18和自动舵执行机构19，用于提供被测对象实例及可选的执行机构。

参照图2，本实施例中，一种基于专家对抗系统的智能船舶避碰测试方法，其完整流程如下：

S1.通过测试上位机4的场景编辑模块15设定水文、气象、航道等初始环境参数和会遇场景、目标船模型等任务信息，开启显示模块16、电子海图驱动模块13和航行数据库5，开始避碰测试。其中，场景编辑模块15采用可视化交互方式支持目标船距离和方位的预设。在设定好本船初始位置及航向航速后，模块15通过自动捕捉鼠标位置来依次放置目标船，并随鼠标移动自动更新目标船的相对距离和方位。通过快速预推演，计算最近会遇距离DCPA、最近会遇时间TCPA等参数并进行显示，判定是否存在碰撞危险，以筛选出有效的会遇场景。当确定存在碰撞危险后，再设置下一艘目标船，并以此类推。

S2.环境参数和任务设定完成后，测试上位机4通过通信接口模块17将环境参数和任务信息发送给仿真子系统2，场景生成器7按照设定的任务和环境信息生成对应的避碰场景，并发送指令到运动模拟器8，以对船舶航行进行初始化；

S3.初始化完成后，船舶状态显示模块9和船舶态势推演模块10将所需的实时船舶状态信息和态势信息按需求传递给被测子系统3。其中，船舶状态信息包含：本船和目标船(可选)的位置、船艏向、航向、航速，以及本船的舵角、转速；态势信息包含或隐含(被测系统自身具有感知能力时)：本船与每条目标船的DCPA、TCPA、相对距离R_T、相对方位θ_T和航向α_T、船速比K_V。

被测子系统3的被测智能避碰系统18给出决策建议后，若决策建议为航向跟踪信息，则通过自动舵19转化为本船操舵指令发送给运动模拟器8，若决策建议直接为操舵指令，则直接将其发送给运动模拟器8，以控制本船进行避碰；

S4.在测试过程中，专家对抗系统6的外部专家介入模块11将专家对目标船的操船指令同时发送给运动模拟器8，以在必要情况下更改目标船的航行状态，实现专家手动介入对抗功能；

S5.在测试过程中，专家对抗系统6的内部专家系统模块12使用神经网络对专家经验进行学习，其学习样本对构建如下：

x(t)＝{DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)}

X(t)＝{x(t)，x(t-1)，…，x(t-n+1)}，

Y(t)＝{δ_T(t)}

其中，DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)分别为t时刻两船之间的最近会遇距离、最近会遇时间、相对距离、相对方位、相对航向以及船速比，x(t)为t时刻以上相对避碰参数组成的向量，X(t)为从当前时刻往后n个步长内的避碰参数，Y(t)为t时刻外部专家对目标船的操船指令δ_T(t)。使用参数化为θ^π的神经网络Y^π(t)＝π(X(t)|θ^π)对所构建的样本进行学习，一般可采用常用的梯度下降法对神经网络参数进行更新：

L(θ^π)＝E_X(t)～s[(π(X(t)|θ^π)-Y(t))²]

其中，E为期望算子，S为样本集合，η^π为神经网络的学习率，

为预测误差对网络参数的梯度。当积累一定样本，并学习误差满足设定阈值时，可使用内部专家系统模块12的输出代替外部专家介入模块11进行自动对抗测试，提高仿真效率，减小对抗测试人员成本。

S6.在测试过程中，所有船舶的状态和操船信息均通过通信接口模块17实时返回至测试上位机4，通过显示模块16对测试过程中的船舶轨迹、态势变化等进行显示。

S7.测试完成后，辅助评价模块14分析并评价避碰过程，自动生成评价报告。其中，评价报告包含实时状态曲线和最终避碰指标。实时状态包含两船DCPA、TCPA、相对位置以及本船航迹等；最终避碰指标最小相对距离R_Tmin 组成的安全代价和绕路距离ΔL、平均舵角变化Δδ等组成的经济代价进行加权得到。使用R _Tmin 、ΔL和Δδ进行指标计算的简单示例如下：

ΔL＝L-L_H

其中，L为本船航行总航程，L_H为本船航程在原航线方向上的距离分量，R_safe 为设定的经验安全距离，f为最终的评价指标，表现为当最小相对距离R_Tmin 小于设定的经验安全距离时，R_Tmin 越大其安全性越好；当最小相对距离R_Tmin 大于设定的经验安全距离时，在满足安全距离的情况下，绕路距离ΔL和平均舵角变化Δδ越小其经济性越好。

为实现评价指标的标准化和归一化，可通过专家对抗系统6以专家操船方式来得到设定测试场景下，专家操船所得到的最高或平均指标，以最高避碰指标f_E为例，可得到避碰效果的评价基准为：

其中，f为被测避碰算法在设定场景下得到的实际指标，Score为最终标准得分。

本实施例中，所述测试上位机中的场景编辑模块具备快速预推演功能，通过快速计算无避让措施下船舶之间的碰撞危险度来筛选有效的测试场景。

本实施例中，所述专家对抗系统的外部专家介入模块通过接收外部专家的操控指令并传入运动模拟器来实时控制场景内的目标船舶，实现专家手动介入对抗功能，兼顾测试场景的灵活性和可靠性。

本实施例中，所述内部专家系统模块通过神经网络模型不断学习外部专家对于不同环境下的操船对抗方式，得到自动化的对抗专家系统，在积累一定专家经验后，实现自动介入对抗功能，减少专家测试的人员成本。

