CN113156947B - 一种船舶在动态环境下的路径规划的方法 - Google Patents
一种船舶在动态环境下的路径规划的方法 Download PDFInfo
- Publication number
- CN113156947B CN113156947B CN202110401844.7A CN202110401844A CN113156947B CN 113156947 B CN113156947 B CN 113156947B CN 202110401844 A CN202110401844 A CN 202110401844A CN 113156947 B CN113156947 B CN 113156947B
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- path
- meeting
- dynamic
- 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 37
- 101150080778 INPP5D gene Proteins 0.000 claims abstract description 168
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 56
- 238000013139 quantization Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Abstract
本发明涉及一种船舶在动态环境下的路径规划的方法，提取船舶交互特征参数，轨迹障碍域TOA通过生成对抗神经网络对当前窗口所有动态障碍物生成N条轨迹，估计这些障碍物未来轨迹的分布范围形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面估计，最后基于动态窗口法、TOA、船舶安全领域和COLREGS设计了局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。本发明满足实时计算、《规则》、船舶冲突风险等条件，船舶航行时能够实时、安全、有效的获取最优航线，提高船舶航行效率。
Description
技术领域
本发明涉及路径规划技术领域，更具体地说，涉及一种船舶在动态环境下的路径规划的方法。
背景技术
虽然全局路径规划解决了路线可达问题，但是全局路径规划仅仅考虑了静态障碍物，面对USV航行时的未知动态环境，全局路径规划技术并不能实现 USV的安全航行。因此需要局部路径规划技术对当前航线实时修正，使重规划路径能够避开动、静态障碍物，保障USV航行安全。当前局部路径技术根据方法原理主要分为传统算法、速度障碍域、概率采样、动态窗口法、强化学习五种类型。
但是上述方法均存在不同程度上的缺陷，导致上述方法无法应用到实际的船舶航线规划上去。如A*算法来获得巡逻路径着重考虑了路径最短条件，将重点放在了对基础算法的改进和优化上，而忽视了对路径质量以及安全性的研究。如单一考虑路径最短条件会导致路径紧贴障碍物边界，缺乏安全性；路径平滑程度主要考虑路径曲率可微分，但是没有结合无人艇最小回旋半径对路径的曲率进行约束。
发明内容
本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种船舶在动态环境下的路径规划的方法。
本发明解决其技术问题所采用的技术方案是：构造一种船舶在动态环境下的路径规划的方法，包括：
对船舶的AIS数据集进行分析处理，从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数；
依据船舶运动状态的轨迹特征参数，设计船舶交互特征轨迹预测模型；
通过所述船舶交互特征轨迹预测模型进行船舶轨迹的未来轨迹预测，根据船舶轨迹的未来轨迹预测结果建立轨迹障碍域模型，以估计动态船舶未来航行范围，对动态环境不确定性进行量化分析；
结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算，同时进行全局路线下的偏航函数计算；
结合国际海上避碰规则的约束，进行量化函数的计算，结合偏航函数和量化函数，输出船舶在动态环境下的最优路径。
其中，在提取多组表达船舶运动状态的轨迹特征参数的步骤中，包括步骤：
从AIS数据集获取经度x、纬度y、速率v和航向θ；
从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数。
其中，设计船舶交互特征轨迹预测模型的步骤包括：
输入多条会遇船舶AIS数据集中的船舶位置信息和速度信息，通过LSTM 网络对每条轨迹进行时空建模；
通过作差将船舶的单船信息转换为多船间的相对距离信息和相对速度信息；
将融合了自身轨迹特征和船舶交互特征的整合编码信息输入解码器进行解码得到所有输入船舶轨迹的未来轨迹。
其中，在估计动态船舶未来航行范围，对动态环境不确定性进行量化分析的步骤中，包括步骤：
通过生成对抗神经网络一次性对当前窗口所有动态障碍物生成N条轨迹；
估计动态障碍物未来轨迹的分布范围，形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面的估计。
