CN112185171B

CN112185171B - 一种融合船舶驾驶员经验的船舶路径规划方法

Info

Publication number: CN112185171B
Application number: CN202011029645.XA
Authority: CN
Inventors: 柳晨光; 贺治卜; 初秀民; 郭珏菡; 吴文祥; 雷超凡
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2020-09-27
Filing date: 2020-09-27
Publication date: 2022-04-15
Anticipated expiration: 2040-09-27
Also published as: CN112185171A

Abstract

本发明提供一种融合船舶驾驶员经验的船舶路径规划方法，将采集到的各类信息进行分类存储，生成航行场景数据库和对应的驾驶员行为数据库，判断当前船舶所处的海域是否为安全海域，若是则剔除当前船舶的各类信息。分析船舶驾驶员在特定航行场景下的行为数据，将所有数据进行预处理并导入深度学习网络模型中进行学习，进一步学习驾驶员的避碰、路径规划策略。本发明通过在船舶航行途中采集船舶航行场景信息及对应的船舶驾驶员行为信息，并进行存储、归类、学习，将学习到的船舶驾驶员避碰、路径规划策略运用于智能船舶决策中，能有效提升船舶智能化程度，推进智能船舶技术的发展。

Description

一种融合船舶驾驶员经验的船舶路径规划方法

技术领域

本发明属于水路交通领域，具体涉及一种融合船舶驾驶员经验的船舶路径规划方法。

背景技术

随着经济的发展，全球商船数量的持续增长，受限于航线的经济性等原因，船舶航行也越来越拥挤。且自从运输公司利润率下降后，其减轻了对于船员的投入，部分船员在不够了解船只的情况下对安全性认知不足，进一步增大了船舶碰撞的风险。

现在船只在配备船舶自动识别系统和雷达的情况下已经能够规避大部分的碰撞风险，船上的船员作为船只的最后一道防护线，船员可以通过肉眼在望台观测周围水域是否有其他船只经过(这里可以用深度学习视频图像识别，结合红外相机，昼夜识别)，船舶驾驶通过当前信息决定当前船舶的路径规划。但人具有主观能动性，船员在观察过程中可能会出现懈怠、漏检等问题，船舶驾驶员在规划路径途中也可能因错估当前的水域情况进而引发一系列风险问题。

通常情况下，船舶驾驶员对于当前行驶路径规划受到多方面因素影响，当前路径规划则是一个二维信息包含前进方向、前进速度及对应的当前时间。传统的方法无法获取影响船舶驾驶员路径规划的多个因素与其路径规划之间的联系。

发明内容

本发明要解决的技术问题是：提供一种融合船舶驾驶员经验的船舶路径规划方法，能够获取影响船舶驾驶员路径规划的多个因素与其路径规划之间的联系，控制船舶进行准确的避让，提高船舶航行的安全性。

本发明为解决上述技术问题所采取的技术方案为：一种融合船舶驾驶员经验的船舶路径规划方法，其特征在于：本方法包括以下步骤：

S1、数据采集：

通过各类传感器采集船舶航行中各类信息；各类信息包括船舶自身数据、航行场景信息及对应的船舶驾驶员行为信息；

S2、数据存储：

存储所采集到的各类信息；

S3、冗杂数据剔除：

判断当前船舶所处的海域是否为安全海域，若是则剔除当前船舶的各类信息；

S4、数据学习：

分析船舶驾驶员在特定航行场景下的行为数据，将所有数据进行预处理并导入深度学习网络模型中进行学习，进一步学习驾驶员的避碰、路径规划策略。

按上述方案，所述的航行场景信息具体包括：采集到的船舶自身的吨位、主机转速、航速、航向、经纬度信息、周围船舶的航速、航向、经纬度信息，视频目标类别、距离信息，雷达目标的距离、速度信息，当前海域(河道)的水流速流向、风速风向、能见度信息等；

所述的对应的船舶驾驶员行为信息具体包括：船舶行驶路径信息。

按上述方案，所述的S2将采集到的各类信息进行分类存储，生成航行场景数据库和对应的驾驶员行为数据库。

按上述方案，所述的安全海域具体为：当前船舶吨位、航速、航向，与周围目标的相对距离、速度信息在预设范围内，则判断为安全海域；所述的周围目标包括船只、岛屿、河堤、暗礁。

按上述方案，所述的S3具体包括驾驶员行为冗余数据预剔除：

首先评估驾驶员行为的安全性和经济性，安全性评估原则为：在驾驶员本次行为后，安全性＝(1-船舶碰撞风险)×100％；船舶碰撞风险具体为：

W＝μKX^αY^β

式中：W为船舶碰撞风险；K为受2个影响要素模块所影响的船舶通航风险指数，设定为中等水平的0.5；μ表示随机干扰的影响(0≤μ≤1)，为了保证系统的稳定性，假设通航风险演化不受其他通航风险演化的交叉影响，即将μ设为1；X为环境风险；Y为船舶风险。α、β分别为环境风险、船舶风险对通航风险的作用系数；

