CN112580261B - 一种多船避碰决策方法及装置 - Google Patents
一种多船避碰决策方法及装置 Download PDFInfo
- Publication number
- CN112580261B CN112580261B CN202011535521.9A CN202011535521A CN112580261B CN 112580261 B CN112580261 B CN 112580261B CN 202011535521 A CN202011535521 A CN 202011535521A CN 112580261 B CN112580261 B CN 112580261B
- Authority
- CN
- China
- Prior art keywords
- ship
- collision avoidance
- collision
- risk
- meeting
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种多船避碰决策方法,包括以下步骤:以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势;计算碰撞危险度,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任;结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数;基于改进的天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案。本发明能够实现多船会遇的避碰决策方案寻优,且计算量小、寻优快。
Description
技术领域
本发明涉及船舶避碰智能决策技术领域,尤其涉及一种多船避碰决策方法、装置及计算机存储介质。
背景技术
近年来,随着人工智能、物联网、大数据等技术的飞速发展和广泛应用,智能船舶已成为船舶制造与航运业发展的必然趋势,智能船舶也已成为国际航运、造船、海事界新热点。船舶避碰系统的研究是智能船舶的核心内容之一,因此开展船舶避碰系统的研究,特别是对多船会遇局面下的避碰决策研究对于智能船舶航行安全具有十分重要的意义。
在航海实践中,驾驶员通常是依靠自身经验来制定船舶的避碰决策,但当处于比较复杂的多船会遇局面时,驾驶员很难保证可以做出最优的避碰决策。目前针对避碰决策方面的研究,许多专家学者应用包括拟态物理学优化算法、社会情感优化算法、免疫粒子群算法和粒子群-遗传优化算法等智能优化算法对船舶避碰策略及方案的研究。总体而言,当前船舶自动避碰研究的取得了一定成果,但是仍不完整。这些研究一般都存在未考虑《国际海上避碰规则》和航行避让经验,或者考虑《国际海上避碰规则》但规则仅适用两船避碰,无法直接应用于多船避碰,且存在算法计算量大、避碰方案与实际情况差距较大等问题。
发明内容
鉴于此,有必要提供一种多船避碰决策方法及装置,用以解决现有的船舶避碰决策方法仅适用于两船避碰,无法直接应用于多船避碰,以及应用于多船避碰时计算量大的问题。
本发明提供一种多船避碰决策方法,包括以下步骤:
以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势;
计算碰撞危险度,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任;
结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数;
基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案。
进一步的,
以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势,具体为:
根据三种会遇局面类型,并划分每一会遇态势相对应的方位范围,得到会遇态势判断规则;
以多船会遇中本船为中心建立判断坐标系,获取其它船舶相对于中心船舶的方位信息;
结合所述方位信息以及所述会遇态势判断规则判断多船会遇场景下船舶会遇态势。
进一步的,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任,具体为:
利用模糊综合评价方法确定船舶间碰撞危险度,进一步判断所述碰撞危险度是否大于设定危险度阈值ICR,如果是,则根据所述《国际海上避碰规则》以及所述船舶会遇态势判断船舶避碰责任;根据碰撞危险度大小对所述避碰船进行避碰决策方案寻优,否则,船舶保速保向航行。
进一步的,计算避碰船的碰撞危险度,具体为:
设置与碰撞危险度相关的多个因素,计算每一因素的危险隶属度;
计算各因素的危险隶属度的加权和,得到所述碰撞危险度。
进一步的,所述因素包括船距、船速比、相对方位、最近会遇距离以及最近会遇时间;
所述船距的隶属度函数为:
所述船速比的隶属度函数为:
所述相对方位的隶属度函数为:
所述最近会遇距离的隶属度函数为:
d2=2d1;
所述最近会遇时间的隶属度函数为:
本船与第i个目标船之间的碰撞危险度为:
