CN113138554B - 一种混合交通场景下的多船分布式协同控制方法 - Google Patents
一种混合交通场景下的多船分布式协同控制方法 Download PDFInfo
- Publication number
- CN113138554B CN113138554B CN202110366732.2A CN202110366732A CN113138554B CN 113138554 B CN113138554 B CN 113138554B CN 202110366732 A CN202110366732 A CN 202110366732A CN 113138554 B CN113138554 B CN 113138554B
- Authority
- CN
- China
- Prior art keywords
- ship
- control
- information
- agent
- heterogeneous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 51
- 230000006870 function Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 241000272185 Falco Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种混合交通场景下的多船分布式协同控制方法,包括:在每一个采样时刻,各异质智能体获取当前时刻的本船信息和他船信息;其中,本船信息包括本船状态和控制输入,他船信息包括他船状态和他船期望,他船期望为他船期望本船在下一时刻所做出的决策;基于获取的当前时刻的本船信息和他船信息,各异质智能体采用模型预测控制和串行迭代方式更新本船下一时刻的控制决策;若各异质智能体下一时刻的控制决策与他船期望一致时,所有异质智能体达成控制协议。本发明采用模型预测控制和串行迭代协商框架实现各智能体间的协同,以协商的形式减少对于智能体运动或操作模型的依赖,并且由于预测特性,即使通讯异常,船舶依旧可以完成协同操作。
Description
技术领域
本发明属于船舶技术领域,具体涉及一种混合交通场景下的多船分布式协同控制方法。
背景技术
从全球范围看,各个国家正在积极推动智能航运研究,计划于未来10年内实现无人自主船实际营运。目前,水面自主船(Maritime Autonomous Surface Ships,MASS)相关研究已取得一定的成效。2018年,Rolls-Royce公司与芬兰Finferries开发的全自动渡船Falco载着80名乘客实现了自动航行。2019年9月,日本邮船完成了全球首次“有人自主航行船舶”的海上试验,完成了国际海事组织(International Maritime Organization,IMO)最新发布的《自主驾驶船舶试验暂行指南》的各种试验项目。我国先后印发了《智能船舶发展行动计划(2019-2021年)》、《智能航运发展指导意见》,大力发展智能船舶、智能航运。2019年12月,国内自主研发的首艘具备自主航行功能的“筋斗云0号”货船首航仪式在珠海东澳岛举行。
水上交通系统的优化不止需要船舶的自主化,更需要船舶之间的相互协同。例如,会遇过程中,船舶容易误解对方意图,形势误判或者过早复航容易发生碰撞。尤其在繁忙水域,船舶各行其是可能导致混乱,不仅低效而且容易引发事故。船舶之间共享航行计划,协调船舶之间的通过时间,能够有效缓解航道拥堵问题,提高整个系统的运行效率。意识到船舶之间的协同可以带来的益处,多船协同研究正渐渐成为研究的热点。2017年开始的欧盟的NOVIMAR(NOVel Iwt and MARitime transport concepts)项目致力于有人船带无人自主船在内河进行编队航行这一新形式所能带来的收益。麻省理工学院(MassachusettsInstitute of Technology,MIT)和阿姆斯特丹高级都市解决方案研究所(AmsterdamInstitute for Advanced Metropolitan Solutions,AMS)则提出利用小型自主船Roboat在阿姆斯特丹古老运河中运输货物或者为水上巴士,同时Roboat也可以相互连接变成浮动平台、浮桥等。
然而,水上交通系统的智能化并不能一蹴而就。首先现有传统船舶数量庞大,短时间内全部智能化可能性小。根据世界海事大学的预测,在2040年左右远程监控下的自主船舶将达到15%。其次,船舶自主航行研究百家争鸣,最优控制,机器学习,神经网络等不同方法均被提出可应用于MASS。再次,IMO相关文件将MASS的自主水平划分为四个等级:自主决策支持船舶,有人遥控船舶,无人遥控船舶和无人自主船。MASS可以根据需要在不同的自主等级之间转换。此外,船舶也可能因通信故障、自身意愿等原因不与他船协同。同样,设施的智能化也存在决策系统、自主程度、合作程度各异的问题。因此,无论水上交通系统的智能化发展到何种阶段,水上交通系统必然是不同种类、不同决策系统、不同自主等级、不同合作程度的异质智能体并存的混合系统。异质智能体存在运动/操作模型、通信方式、通信内容、通信时机等差异,使得他们之间的交互更为复杂,已有研究主要针对同质船舶(相同运动模型,相同决策系统的无人自主船),如何实现异质船舶智能体的协同还需要更加深入的研究。