其中，在结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算的步骤中，通过四元船舶领域模型，定义无人艇距离船舶最小安全领域，边界越远越安全，越近越危险，则生成的轨迹li的碰撞风险J1(li)设定为：
其中，P表示视野内共有P条船舶，M表示轨迹li有M离散采样点，表示轨迹点/>在时刻j与障碍船舶p中心的距离，rp表示障碍船舶。
其中，在计算全局路线下的偏航函数的步骤中，通过计算轨迹点和全局路径的偏离距离和无人艇的规划速度和期望速度的偏差来共同决定偏航函数，公式表示为：
J(li)＝k1J1(li)+k2J2(li)
其中，表示轨迹点与全局路径的偏离距离，M表示轨迹li有M离散采样点，/>表示无人艇的规划速度，vp表示无人艇的期望速度，J(li)表示J1(li)和 J2(li)加权的总代价。
其中，在结合国际海上避碰规则的约束，计算量化函数的步骤中，量化函数的公式表示为：
其中，J3(li)表示转向的USV路径实施惩罚，增加其路径的代价，表示会遇局面不同情况。
其中，输出最优路径是基于动态窗口法、TOA、船舶安全领域和COLREGS 设计局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。
本发明提供了一种船舶在动态环境下的路径规划的方法，提取船舶交互特征参数，轨迹障碍域TOA通过生成对抗神经网络对当前窗口所有动态障碍物生成N条轨迹，估计这些障碍物未来轨迹的分布范围形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面估计，最后基于动态窗口法、TOA、船舶安全领域和COLREGS设计了局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。本发明提供了一种考虑船舶相对运动特征的多目标船舶轨迹实时预测航行范围的模型，满足实时计算、《规则》、船舶冲突风险等条件，船舶航行时能够实时、安全、有效的获取最优航线，提高船舶航行效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种船舶在动态环境下的路径规划的方法的流程示意图。
图2是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型的架构示意图。
图3是本发明提供的一种船舶在动态环境下的路径规划的方法中最优轨迹的规划原理示意图。
图4是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第一实施方式的输出结果示意图。
图5是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第二实施方式的输出结果示意图。
图6是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第三实施方式的输出结果示意图。
图7是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第四实施方式的输出结果示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，本发明提供了一种船舶在动态环境下的路径规划的方法，包括：
对船舶的AIS数据集进行分析处理，从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数；
依据船舶运动状态的轨迹特征参数，设计船舶交互特征轨迹预测模型；
通过所述船舶交互特征轨迹预测模型进行船舶轨迹的未来轨迹预测，根据船舶轨迹的未来轨迹预测结果建立轨迹障碍域模型，以估计动态船舶未来航行范围，对动态环境不确定性进行量化分析；
结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算，同时进行全局路线下的偏航函数计算；
结合国际海上避碰规则的约束，进行量化函数的计算，结合偏航函数和量化函数，输出船舶在动态环境下的最优路径。
轨迹障碍域模型是针对船舶冲突局面提出的一种预测动态船舶未来航行范围的非线性模型，该模型是一种多目标预测模型，能够为局部窗口中多条航行船舶轨迹同时建模，分析船舶之间的相对运动信息，并对多条船舶的未来航行区域进行同时估计。为了让模型适用于船舶冲突局面，设计了船舶交互模块来处理和学习船舶的避碰行为，从而给出冲突局面下船舶未来航行范围的合理预测。改进动态窗口算法是一种综合考虑了《规则》、无人艇操纵性能的局部避碰决策和路径规划算法。该算法结合轨迹障碍域模型和四元船舶领域模型来计算无人艇在冲突局面下的动态风险，并结合轨迹采样和《规则》约束，规划出最优的避碰方案和路径。
其中，在提取多组表达船舶运动状态的轨迹特征参数的步骤中，包括步骤：
从AIS数据集获取经度x、纬度y、速率v和航向θ；
从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数。
其中，设计船舶交互特征轨迹预测模型的步骤包括：
输入多条会遇船舶AIS数据集中的船舶位置信息和速度信息，通过LSTM 网络对每条轨迹进行时空建模；
通过作差将船舶的单船信息转换为多船间的相对距离信息和相对速度信息；