式中,为本船与第i个目标船之间的碰撞危险度, 的取值范围均为[0,1],i=1,2,...,n,n为目标船数量;aD为船距权重系数,aK为船速比权重系数,aB为相对方位权重系数,aDCPA为最近会遇距离权重系数,aTCPA为最近会遇时间权重系数,aD、aK、aB、aDCPA、aTCPA的取值范围均为[0,1],且满足aD+aK+aB+aDCPA+aTCPA=1;船舶之间的距离越小,碰撞危险度就越大。
进一步的,结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数,具体为:
min f(x)=ω1f1(xi)+ω2f2(xi);
其中,min f(x)为目标函数,f1(xi)为避碰船的碰撞危险度函数,f2(xi)为避碰船的航程损失函数,ω1为碰撞危险度的权重系数,ω2为航程损失的权重系数。
进一步的,所述碰撞危险度函数为:
其中,f1(xi)为避碰船的碰撞危险度函数,ICRi为第i个目标船与避碰船之间的碰撞危险度,n为目标船个数;
所述航程损失函数为:
其中,f2(xi)为避碰船的航程损失函数,xi为避碰船的转向幅度。
进一步的,基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案,具体为:
随机生成天牛须搜索算法的初始参数;
计算当前天牛左右两须的空间坐标;
根据所述目标函数计算当前天牛左右两须的适应度值;
根据适应度值的大小更新天牛的质心坐标以及前进方向;
根据步长递减因子对步长进行更新,计算天牛移动后左右两须之间的距离;
判断是否满足寻优终止条件,如果是,则终止迭代,并输出最优解对应的最优避碰决策方案,否则进行下一次迭代。
本发明还提供一种多船避碰决策装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述多船避碰决策方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现所述多船避碰决策方法。
有益效果:本发明首先根据碰撞危险度大小对多船会遇场景中需要进行避碰决策的避碰船进行判断筛选,然后在综合考虑船舶碰撞危险度和船舶在进行避碰操作时的航程损失来确立符合航海实际的避碰决策的目标函数,并基于改进天牛须搜索算法研究多船会遇局面下最优避碰方案,以满足在多船会遇场景下快速制定真实可靠的船舶避碰决策方案。
附图说明
图1为本发明提供的多船避碰决策方法第一实施例的方法流程图;
图2为本发明提供的多船避碰决策方法第一实施例的会遇态势判断规则示意图;
图3为本发明提供的多船避碰决策方法第一实施例的避碰船判断示意图;
图4为本发明提供的多船避碰决策方法第一实施例针对Michalewicz函数的算法寻优过程示意图;
图5为本发明提供的多船避碰决策方法第一实施例针对Schaffer函数的算法寻优过程示意图;
图6为本发明提供的多船避碰决策方法第一实施例针对本船进行避碰决策寻优的迭代过程示意图;
图7为本发明提供的多船避碰决策方法第一实施例针对目标船2进行避碰决策寻优的迭代过程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
如图1所示,本发明的实施例1提供了多船避碰决策方法,包括以下步骤:
S1、以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势;
S2、计算碰撞危险度,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任;
S3、结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数;
S4、基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案。
本实施例对于多船会遇局面存在碰撞危险情形下,在综合考虑《国际海上避碰规则》和船舶避碰操作,给出最优避碰转向幅度和恢复航向时间的船舶避碰决策方案,降低航行风险、帮助驾驶人员更好地进行避碰操作,提出一种新的基于改进天牛须搜索算法的多船避碰决策方法。该避碰决策方法首先通过分析船舶的会遇态势,结合《国际海上避碰规则》对避碰责任进行了划分。其次综合考虑船舶碰撞危险度和避碰过程中的航程损失两个因素建立了多船会遇局面下的避碰策略目标函数,最后构建了基于改进天牛须搜索算法的多船避碰决策模型。天牛须搜索算法是一种较新的智能优化算法。该算法不需要知道函数的具体形式,也不需要求解函数的梯度,就可以实现全局高效寻优。与粒子群算法等智能算法比较,天牛须算法具有全局搜索能力强,收敛速度快的特点,仅需要一个个体,极大地降低了寻优过程的运算量。目前该算法在船舶交通及避碰决策领域尚未被应用。该方法能够更好地得到多船会遇下最优避碰转向幅度以及复航时间即多船会遇下的避碰决策方案,为求解船舶会遇中最优避碰转向幅度问题提供了一条途径,也能够帮助驾驶人员更好地进行避碰操作,降低航行的风险,同时也为未来无人船舶、智能船舶安全和高效的无人驾驶奠定前期的理论基础。
优选的,以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势,具体为:
根据三种会遇局面类型,并划分每一会遇态势相对应的方位范围,得到会遇态势判断规则;
以多船会遇中本船为中心建立判断坐标系,获取其它船舶相对于中心船舶的方位信息;
结合所述方位信息以及所述会遇态势判断规则判断多船会遇场景下船舶会遇态势。