此外,在现有的研究中,同质智能船协同避碰和编队控制是目前协同控制的主要形式。协同避碰研究中,船舶之间只在存在高碰撞风险时进行通信并协作。从货物运输的角度,这种形式有助于船舶的安全航行,但是对于航行效率,航道容量的提升作用有限。编队控制则更加注重的是参数一致性和队形保持,适合用于完成特定任务,如区域搜索,拖带等,而不适用于远距离货物运输。其次,已有研究主要针对同质船舶(相同运动模型,相同决策系统的无人自主船)。未来水上交通系统必然是一个不同船型,使用不同控制策略,拥有不同自主等级的船舶并存的混合系统。因此,如何实现异构船舶之间的协同还需要更加深入的讨论;其次,如何应对混合交通系统中非合作对象的方法目前缺乏。
发明内容
本发明的目的在于,提供一种混合交通场景下的多船分布式协同控制方法,解决混合交通中异质船舶的运动、操作、决策模型各不相同以及自主等级、合作程度不同而使得智能体间的协同相对复杂的问题,以协商的形式减少对于智能体运动或操作模型的依赖,实现异质船舶智能体的协同。
本发明提供的技术方案如下:
一种混合交通场景下的多船分布式协同控制方法,包括以下步骤:
在每一个采样时刻,各异质智能体获取当前时刻的本船信息和他船信息;其中,本船信息包括本船状态和控制输入,他船信息包括他船状态和他船期望,他船期望为他船期望本船在下一时刻所做出的决策;
基于获取的当前时刻的本船信息和他船信息,各异质智能体采用模型预测控制和串行迭代方式更新本船下一时刻的控制决策;
若各异质智能体下一时刻的控制决策与他船期望一致时,所有异质智能体达成控制协议。
优选地,模型预测控制具体为:
在每一个采样时刻,异质智能体基于本船信息和他船信息,预测本船未来一段时间内的控制序列,并以该控制序列的第一个元素作为控制决策;
在下一个采样时刻,重复上述过程,进行滚动优化。
优选地,模型预测控制还包括:反馈矫正,通过预测误差反馈,修正预测模型。
优选地,串行迭代具体为:在每一个采样时刻,控制决策先更新的船舶使用的是后更新船舶的前一次迭代信息,控制决策后更新的船舶使用的是前更新船舶的本次迭代信息。
优选地,本船状态和他船状态包括位置、航向和航速。
优选地,本船状态通过本船设置的传感器测得,他船状态通过本船设置的传感器测得或由他船通过通信告知。
优选地,智能体之间的协同控制问题求解形式为:
ya(k)=h(xa(k),ua(k)),
ya(k)=za(k),
g(xa(k),ua(k),zb(k))≤0,
式中,Ja(xa(k),ua(k))为智能体a的目标函数,xa(k)和ua(k)分别为a在k时刻的状态和控制输入;为协同智能体集合;/>为与智能体a沟通协同的智能体集合;ya(k)为智能体a与其他智能体的耦合参数,za(k)为其他智能体对这一耦合参数的期望值;g(xa(k),ua(k),zb(k))≤0为智能体a和智能体b之间的耦合约束。
优选地,采用以下方式求解该协同控制问题:
首先建立目标函数的增广拉格朗日函数:
式中,λa为对偶变量,ρa为惩罚系数;
再通过以下迭代:
式中,S表示迭代次数,即不同的采样时刻。
优选地,当原空间和对偶空间的残差和/>满足预设标准时,迭代终止,协议达成:
式中,和/>为预设阈值。
本发明的有益效果为:本发明采用模型预测控制和串行迭代协商框架实现各智能体间的协同,以协商的形式减少对于智能体运动或操作模型的依赖,并且由于型预测控制方法的预测特性,船舶可以获取他船未来一定时间内动态,即使通讯异步、丢包或延迟,船舶依旧可以通过他船之前提供的信息完成协同操作,实现异质多智能体的协同。
附图说明
图1为本发明的多船协同信息流示意图。
图2为本发明的基于串行迭代协商框架的多船分布式协同控制方法示意图。
具体实施方式
下面将结合附图对本发明作进一步的说明:
本发明为面向未来混合交通场景,考虑自主水平及合作程度的异质多智能体协同框架设计方法。船舶是由智能体控制的,由于混合场景下船舶各不相同,因此,智能体为异质的。对于混合交通中异质的船舶,一方面,它们的运动、操作、决策模型各不相同,另一方面,水上交通系统智能化过程中,各智能体存在自主等级、合作程度不同导致通信方式、通信内容、通信时机等差异,也使得异质智能体间的协同问题更为复杂。本专利通过分析智能体异质在交互过程中的具体表现,以协商的形式减少对于智能体运动或操作模型的依赖,并据此设计协同控制方法,实现异质多智能体的协同。
本发明实施例的混合交通场景下的多船分布式协同控制方法,如图1和图2所示,包括以下步骤:
在每一个采样时刻,各异质智能体获取当前时刻的本船信息和他船信息;其中,本船信息包括本船状态和控制输入,他船信息包括他船状态和他船期望,他船期望为他船期望本船在下一时刻所做出的决策;
基于获取的当前时刻的本船信息和他船信息,各异质智能体采用模型预测控制和串行迭代方式更新本船下一时刻的控制决策;
若各异质智能体下一时刻的控制决策与他船期望一致时,所有异质智能体达成控制协议。