将融合了自身轨迹特征和船舶交互特征的整合编码信息输入解码器进行解码得到所有输入船舶轨迹的未来轨迹。
模型输入X为0到tobs时间段的n条轨迹序列，每条轨迹序列Xi由离散的轨迹采样点组成，其参数包括船舶的坐标数据和x、y方向上的分解速率，轨迹序列公式表示为：
模型输出是tobs+1到tpred时间段的n条船的预测轨迹序列，公式表示为：
在本实施方式中，模型通过一个交互模块来对同一水域内多艘船舶的运动信息进行处理和分析得到船舶交互特征。在每个时间步长t上，交互模块都对任意i,j两船的坐标和速度分别作差得到两船的相对距离信息和相对速度信息，通过一个全连接层神经网络(fully connected layer,FC)对相对运动信息进行编码得到i,j两船的隐藏交互信息然后将所有船舶的群体交互信息存入集合St，最后将个体运动信息和群体交互信息一起输入多层感知器，输出包含整体时空影响因素的特征矢量Ct。
其中，隐藏交互信息公式表示为：
群体交互信息存入集合St公式表示为：
包含整体时空影响因素的特征矢量Ct公式表示为：
其中，WI，Wtanh分别为FC、MLP网络参数。为t时刻的所有船舶的个体运动信息编码矩阵，由生成器中的编码器G得到。
如图2所示，轨迹障碍域模型用于估计动态他船未来航行范围，对动态环境不确定性进行量化分析。
其中，在估计动态船舶未来航行范围，对动态环境不确定性进行量化分析的步骤中，包括步骤：
通过生成对抗神经网络一次性对当前窗口所有动态障碍物生成N条轨迹；
估计动态障碍物未来轨迹的分布范围，形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面的估计。
如图4-7所示，图4是两船打交道交叉相遇的场景，TOA域模型的仿真结果是由10条预测轨迹组成的扇形区域。可以发现轨迹簇形成的扇形区域很好地覆盖的船舶未来的航行区域。利用扇形区域的尾端宽度来评价TOA的预测精度，则A船的预测精度为112.3米，B船的预测精度为147.7米。图5是两船小角度交叉相遇的场景，A船的预测精度为48.7米，B船的预测精度为 106.5米。图6是两船对遇的场景，A船的预测精度是157.4米，B船的预测精度为136.8米。图7是两船小角度交叉相遇的场景，A船的预测精度是68.9 米，B船的预测精度为105.6米。从TOA的仿真结果来看，TOA域本质是船舶未来轨迹离散概率分布，其TOA域的宽度是未来轨迹的不确定性大小，可以很好的非线性的估计船舶在不同会遇局面下的未来轨迹的分布，为局部路径算法处理动态船舶障碍物提供精确的风险量化计算。
其中，在结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算的步骤中，通过四元船舶领域模型，定义无人艇距离船舶最小安全领域，边界越远越安全，越近越危险，则生成的轨迹li的碰撞风险J1(li)设定为：
其中，P表示视野内共有P条船舶，M表示轨迹li有M离散采样点，表示轨迹点/>在时刻j与障碍船舶p中心的距离，rp表示障碍船舶。
其中，在计算全局路线下的偏航函数的步骤中，通过计算轨迹点和全局路径的偏离距离和无人艇的规划速度和期望速度的偏差来共同决定偏航函数，公式表示为：
J(li)＝k1J1(li)+k2J2(li)
其中，表示轨迹点与全局路径的偏离距离，M表示轨迹li有M离散采样点，/>表示无人艇的规划速度，vp表示无人艇的期望速度，J(li)表示J1(li)和 J2(li)加权的总代价。
其中，在结合国际海上避碰规则的约束，计算量化函数的步骤中，量化函数的公式表示为：
其中，J3(li)表示转向的USV路径实施惩罚，增加其路径的代价，表示会遇局面不同情况。
结合COLREGS的条款，COLREGS代价函数分析如下：
当USV处于对遇局面时，双方都有避让责任，双方应该右转从双方的左舷经过。因此路径的总代价函数应该包含J3(li)项，对不满足规则的路径进行惩罚。
当USV处于小角度右舷交叉相遇局面和大角度右舷交叉相遇局面时，USV 作为避让船，有义务右转从目标的船尾经过或直线减速尽量不从目标船前方驶过。因此路径的总代价函数应该包含J3(li)项，对不满足规则的路径进行惩罚。
当USV处于左舷追越局面和右舷追越局面时，USV作为让路船需要根据风险决定从目标左舷还是右舷追越，此时代价项J1(li)和J2(li)就可以满足避碰要求，因此不需要添加J3(li)即J3(li)＝0。
当USV处于被追越、小角度左舷交叉相遇局面和大角度左舷交叉相遇局面时，此时USV作为直航船没有避让义务，应保持航速航向，但是紧急局面下可以右转避碰。此时路径代价项J1(li)和J2(li)就可以满足避碰要求，因此不需要添加J3(li)即J3(li)＝0。
综上，所有的会遇场景下判断条件和代价函数可以总结如表1。
表1会遇场景下判断条件和代价函数表
如图3所示，输出最优路径是基于动态窗口法、TOA、船舶安全领域和 COLREGS设计局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。
下面以具体实例进行说明，提取了舟山港域一块岛礁环境作为全局仿真环境的实验场景，其经度范围为122°8.42′至122°19.708′，纬度范围为30° 10.289′至30°16.72′。设置无人艇参数如表2。
表2无人艇综合实验参数