然后以本船为中心建立判断坐标系,根据其它船舶相对于本船的方位信息确定所在方位范围,确定多船会遇场景下船舶会遇态势,最后,根据《国际海上避碰规则》及碰撞危险度大小确定需要采取避碰行动的船舶,即具有避碰责任的船舶。
优选的,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任,具体为:
多船会遇时,利用模糊综合评价方法确定船舶间碰撞危险度,进一步判断所述碰撞危险度是否大于设定危险度阈值ICR,如果是,则根据所述《国际海上避碰规则》以及所述船舶会遇态势判断船舶避碰责任;根据碰撞危险度大小对所述避碰船进行避碰决策方案寻优,否则,船舶保速保向航行。
优选的,计算避碰船的碰撞危险度,具体为:
设置与碰撞危险度相关的多个因素,计算每一因素的危险隶属度;
计算各因素的危险隶属度的加权和,得到所述碰撞危险度。
本实施例在综合考虑航行水域状况、能见度情况、操船者技术、船舶操纵性能等前提下,确定其它船舶与本船之间船距(D)、船速比(K)、相对方位(B)、最近会遇距离(DCPA)以及最近会遇时间(TCPA)五个指标为主要因素,定量分析并利用模糊综合评价理论确定本船与其它船舶间碰撞危险度的大小。
优选的,所述因素包括船距、船速比、相对方位、最近会遇距离以及最近会遇时间;
所述船距的隶属度函数为:
所述船速比的隶属度函数为:
所述相对方位的隶属度函数为:
所述最近会遇距离的隶属度函数为:
d2=2d1;
所述最近会遇时间的隶属度函数为:
本船与第i个目标船之间的碰撞危险度为:
式中,为本船与第i个目标船之间的碰撞危险度,为本船与第i个目标船之间船距的碰撞危险度,为第i个目标船与避碰船之间船速比的危险隶属度,为第i个目标船与避碰船之间相对方位的危险隶属度,为第i个目标船与避碰船之间最近会遇距离的危险隶属度,为第i个目标船与避碰船之间最近会遇时间的危险隶属度,的取值范围均为[0,1],i=1,2,...,n,n为目标船数量。aD为船距权重系数,aK为船速比权重系数,aB为相对方位权重系数,aDCPA为最近会遇距离权重系数,aTCPA为最近会遇时间权重系数,aD、aK、aB、aDCPA、aTCPA的取值范围均为[0,1],且满足aD+aK+aB+aDCPA+aTCPA=1。船舶之间的距离越小,碰撞危险度就越大。
优选的,结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数,具体为:
min f(x)=ω1f1(xi)+ω2f2(xi);
其中,min f(x)为目标函数,f1(xi)为避碰船的碰撞危险度函数,f2(xi)为避碰船的航程损失函数,ω1为碰撞危险度的权重系数,ω2为航程损失的权重系数。
构建的船舶避碰决策的目标函数需满足以下三点:(1)转向后,应使得会遇船舶之间的碰撞危险度尽可能的减小;(2)在满足《国际海上避碰规则》“大幅度”要求的前提下,转向幅度应尽可能的小,以减少资源的损耗;(3)船舶转向后,在保证航行安全的前提下,在新航向上的航行时间要尽可能的短,以降低复航的难度。
基于以上三点,同时考虑到对于多船避碰需考虑碰撞危险度和改向后的航程损失两个要素,分别构建碰撞危险度函数和航程损失函数,最后以碰撞危险度函数与航程损失函数的加权和作为最终的目标函数。本实施例中为了便于寻优计算,根据船长经验权重系数ω1取0.7,ω2取0.3。
优选的,所述碰撞危险度函数为:
所述航程损失函数为:
其中,f2(xi)为避碰船的航程损失函数,xi为避碰船的转向幅度。
碰撞危险度函数基于上述碰撞危险度的计算即可获得。航程损失函数的取值范围为[0,1]。同理,损失函数的值越小,转向幅度和复航时间应越短。
优选的,基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案,具体为:
随机生成天牛须搜索算法的初始参数;
计算当前天牛左右两须的空间坐标;
根据所述目标函数计算当前天牛左右两须的适应度值;
根据适应度值的大小更新天牛的质心坐标以及前进方向;
根据步长递减因子对步长进行更新,计算天牛移动后左右两须之间的距离;
判断是否满足寻优终止条件,如果是,则终止迭代,并输出最优解对应的最优避碰决策方案,否则进行下一次迭代。
本实施例对天牛须搜索算法进行了改进,设置了步长递减因子,通过步长递减因子对每一次迭代过程所用的步长进行更新,使用变步长的方式代替原有固定步长。利用构建的改进天牛须搜索算法对目标函数进行寻优计算,得到最优避碰方案,具体如下:
初始化改进天牛须搜索算法的参数设置:随机生成天牛的初始朝向,天牛的质心坐标为x,左须坐标为xl,右须坐标为xr,左右两须之间的距离为d0。初始步长设置为1,步长设置为δt=ηδ·δt-1,ηd为递减因子,取值为0.95,寻优过程操作为10次,每次迭代次数为100次;
计算天牛左右两触角的空间坐标;
计算左右两须xl和xr的适应度值fleft和fright,根据适应度值fleft和fright的大小关系更新天牛位置和前进方向;
计算天牛移动后的适应度值,对于天牛行动的步长,使用变步长的方式代替固定步长,更新左右两须距离和步长。
判断是否满足终止条件。如果满足,则终止迭代。对输出的最优解进行分析即可得多船会遇场景下避碰船最优转向幅度和恢复航向时间的船舶避碰决策方案。若没有,则重复上述步骤,直到满足条件或找到最优解。