经济性评估原则为：在驾驶员本次行为后，航行成本上升的比例。经济性＝(1-本次操作后的经济成本/原本所需经济成本)×100％；航行经济成本主要包含时间成本和燃料成本，因此经济成本描述具体为：

E＝F+T

式中：E为船舶经济成本；F为船舶航行的燃料成本；T为船舶航行的经济成本。

按上述方案，将一个避碰行为事件作为一次评估节点，安全性评估为事件初始点到事件结束点的平均安全系数，经济性评估为事件初始点到事件结束并返回至固定航向期间使用的时间、能源与正常航行至对应点所使用的时间、能源比值。

按上述方案，所述的S4具体为：

将采集到的船舶场景数据与驾驶员行为数据分为安全型、经济型、综合型三类，建立深度学习网络模型，以采集到的航行场景信息作为输入，对应场景的船舶行驶路径作为输出，进行训练学习，根据大量的船舶场景数据与船舶驾驶员行为数据信息，挖掘分析出船舶驾驶员在安全型、经济型、综合型三种不同思维模式下不同场景的船舶避碰与路径规划策略。

本发明的有益效果为：通过在船舶航行途中采集船舶航行场景信息及对应的船舶驾驶员行为信息，并进行存储、归类、学习，将学习到的船舶驾驶员避碰、路径规划策略运用于智能船舶决策中，能有效提升船舶智能化程度，推进智能船舶技术的发展。

附图说明

图1为本发明一实施例的系统整体图。

图2为本发明冗杂数据剔除流程图。

图3为本发明驾驶员行为冗杂数据剔除原理图。

图4为本发明碰撞事件评估示意图

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明提供一种融合船舶驾驶员经验的船舶路径规划方法，如图1所示，本方法包括以下步骤：

S1、数据采集：

通过各类传感器采集船舶航行中各类信息；各类信息包括船舶自身数据、航行场景信息及对应的船舶驾驶员行为信息。

所包含的传感器数据包括：船舶自身的吨位、主机转速、航速、航向、经纬度信息，提取船舶自身的吨位信息是考虑不同吨位船舶驾驶难度不同，对应的船舶驾驶员行为也不一样，提取船舶自身的主机转速是因为考虑到船舶主机转速与实际航速可能有一定偏差，船舶驾驶员凭借经验可以对当前路径规划实施修正；通过船舶自动识别系统获取周围船舶的航速、航向、经纬度信息，此处考虑到该水域其他船舶信息对船舶驾驶员的路径规划判断有重要影响；通过视频图像获取目标的类别、距离信息，此处考虑到该水域其他视频障碍物对船舶驾驶员的路径规划判断有重要影响，且此处为代替瞭望水手，可以实现24小时全天候监控，采取红外摄像机与普通摄像机结合的方式，在夜间也具有一定的侦察能力；通过雷达获取周围目标的距离、速度信息；采集当前海域或河道的水流速流向、风速风向、能见度信息，考虑到不同的水域环境对船舶驾驶员的路径规划行为具有重要影响，且在不同能见度情况下，船舶驾驶员应遵从对应的避碰策略；船舶的行驶路径作为船舶驾驶员的行为数据，忽略中间船舶驾驶员控制问题，直接将控制结果即行驶路径作为船舶驾驶员的行为数据。

上述数据中，所述的航行场景信息具体包括：采集到的船舶自身的吨位、主机转速、航速、航向、经纬度信息、周围船舶的航速、航向、经纬度信息，视频目标类别、距离信息，雷达目标的距离、速度信息，当前海域或河道的水流速流向、风速风向、能见度信息等；

S2、数据存储：存储所采集到的各类信息。具体的，将采集到的各类信息进行分类存储，生成航行场景数据库和对应的驾驶员行为数据库。

S3、冗杂数据剔除：如图2所示航行过程中安全海域(河道)中的各类传感器信息可以进行剔除，减少无用数据的干扰，提高数据处理效率。判断当前船舶所处的海域是否为安全海域，若是则剔除当前船舶的各类信息。安全海域具体为：当前船舶吨位、航速、航向，与周围目标的相对距离、速度信息在预设范围内，则判断为安全海域；所述的周围目标包括船只、岛屿、河堤、暗礁。当前船舶吨位较大、航速较高时应选取较大的区域，观察区域内是否有可能碰撞物体，进而判定当前海域是否为安全海域；若船舶吨位较小且航速较低则应选择较小的区域进行判定。