在混合交通中,不同类型、不同自主水平、不同合作程度的船舶可能存在信息传输异步问题,因此,本专利采用了模型预测控制的方式,即有限时域预测及滚动优化框架:在每一个采样时刻,根据获得的当前测量信息,在线求解一个有限时间开环优化问题,并将得到的控制序列的第一个元素作用于被控对象,即异质智能体;然后滚动优化,即在下一个采样时刻,重复上述过程,用新的测量值作为此时预测系统未来动态的初始条件,不断刷新优化问题并重新求解。模型预测控制具体步骤如下:
Step 1.预测模型——对未来一段时间内的输出进行预测,主要是预测船舶的未来决策;
Step 2.滚动优化——滚动进行有限时域在线优化(最优控制);
Step 3.反馈校正——通过预测误差反馈,修正预测模型,提高预测精度。
该框架只注重模型的功能,而不注重模型的形式,只要是具有预测功能的信息集合,无论具有什么样的表现形式,均可作为预测模型。因此,采用该框架,异质智能体之间只传递她们未来一段时间内的预测轨迹,可以很好的应对混合交通中不同船舶运动特性不同、决策系统不同的情况。此外,由于该框架的预测特性,船舶可以获取他船未来一定时间内动态,即使通讯异步、丢包或延迟,船舶依旧可以通过他船之前提供的信息完成协同操作。
各智能体只能获取自身信息、传感器信息和通过通信获取的他船意图。其中,自身信息包括当前时刻状态,如航向、位置、主机状态等等,还包括自身的控制输入;传感器位于船舶上,可以为不同类型船舶,比如雷达、AIS、摄像头、激光雷达等等,用于获取他船的位置,航速等与航行状态相关的动静态信息;他船意图主要是指他船未来可能采取的操作,比如左转右转,或者未来的轨迹等,主要通过通信由他船告知。
各智能体根据自身传感器和通讯信息来做决策和操作,通讯信息被用于解决智能体间的耦合约束,如本船和他船的位置用于处理避碰约束。通讯信息通常包含希望其他智能体执行的操作。当各智能体自身决策与其他其他智能体期望一致时,协议达成,船舶之间的协同策略亦得以确定。因此,各智能体之间的协同问题可以写为以下形式:
ya(k)=h(xa(k),ua(k)),
ya(k)=za(k),
g(xa(k),ua(k),zb(k))≤0,
其中,Ja(xa(k),ua(k))为智能体a的目标函数,xa(k)和ua(k)分别为a在k时刻的状态和控制输入;为协同智能体集合;/>为与智能体a沟通协同的智能体集合;ya(k)为a与其他智能体的耦合参数,za(k)为其他智能体对这一耦合参数的期望值;g(xa(k),ua(k),zb(k))≤0为a和b之间的耦合约束。
本专利采用以下方式求解该协同问题:
首先建立目标函数的增广拉格朗日函数:
其中,λa为对偶变量,ρa为惩罚系数。
再通过以下迭代,
其中,·s代表参数在第s次迭代时的值。
当原空间和对偶空间的残差和/>满足预设标准,迭代终止,协议达成:
其中,和/>为预设阈值。
本专利采用的是串行迭代协商框架实现各智能体间的协同,各智能体根据自身传感器和通讯信息来做出航行决策,按照预定通讯顺序将本船未来有限时域内的状态作为通讯信息告知其他船舶。其中,预定通讯顺序可以是预先约定好的,比如说进出航道的先后顺序、或者是其他的这几艘船舶约定好的顺序,比如按照船舶大小、航速高低等等。由于本协同控制方法采用了串行迭代方式,如图1和2所示,先更新船舶使用的是后更新船舶前一次迭代的通信信息,即zs-1,后更新船舶使用的是前更新船舶的本次迭代信息,即zs。船舶按照他船通讯信息做出决策,因此,对他船的期望即他船保持上次迭代决策,因此,当每艘船舶此次决策与他在上次迭代中告知他船的信息相同,即ys=zs=zs-1,迭代完成,所有船舶达成协议。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种混合交通场景下的多船分布式协同控制方法,其特征在于,包括以下步骤:
在每一个采样时刻,各异质智能体获取当前时刻的本船信息和他船信息;其中,本船信息包括本船状态和控制输入,他船信息包括他船状态和他船期望,他船期望为他船期望本船在下一时刻所做出的决策;
基于获取的当前时刻的本船信息和他船信息,各异质智能体采用模型预测控制和串行迭代方式更新本船下一时刻的控制决策;
若各异质智能体下一时刻的控制决策与他船期望一致时,所有异质智能体达成控制协议;
其中,智能体之间的协同控制问题求解形式为:
ya(k)=h(xa(k),ua(k)),
ya(k)=za(k),
g(xa(k),ua(k),zb(k))≤0,
式中,Ja(xa(k),ua(k))为智能体a的目标函数,xa(k)和ua(k)分别为a在k时刻的状态和控制输入;为协同智能体集合;/>为与智能体a沟通协同的智能体集合;ya(k)为智能体a与其他智能体的耦合参数,za(k)为其他智能体对这一耦合参数的期望值;g(xa(k),ua(k),zb(k))≤0为智能体a和智能体b之间的耦合约束。
2.根据权利要求1所述的混合交通场景下的多船分布式协同控制方法,其特征在于,模型预测控制具体为:
在每一个采样时刻,异质智能体基于本船信息和他船信息,预测本船未来一段时间内的控制序列,并以该控制序列的第一个元素作为控制决策;
在下一个采样时刻,重复上述过程,进行滚动优化。
3.根据权利要求2所述的混合交通场景下的多船分布式协同控制方法,其特征在于,模型预测控制还包括:反馈矫正,通过预测误差反馈,修正预测模型。
4.根据权利要求1所述的混合交通场景下的多船分布式协同控制方法,其特征在于,串行迭代具体为:在每一个采样时刻,控制决策先更新的船舶使用的是后更新船舶的前一次迭代信息,控制决策后更新的船舶使用的是前更新船舶的本次迭代信息。