为验证本发明提出方法在多船会遇场景下的避碰决策方案的可行性和有效性,设计一个典型的三船会遇场景进行仿真实验,并与粒子群算法求解结果进行对比分析。
本实施例以一个典型三船会遇场景为仿真对象,假设本船的初始位置为(0,-4),航速为16kn,航向为0度;目标船1的初始位置为(2,1.5),航速为16kn,航向为220度;目标船2的初始位置为(2,-3),航速为17kn,航向为300度。假设在开阔水域中能见度良好,驾驶者技术水平良好,船舶的操纵性能良好,即H1=1,H2=1,H3=1。
本实施例提供的基于改进天牛须搜索算法的多船避碰决策方法,包括如下步骤:
确定多船会遇场景下船舶会遇态势。
根据《国际海上避碰规则》对追越、对遇和交叉相遇的定义以及相关规定,以本船为中心,将其它船舶相对于本船的方位划分为五个区域,见图2,图2中方位范围5-67.5度为A区域,方位范围67.5-112.5度为B区域,方位范围112.5-247.5度为C区域,方位范围247.5-355度为D区域,方位范围355-5度为E区域。
根据《国际海上避碰规则》,若互见中两船之间存在碰撞风险,对于E、A区域的来船,本船是让路船,需要进行相应的避碰操作,一般通常是进行右转向操作;若来船位于B区域,则本船为让路船,一般来说本船可以通过降低船速或者是进行左转向操作进行避碰;若来船处于C、D区域,那么本船为直航船,来船需要进行相应避碰操作。如图3所示,在本实施例中,由船舶间的初始会遇态势,对于本船与目标船1、目标船2之间,根据《国际海上避碰规则》,此时两目标船为直航船,本船为避让船;对于目标船2和目标船1来说,根据《国际海上避碰规则》,目标船2为避让船。
定量分析并根据模糊综合评价理论确定船舶碰撞危险度的大小。
目前对于船舶碰撞危险度的计算模型有很多,本发明在查阅相关文献和参考本专业专家意见基础上,在综合考虑航行水域状况、能见度情况、操船者技术、船舶操纵性能等因素下,以船距(D)、船速比(K)、相对方位(B)、最近会遇距离(DCPA)以及最近会遇时间(TCPA)等五个指标为计算的因素,利用模糊综合评价理论确定其它船舶与本船之间的碰撞危险度。具体如下:
假设在开阔水域中能见度良好,驾驶者技术水平良好,船舶的操纵性能良好,即H1=1,H2=1,H3=1,碰撞危险度阈值ICR设定为0.6。根据表1中船舶间的相关参数,并通过上述实现步骤计算船舶碰撞危险度,计算得到本船与目标船1、目标船2之间的碰撞危险度值分别为0.8888和0.8290,均大于设定阈值0.6,故都存在很高的碰撞风险。根据《国际海上避碰规则》,此时两目标船为直航船,本船应及早采取合适的避碰行动,以降低本船与两目标船之间的碰撞风险。同时,对于目标船2和目标船1来说,碰撞危险度值为0.7372,0.7372大于0.6,因此两船之间也存在碰撞风险,根据避碰责任,目标船2也要采取合适的避碰操作来降低与目标船1之间的碰撞风险。因此,对于图3的会遇局面,本船需要选取合适的转向幅度以降低与两目标船之间的碰撞风险;而目标船2也要找到最优的转向幅度避让目标船1。
表1、初始会遇船舶间相关数据
在综合考虑船舶碰撞危险度和避碰过程中的航程损失两个因素下,构建多船会遇场景下的船舶避碰决策目标函数。
当船舶之间存在碰撞危险时,一般来说,常用的避碰操作是采取变速、转向或者同时进行转向和变速等方式。根据文献及相关经验可知,通常情况下,即使是处于多船避碰的局面,船舶也可以通过一次转向或者变速来实现避碰,并且转向避让是使用频率最高的一种方法,很少会同时进行转向和变速操作。所以,本文将主要研究船舶避碰操作中的转向避碰操作。
选用经典的测试函数Michalewicz和Schaffer验证构建的基于改进天牛须搜索算法的多船避碰决策模型的有效性和收敛性。
为验证本发明构建的基于改进天牛须搜索算法的多船避碰决策模型的有效性,选用经典的测试函数Michalewicz和Schaffer验证其算法的收敛性。其中Michalewicz函数表达式为:
其中,f(x)为Michalewicz函数的因变量,xi为Michalewicz函数的自变量,m取10,i=1,2,…,n。使用天牛须算法对其进行100次迭代,函数的最小值及迭代次数如图4所示。从图4中可以看出,天牛须算法在寻找Michalewicz函数全局最小值的过程中,寻优速度非常快,在迭代了20次左右的时候,函数已经收敛,最小值为-1.8011。
Schaffer函数表达式为:
其中,f(x1,x2)为Schaffer函数的因变量,x1和x2为Schaffer函数的自变量,同理为求解Schaffer函数全局最小值,对该函数也进行100次迭代,搜索范围设为[-10,10],算法的寻优结果及迭代次数如图5所示。在迭代5次左右时,已找到全局最小值0,此时x1=x2=0。
从测试算法的寻优过程中可以看出,由于天牛须算法只需要一个体,使得运算量大大降低,函数的收敛速度也更快。
利用构建的改进天牛须搜索算法对避碰策略目标函数进行寻优计算,得到最优避碰方案。
在图3的多船会遇局面中,使用天牛须算法为本船规划一个合适的避碰方案,以降低碰撞风险。
本船避碰场景。使用改进天牛须算法对构建的目标函数进行寻优计算。同时为了避免计算结果的偶然性,对该寻优过程进行10次重复操作,每次的迭代次数均为100次,算法的迭代过程如图6所示。最终求得平均最优转向幅度为32.1856°本船恢复原航向的时间约为8.34min。即本船的最佳转向幅度是右转向32.1856°,在该航向上航行大概8.34min之后可以完成避碰操作。