S3具体包括驾驶员行为冗余数据预剔除：

首先评估驾驶员行为的安全性和经济性，安全性评估原则为：在驾驶员本次行为后，安全性＝(1-船舶碰撞风险)×100％。传统的船舶碰撞危险主要来自环境、人员、船舶、管理四个方面，采用本方法可以有效减少来自人员、管理方面的风险，因此采集风险系数时主要考虑环境、船舶因素。船舶碰撞风险具体为：

W＝μKX^αY^β

式中：W为船舶碰撞风险；K为受2个影响要素模块所影响的船舶通航风险指数，设定为中等水平的0.5；μ表示随机干扰的影响，0≤μ≤1，为了保证系统的稳定性，假设通航风险演化不受其他通航风险演化的交叉影响，即将μ设为1；X为环境风险；Y为船舶风险。α、β分别为环境风险、船舶风险对通航风险的作用系数；

E＝F+T

经济性评估原则为：在驾驶员本次行为后，航行成本上升的比例，成本上升比例越高，经济性越差；剔除掉其中安全性与经济性低的驾驶行为；剩下数据中细分为三类高安全性低经济性归类为安全型，高安全性高经济性归类为综合型，低安全性高经济性归类为经济型，如图3所示。

将一个避碰行为事件作为一次评估节点，安全性评估为事件初始点到事件结束点的平均安全系数，经济性评估为事件初始点到事件结束并返回至固定航向期间使用的时间、能源与正常航行至对应点所使用的时间、能源比值，如图4所示。

S4、数据学习：

分析船舶驾驶员在特定航行场景下的行为数据，将所有数据进行预处理并导入深度学习网络模型中进行学习，进一步学习驾驶员的避碰、路径规划策略。具体为：将采集到的船舶场景数据与驾驶员行为数据分为安全型、经济型、综合型三类，建立深度学习网络模型，以采集到的航行场景信息作为输入，对应场景的船舶行驶路径作为输出，进行训练学习，根据大量的船舶场景数据与船舶驾驶员行为数据信息，挖掘分析出船舶驾驶员在安全型、经济型、综合型三种不同思维模式下不同场景的船舶避碰与路径规划策略。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims

1.一种融合船舶驾驶员经验的船舶路径规划方法，其特征在于：本方法包括以下步骤：

S1、数据采集：

通过各类传感器采集船舶航行中各类信息；各类信息包括航行场景信息及对应的船舶驾驶员行为信息；

S2、数据存储：

存储所采集到的各类信息；

S3、冗杂数据剔除：

S4、数据学习：

分析船舶驾驶员在特定航行场景下的行为数据，将所有数据进行预处理并导入深度学习网络模型中进行学习，进一步学习驾驶员的避碰、路径规划策略；

所述的航行场景信息具体包括：采集到的船舶自身的吨位、主机转速、航速、航向、经纬度信息、周围船舶的航速、航向、经纬度信息，视频目标类别、距离信息，雷达目标的距离、速度信息，当前海域或河道的水流速流向、风速风向、能见度信息；

2.根据权利要求1所述的方法，其特征在于：所述的S2将采集到的各类信息进行分类存储，生成航行场景数据库和对应的驾驶员行为数据库。

3.根据权利要求1所述的方法，其特征在于：所述的安全海域具体为：当前船舶吨位、航速、航向，与周围目标的相对距离、速度信息在预设范围内，则判断为安全海域；所述的周围目标包括船只、岛屿、河堤、暗礁。

4.根据权利要求1所述的方法，其特征在于：所述的S3具体包括驾驶员行为冗余数据预剔除：

W＝μKX^αY^β

式中：W为船舶碰撞风险；K为受2个影响要素模块所影响的船舶通航风险指数，设定为中等水平的0.5；μ表示随机干扰的影响，0≤μ≤1，为了保证系统的稳定性，假设通航风险演化不受其他通航风险演化的交叉影响，即将μ设为1；X为环境风险；Y为船舶风险；α、β分别为环境风险、船舶风险对通航风险的作用系数；

经济性评估原则为：在驾驶员本次行为后，航行成本上升的比例；经济性＝(1-本次操作后的经济成本/原本所需经济成本)×100％；航行经济成本主要包含时间成本和燃料成本，因此经济成本描述具体为：

E＝F+T

5.根据权利要求1或4所述的方法，其特征在于：将一个避碰行为事件作为一次评估节点，安全性评估为事件初始点到事件结束点的平均安全系数，经济性评估为事件初始点到事件结束并返回至固定航向期间使用的时间、能源与正常航行至对应点所使用的时间、能源比值。

6.根据权利要求1或4所述的方法，其特征在于：所述的S4具体为：

将采集到的船舶场景数据与驾驶员行为数据分为安全型、经济型、综合型三类，建立深度学习网络模型，根据大量的船舶场景数据与船舶驾驶员行为数据信息，挖掘分析出船舶驾驶员在安全型、经济型、综合型三种不同思维模式下不同场景的船舶避碰与路径规划策略。