5.根据权利要求1所述的混合交通场景下的多船分布式协同控制方法,其特征在于,本船状态和他船状态包括位置、航向和航速。
6.根据权利要求1所述的混合交通场景下的多船分布式协同控制方法,其特征在于,本船状态通过本船设置的传感器测得,他船状态通过本船设置的传感器测得或由他船通过通信告知。
7.根据权利要求1所述的混合交通场景下的多船分布式协同控制方法,其特征在于,采用以下方式求解该协同控制问题:
首先建立目标函数的增广拉格朗日函数:
式中,λa为对偶变量,ρa为惩罚系数;
再通过以下迭代:
式中,S表示迭代次数,即不同的采样时刻。
8.根据权利要求7所述的混合交通场景下的多船分布式协同控制方法,其特征在于,当原空间和对偶空间的残差和/>满足预设标准时,迭代终止,协议达成:
式中,和/>为预设阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366732.2A CN113138554B (zh) | 2021-04-06 | 2021-04-06 | 一种混合交通场景下的多船分布式协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366732.2A CN113138554B (zh) | 2021-04-06 | 2021-04-06 | 一种混合交通场景下的多船分布式协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138554A CN113138554A (zh) | 2021-07-20 |
CN113138554B true CN113138554B (zh) | 2023-09-05 |
Family
ID=76811681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110366732.2A Active CN113138554B (zh) | 2021-04-06 | 2021-04-06 | 一种混合交通场景下的多船分布式协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138554B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118604B (zh) * | 2021-12-02 | 2024-05-28 | 武汉理工大学 | 一种基于机器学习的渡船穿越航道行为预测方法和系统 |
CN114283619A (zh) * | 2021-12-25 | 2022-04-05 | 重庆长安汽车股份有限公司 | 一种基于v2x的车辆避障系统、平台构架、方法及车辆 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN111580545A (zh) * | 2020-03-25 | 2020-08-25 | 北京航空航天大学 | 一种异构无人机集群分布式时空协调控制方法 |
CN111813108A (zh) * | 2020-06-23 | 2020-10-23 | 西安电子科技大学 | 一种实时分布式多机器人队形控制方法、系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620517B2 (en) * | 2012-02-21 | 2013-12-31 | Toyota Mototr Engineering & Manufacturing North America, Inc. | Vehicular platooning using distributed receding horizon control |
-
2021
- 2021-04-06 CN CN202110366732.2A patent/CN113138554B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN111580545A (zh) * | 2020-03-25 | 2020-08-25 | 北京航空航天大学 | 一种异构无人机集群分布式时空协调控制方法 |
CN111813108A (zh) * | 2020-06-23 | 2020-10-23 | 西安电子科技大学 | 一种实时分布式多机器人队形控制方法、系统 |
Non-Patent Citations (1)
Title |
---|
Distributed model predictive control for vessel train formations of cooperative multi-vessel systems;Linying Chen,et al.;Transportation Research Part C:Emerging Technologies;第92卷;第101-181页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113138554A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