目标船2避碰场景。同理,使用改进的天牛须搜索算法对目标船2的避碰方案寻优求解,算法的迭代过程如图7所示。在经过10次重复计算之后,得到的平均最优转向幅度为43.0903°,在该航向上航行大概11.14min之后可以完成避碰操作。
与粒子群算法求解结果进行对比,验证本发明提出的改进天牛须搜索算法对多船会遇局面避碰策略的求解结果的有效性。
为验证改进天牛须搜索算法对多船会遇局面避碰策略的求解结果的有效性,与使用粒子群算法对避碰决策目标函数进行求解结果进行对比。粒子群算法和本发明提出的改进天牛须搜索算法的寻优过程对比如图6和图7所示,对比具体结果见表2所示。
表2、改进天牛须搜索算法与粒子群算法对比表
从表中可以看出,对于本船避碰场景和目标船2避碰场景下,改进的天牛须搜索算法收敛代收为8次和11次,粒子群算法收敛代收为34次和53次。分析可知,本发明提出的基于改进天牛须搜索算法的多船避碰决策方法收敛速度快,求解出来的最优转向幅度比粒子群算法要小,但复航时间要稍微长一点,这与实际情况是相符合的。验证了本发明能够更好地得到多船会遇下最优避碰转向幅度以及复航时间即多船会遇下的避碰决策方案。
在实际的船舶避碰系统中本发明所用的碰撞危险度模型综合考虑了船舶的操纵性能、人为因素、航行环境等因素,使得基于改进天牛须搜索算法的多船避碰决策方法求得的结果也更符合航海实际。
在实际的船舶避碰系统中本发明既可以保障船舶避碰航行的安全、帮助驾驶人员更好地进行避碰操作,又可以减少因避碰行为带来的操纵难度和航行损失。同时也为未来无人船舶、智能船舶安全和高效的无人驾驶奠定前期的理论基础。
实施例2
本发明的实施例2提供了多船避碰决策装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现实施例1提供的多船避碰决策方法。
本发明实施例提供的多船避碰决策装置,用于实现多船避碰决策方法,因此,多船避碰决策方法所具备的技术效果,多船避碰决策装置同样具备,在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1提供的多船避碰决策方法。
本发明实施例提供的计算机存储介质,用于实现多船避碰决策方法,因此,多船避碰决策方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述,仅为本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本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种多船避碰决策方法,其特征在于,包括以下步骤:
以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势;
计算碰撞危险度,结合《国际海上避碰规则》及碰撞危险度大小判断各船舶是否需要采取避碰措施,确定各船舶的避碰责任;
结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数;
基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案;
结合碰撞危险度和航程损失建立避碰船的避碰决策目标函数,具体为:
所述碰撞危险度函数为:
所述航程损失函数为:
2.根据权利要求1所述的多船避碰决策方法,其特征在于,以本船为中心,将他船相对于本船的方位划分为多个区域,并确定多船会遇场景下船舶会遇态势,具体为:
根据三种会遇局面类型,并划分每一会遇态势相对应的方位范围,得到会遇态势判断规则;
以多船会遇中本船为中心建立判断坐标系,获取其它船舶相对于中心船舶的方位信息;
结合所述方位信息以及所述会遇态势判断规则判断多船会遇场景下船舶会遇态势。
4.根据权利要求3所述的多船避碰决策方法,其特征在于,计算避碰船的碰撞危险度,具体为:
设置与碰撞危险度相关的多个因素,计算每一因素的危险隶属度;
计算各因素的危险隶属度的加权和,得到所述碰撞危险度。
5.根据权利要求4所述的多船避碰决策方法,其特征在于,所述因素包括船距、船速比、相对方位、最近会遇距离以及最近会遇时间;
所述船距的隶属度函数为:
所述船速比的隶属度函数为:
所述相对方位的隶属度函数为:
所述最近会遇距离的隶属度函数为:
d 2 =2d 1 ;
所述最近会遇时间的隶属度函数为:
本船与第i个目标船之间的碰撞危险度为:
6.根据权利要求1所述的多船避碰决策方法,其特征在于,基于改进天牛须搜索算法对所述目标函数进行寻优计算,得到多船会遇时避碰船的最优避碰决策方案,具体为:
随机生成天牛须搜索算法的初始参数;
计算当前天牛左右两须的空间坐标;
根据所述目标函数计算当前天牛左右两须的适应度值;
根据适应度值的大小更新天牛的质心坐标以及前进方向;
根据步长递减因子对步长进行更新,计算天牛移动后左右两须之间的距离;
判断是否满足寻优终止条件,如果是,则终止迭代,并输出最优解对应的最优避碰决策方案,否则进行下一次迭代。