其中Vt表示无人艇的期望航速，Vmax表示无人艇的最大航速，Rmin表示无人艇最小回转半径，amax表示无人艇最大加速度。
设置的巡航任务一共定义了7个巡航节点，参数如表3。
表3巡航任务节点
添加障碍船舶信息如表4。
表4障碍船舶信息
进行路径规划，无人艇在全局路径上遇到障碍船舶A，并和无人艇构成对遇局面，在此局面下无人艇具有避让义务，根据改进动态窗口法，无人艇规划出右转的避让路径在符合COLREGS的前提下进行避让。待无人艇的对遇冲突结束，开始进行复航到主航线进行行驶。无人艇在TOA域模型的帮助下，在超越障碍船舶B一段足够安全的距离后才开始左转向进行复航。最终，无人艇顺利通过狭窄的海峡，完成最优路径规划。
上面结合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 (4)
1.一种船舶在动态环境下的路径规划的方法，其特征在于，包括：
对船舶的AIS数据集进行分析处理，从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数；
依据船舶运动状态的轨迹特征参数，设计船舶交互特征轨迹预测模型；
通过所述船舶交互特征轨迹预测模型进行船舶轨迹的未来轨迹预测，根据船舶轨迹的未来轨迹预测结果建立轨迹障碍域模型，以估计动态船舶未来航行范围，对动态环境不确定性进行量化分析；
结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算，同时进行全局路线下的偏航函数计算；
结合国际海上避碰规则的约束，进行量化函数的计算，结合偏航函数和量化函数，输出船舶在动态环境下的最优路径；
在结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算的步骤中，通过四元船舶领域模型，定义无人艇距离船舶最小安全领域，边界越远越安全，越近越危险，则生成的轨迹的碰撞风险/>设定为：
其中，表示视野内共有/>条船舶，/>表示轨迹/>有/>离散采样点，/>表示轨迹点/>在时刻/>与障碍船舶/>中心的距离，/>表示障碍船舶；
在计算全局路线下的偏航函数的步骤中，通过计算轨迹点和全局路径的偏离距离和无人艇的规划速度和期望速度的偏差来共同决定偏航函数，公式表示为：
其中，表示轨迹点与全局路径的偏离距离，/>表示轨迹/>有/>离散采样点，/>表示无人艇的规划速度，/>表示无人艇的期望速度，/>表示/>和/>加权的总代价；
在结合国际海上避碰规则的约束，计算量化函数的步骤中，量化函数的公式表示为：
其中，表示转向的USV路径实施惩罚，增加其路径的代价，/>表示会遇局面不同情况；
输出最优路径是基于动态窗口法、TOA、船舶安全领域和COLREGS设计局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径；
结合COLREGS的条款，COLREGS代价函数分析如下：
当USV处于对遇局面时，双方都有避让责任，双方应该右转从双方的左舷经过；因此路径的总代价函数应该包含项，对不满足规则的路径进行惩罚；
当USV处于小角度右舷交叉相遇局面和大角度右舷交叉相遇局面时，USV作为避让船，有义务右转从目标的船尾经过或直线减速尽量不从目标船前方驶过；因此路径的总代价函数应该包含项，对不满足规则的路径进行惩罚；
当USV处于左舷追越局面和右舷追越局面时，USV作为让路船需要根据风险决定从目标左舷还是右舷追越，此时代价项和/>就可以满足避碰要求，因此不需要添加/>即/>；
当USV处于被追越、小角度左舷交叉相遇局面和大角度左舷交叉相遇局面时，此时USV作为直航船没有避让义务，应保持航速航向，但是紧急局面下可以右转避碰；此时路径代价项和/>就可以满足避碰要求，因此不需要添加/>即/>；
所有的会遇场景下判断条件和代价函数如下：
对遇局面下，判断条件为&/>，总代价函数为；
小角度右舷交叉相遇局面，判断条件为&/>，总代价函数为；
大角度右舷交叉相遇局面，判断条件为&/>，总代价函数为；
右舷追越局面，判断条件为&/>，总代价函数为；
左舷追越局面，判断条件为&/>，总代价函数为；
大角度左舷交叉相遇局面，判断条件为，总代价函数为；
小角度左舷交叉相遇局面，判断条件为，总代价函数为。
2.根据权利要求1所述的船舶在动态环境下的路径规划的方法，其特征在于，在提取多组表达船舶运动状态的轨迹特征参数的步骤中，包括步骤：
从AIS数据集获取经度、纬度/>、速率/>和航向/> ；
从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数。
3.根据权利要求1所述的船舶在动态环境下的路径规划的方法，其特征在于，设计船舶交互特征轨迹预测模型的步骤包括：
输入多条会遇船舶AIS数据集中的船舶位置信息和速度信息，通过LSTM网络对每条轨迹进行时空建模；
通过作差将船舶的单船信息转换为多船间的相对距离信息和相对速度信息；
将融合了自身轨迹特征和船舶交互特征的整合编码信息输入解码器进行解码得到所有输入船舶轨迹的未来轨迹。
4.根据权利要求1所述的船舶在动态环境下的路径规划的方法，其特征在于，在估计动态船舶未来航行范围，对动态环境不确定性进行量化分析的步骤中，包括步骤：
通过生成对抗神经网络一次性对当前窗口所有动态障碍物生成N条轨迹；