本实施例中，所述内部专家系统模块可通过学习不同航行环境(内河、沿海、远洋)下的专家经验来获得适应不同环境的测试用例。

本实施例中，所述测试上位机中的辅助评价模块所生成的评价报告包含实时状态曲线和最终避碰指标。实时状态包含两船DCPA、TCPA、相对位置以及本船航迹等；最终避碰指标由最小相对距离等组成的安全代价和绕路距离、平均舵角等组成的经济代价进行加权得到，并由专家对抗系统操船进行测试，得到可靠的指标评价基准。

以上所述，仅为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 (7)

1.一种基于专家对抗系统的智能船舶避碰仿真测试系统，其特征在于：包括避碰测试与评估子系统(1)、仿真子系统(2)以及被测子系统(3)；

所述避碰测试与评估子系统(1)包括测试上位机(4)和船舶航行数据库(5)；其中，所述测试上位机(4)包含电子海图驱动模块(13)、辅助评价模块(14)、场景编辑模块(15)、显示模块(16)和通信接口模块(17)；所述船舶航行数据库(5)包含数据库存储模块；

所述仿真子系统(3)包括专家对抗系统(6)、场景生成器(7)、运动模拟器(8)、船舶状态显示模块(9)和船舶态势推演及显示模块(10)；其中，所述专家对抗系统(6)包含外部专家介入模块(11)和内部专家系统模块(12)；

所述被测子系统(3)包括被测智能避碰系统(18)和自动舵执行机构(19)。

2.根据权利要求1所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于包括以下步骤：

S1.通过测试上位机(4)的场景编辑模块(15)设定水文、气象、航道等初始环境参数和会遇场景、目标船模型等任务信息，开启显示模块(16)、电子海图驱动模块(13)和船舶航行数据库(5)，开始避碰测试；

S2.测试上位机(4)通过通信接口模块(17)将环境参数和任务信息发送给仿真子系统(2)，场景生成器(7)按照设定的任务和环境信息生成对应的避碰场景，并发送指令到运动模拟器(8)，以对船舶航行进行初始化；

S3.初始化完成后，船舶状态显示模块(9)和船舶态势推演模块(10)将所需的实时船舶状态信息和态势信息传递给被测子系统(3)，被测子系统(3)给出决策建议后，直接将操船指令发送给运动模拟器(8)或通过自动舵将操船指令发送给运动模拟器(8)；

S4.在测试过程中，专家对抗系统(6)将外部专家操船指令或内部专家系统指令也同时发送给运动模拟器(8)；

S5.在测试过程中，所有船舶的状态和操船信息均通过通信接口模块(17)实时返回至测试上位机(4)，通过显示模块(16)对测试过程中的船舶轨迹、态势变化进行显示；

S6.测试完成后，辅助评价模块(14)分析并评价避碰过程，自动生成评价报告。

3.根据权利要求2所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于：所述测试上位机(4)中的场景编辑模块(15)具备快速预推演功能，通过快速计算无避让措施下船舶之间的碰撞危险度来筛选有效的测试场景。

4.根据权利要求2所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于：所述专家对抗系统(6)的外部专家介入模块(11)通过接收外部专家的操控指令并传入运动模拟器来实时控制场景内的目标船舶。

5.根据权利要求2所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于：所述内部专家系统模块(12)通过神经网络模型不断学习外部专家对于不同环境下的操船对抗方式，得到自动化的对抗专家系统，其学习样本对构建如下：

x(t)＝{DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)}

X(t)＝{x(t)，x(t-1)，…，x(t-n+1)}，

Y(t)＝{δ_T(t)}

其中，DCPA(t)，TCPA(t)，R_T(t)，θ_T(t)，α_T(t)，K_V(t)分别为t时刻两船之间的最近会遇距离、最近会遇时间、相对距离、相对方位、相对航向以及船速比，x(t)为t时刻以上相对避碰参数组成的向量，X(t)为从当前时刻往后n个步长内的避碰参数，Y(t)为t时刻外部专家对目标船的操船指令δ_T(t)；

使用参数化为θ^π的神经网络Y^π(t)＝π(X(t)|θ^π)对所构建的样本进行学习，一般可采用常用的梯度下降法对神经网络参数进行更新：

其中，

为期望算子，S为样本集合，η^π为神经网络的学习率，

为预测误差对网络参数的梯度。

6.根据权利要求5所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于：所述内部专家系统模块(12)可通过学习不同航行环境下的专家经验来获得适应不同环境的测试用例。

7.根据权利要求2所述的一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法，其特征在于：所述测试上位机(4)中的辅助评价模块(14)所生成的评价报告包含实时状态曲线和最终避碰指标其中，实时状态包含两船DCPA、TCPA、相对位置以及本船航迹；最终避碰指标由最小相对距离R_{T min} 组成的安全代价和绕路距离ΔL、平均舵角变化Δδ组成的经济代价进行加权得到，使用R_{T min} 、ΔL和Δδ进行指标计算的简单示例如下：

ΔL＝L-L_H

其中，L为本船航行总航程，L_H为本船航程在原航线方向上的距离分量，R_safe 为设定的经验安全距离，f为最终的评价指标，表现为当最小相对距离R_{T min} 小于设定的经验安全距离时，R_{T min} 越大其安全性越好；当最小相对距离R_{T min} 大于设定的经验安全距离时，在满足安全距离的情况下，绕路距离ΔL和平均舵角变化Δδ越小其经济性越好；

由专家对抗系统(6)操船进行测试，专家操船所得到的最高或平均指标，以最高避碰指标f_E为例，可得到避碰效果的评价基准为：

其中，f为被测避碰算法在设定场景下得到的实际指标，Score为最终标准得分。

Images