7.一种多船避碰决策装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-6任一项所述的多船避碰决策方法。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现如权利要求1-6任一项所述的多船避碰决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011535521.9A CN112580261B (zh) | 2020-12-23 | 2020-12-23 | 一种多船避碰决策方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011535521.9A CN112580261B (zh) | 2020-12-23 | 2020-12-23 | 一种多船避碰决策方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580261A CN112580261A (zh) | 2021-03-30 |
CN112580261B true CN112580261B (zh) | 2022-10-14 |
Family
ID=75139455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011535521.9A Active CN112580261B (zh) | 2020-12-23 | 2020-12-23 | 一种多船避碰决策方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580261B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177713B (zh) * | 2021-04-29 | 2024-02-06 | 上海海事大学 | 一种基于事故数据挖掘的船舶碰撞危险度计算方法 |
CN113341980A (zh) * | 2021-06-11 | 2021-09-03 | 大连海事大学 | 一种基于改进人工势场法的船舶自动避碰及路径规划方法 |
CN113538973B (zh) * | 2021-07-20 | 2022-08-02 | 大连海事大学 | 一种基于改进粒子群算法的船舶自动避碰方法 |
CN113326640B (zh) * | 2021-08-03 | 2021-11-09 | 北京海兰信数据科技股份有限公司 | 一种确定内河船舶碰撞危险度的方法及系统 |
CN114527744B (zh) * | 2022-01-11 | 2024-04-02 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
CN114611204A (zh) * | 2022-02-09 | 2022-06-10 | 集美大学 | 一种构建船舶安全领域模型的方法和装置 |
CN114550499B (zh) * | 2022-02-14 | 2024-06-18 | 武汉理工大学 | 融合COLREGs场景知识的船舶智能避碰方法及装置 |
CN114882737A (zh) * | 2022-04-20 | 2022-08-09 | 集美大学 | 多船危险避碰决策方法、系统和存储介质 |
CN114550501A (zh) * | 2022-04-20 | 2022-05-27 | 迪泰(浙江)通信技术有限公司 | 一种基于ais的船舶危险预警系统及方法 |
CN114860606A (zh) * | 2022-05-25 | 2022-08-05 | 大连海事大学 | 一种智能船舶避碰算法稳定性的测试方法 |
CN115107948B (zh) * | 2022-06-24 | 2023-08-25 | 大连海事大学 | 一种高效强化学习自主船舶避碰方法 |
CN116483091B (zh) * | 2023-05-10 | 2024-04-19 | 北鲲睿航科技(上海)有限公司 | 一种船舶自主避障方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809529A (zh) * | 2015-05-13 | 2015-07-29 | 哈尔滨工程大学 | 一种细菌觅食优化的多船会遇避碰方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222500A (ja) * | 2001-01-25 | 2002-08-09 | Univ Nihon | 遺伝的アルゴリズムによる船舶の衝突回避システム |
-
2020
- 2020-12-23 CN CN202011535521.9A patent/CN112580261B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809529A (zh) * | 2015-05-13 | 2015-07-29 | 哈尔滨工程大学 | 一种细菌觅食优化的多船会遇避碰方法 |
Non-Patent Citations (3)
Title |
---|
《Model predictive ship collision avoidance based on Q-learning beetle swarm antenna search and neural networks》;谢朔;《Ocean Engineering》;20191201;第1-24页 * |