CN113138554B (zh) | 一种混合交通场景下的多船分布式协同控制方法 | |
CN109263826B (zh) | 基于操纵性建模的船舶智能避碰系统及方法 | |
Brekke et al. | The Autosea project: Developing closed-loop target tracking and collision avoidance systems | |
Godoy et al. | A driverless vehicle demonstration on motorways and in urban environments | |
Chen et al. | Survey on cooperative control for waterborne transport | |
Ma et al. | CCIBA*: An improved BA* based collaborative coverage path planning method for multiple unmanned surface mapping vehicles | |
Melnyk et al. | Autonomous ships concept and mathematical models application in their steering process control | |
CN114879671A (zh) | 一种基于强化学习mpc的无人艇轨迹跟踪控制方法 | |
CN115453872B (zh) | 一种基于分布式随机模型预测的多智能体编队及避障方法 | |
van Cappelle et al. | Survey on short-term technology developments and readiness levels for autonomous shipping | |
Porathe | Interaction between manned and autonomous ships: automation transparency | |
Imran et al. | Applications of artificial intelligence in ship berthing: A review | |
Van Den Boogaard et al. | Control concepts for navigation of autonomous ships in ports | |
CN118170158A (zh) | 基于人工智能的自动航线规划方法及系统 | |
Zhang et al. | Time-optimal path planning and tracking based on nonlinear model predictive control and its application on automatic berthing | |
Wang et al. | Survey on collision-avoidance navigation of maritime autonomous surface ships | |
Szlapczynska | Data acquisition in a manoeuver auto-negotiation system | |
Zaccone et al. | Interaction between COLREG-compliant collision avoidance systems in a multiple MASS scenario | |
Van Baelen et al. | Dynamic semantic world models and increased situational awareness for highly automated inland waterway transport | |
Li et al. | Coordination for efficient transport over water | |
Kawano et al. | Motion planning algorithm for nonholonomic autonomous underwater vehicle in disturbance using reinforcement learning and teaching method | |
CN112965497A (zh) | 一种船舶编队控制方法、装置及存储介质 | |
Koznowski et al. | Control of electric drive tugboat autonomous formation | |
Benjamin et al. | Autonomy algorithms for stable dynamic linear convoying of autonomous marine vehicles |
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 |