《基于MCTS算法的船舶智能避让模型的研究》;朱庆辉;《中国优秀硕士学位论文全文数据库,工程科技II辑》;20200615;第11-32页 * |
谢朔.《Model predictive ship collision avoidance based on Q-learning beetle swarm antenna search and neural networks》.《Ocean Engineering》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN112580261A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580261B (zh) | 一种多船避碰决策方法及装置 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
Hinostroza et al. | Cooperative operation of autonomous surface vehicles for maintaining formation in complex marine environment | |
Kim et al. | Perception-driven navigation: Active visual SLAM for robotic area coverage | |
Svec et al. | Dynamics-aware target following for an autonomous surface vehicle operating under COLREGs in civilian traffic | |
CN110196598B (zh) | 一种无人艇的动态避碰方法 | |
CN113096446B (zh) | 混合航行场景下的多船避碰决策方法、存储介质及处理器 | |
CN111063218A (zh) | 一种船舶避碰决策方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN111861155B (zh) | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 | |
Li et al. | Toward time-optimal trajectory planning for autonomous ship maneuvering in close-range encounters | |
Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
Zheng et al. | A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm | |
CN112650246B (zh) | 一种船舶自主导航方法及装置 | |
CN113032896B (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN114895673A (zh) | 一种规则约束下基于深度强化学习的船舶避碰决策方法 | |
CN114355899A (zh) | 一种基于动态导航船域与速度障碍的无人船避碰方法 | |
Guan et al. | Autonomous collision avoidance of unmanned surface vehicles based on improved A-star and dynamic window approach algorithms | |
CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
CN115167447A (zh) | 基于雷达图像端到端深度强化学习的无人艇智能避障方法 | |
CN109916400B (zh) | 一种基于梯度下降算法与vo法相结合的无人艇避障方法 | |
Zhao et al. | Global path planning of unmanned vehicle based on fusion of A∗ algorithm and Voronoi field | |
Yan et al. | A novel path planning for AUV based on objects’ motion parameters predication | |
Tan et al. | Adaptive adjustable fast marching square method based path planning for the swarm of heterogeneous unmanned surface vehicles (USVs) | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 |
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 |