估计动态障碍物未来轨迹的分布范围，形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面的估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110401844.7A CN113156947B (zh) | 2021-04-14 | 2021-04-14 | 一种船舶在动态环境下的路径规划的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110401844.7A CN113156947B (zh) | 2021-04-14 | 2021-04-14 | 一种船舶在动态环境下的路径规划的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113156947A CN113156947A (zh) | 2021-07-23 |
| CN113156947B true CN113156947B (zh) | 2024-03-08 |
Family
ID=76890574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110401844.7A Active CN113156947B (zh) | 2021-04-14 | 2021-04-14 | 一种船舶在动态环境下的路径规划的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113156947B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114326702B (zh) * | 2021-11-25 | 2023-09-22 | 江苏科技大学 | 一种基于模型预测控制的内河无人船避碰方法 |
| CN114464015B (zh) * | 2022-02-08 | 2023-05-02 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
| CN115293297B (zh) * | 2022-10-08 | 2023-01-20 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
| CN115657693B (zh) * | 2022-12-28 | 2023-03-17 | 安徽省交通航务工程有限公司 | 一种船舶路径优化方法、电子设备及存储介质 |
| 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 |
| CN116700315B (zh) * | 2023-07-03 | 2024-02-06 | 苏州优世达智能科技有限公司 | 一种无人艇的航迹跟踪控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079721A (zh) * | 2020-03-23 | 2020-04-28 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
| CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
| CN111650945A (zh) * | 2020-06-28 | 2020-09-11 | 北京智行者科技有限公司 | 动态障碍物防撞方法 |
| CN112052984A (zh) * | 2020-08-07 | 2020-12-08 | 智慧航海（青岛）科技有限公司 | 一种智能船舶避碰方法及系统 |
| CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10019006B2 (en) * | 2015-04-08 | 2018-07-10 | University Of Maryland, College Park | Surface vehicle trajectory planning systems, devices, and methods |
-
2021
- 2021-04-14 CN CN202110401844.7A patent/CN113156947B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079721A (zh) * | 2020-03-23 | 2020-04-28 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
| CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
| CN111650945A (zh) * | 2020-06-28 | 2020-09-11 | 北京智行者科技有限公司 | 动态障碍物防撞方法 |
| CN112052984A (zh) * | 2020-08-07 | 2020-12-08 | 智慧航海（青岛）科技有限公司 | 一种智能船舶避碰方法及系统 |
| CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
Non-Patent Citations (4)
| Title |
|---|
| 容煜 等.一种动态环境下无人艇局部路径规划方法.武汉理工大学学报.2023,(第2期),275-280. * |
| 席裕庚,张纯刚.一类动态不确定环境下机器人的滚动路径规划.自动化学报.2002,(第02期),161-174. * |
| 王杰森.动态环境下海事无人艇巡航路径规划方法研究.万方学位论文.2022,全文. * |
| 贺益雄 等.交叉相遇局面让路船自动避碰行动方案.哈尔滨工程大学学报.2015,第36卷(第8期),1024-1029. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113156947A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113156947B (zh) | 一种船舶在动态环境下的路径规划的方法 | |
| Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
| Perera et al. | Intelligent ocean navigation and fuzzy-Bayesian decision/action formulation | |
| Tan et al. | Fast marching square method based intelligent navigation of the unmanned surface vehicle swarm in restricted waters | |
| CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
| CN110956853B (zh) | 一种多船碰撞预测方法、系统和存储介质 | |
| CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
| Perera | Autonomous ship navigation under deep learning and the challenges in COLREGs | |
| Ning et al. | COLREGs-compliant unmanned surface vehicles collision avoidance based on multi-objective genetic algorithm | |
| Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
| Rongcai et al. | Autonomous collision avoidance system in a multi-ship environment based on proximal policy optimization method | |
| CN116360434A (zh) | 基于改进的csac-apf算法的船舶路径规划方法 | |
| Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
| Liu et al. | Collision avoidance for underactuated ocean-going vessels considering COLREGs constraints | |
| Zhao et al. | Decision-making for the autonomous navigation of USVs based on deep reinforcement learning under IALA maritime buoyage system | |
| Vestre et al. | AIS-based near-collision database generation and analysis of real collision avoidance manoeuvres | |
| Woerner | COLREGS-compliant autonomous collision avoidance using multi-objective optimization with interval programming | |
| Chen et al. | Decision support based on artificial fish swarm for ship collision avoidance from AIS data | |
| Du et al. | Multi-objective cooperative control for a ship-towing system in congested water traffic environments | |
| Vasanthan et al. | Combining supervised learning and digital twin for autonomous path-planning | |
| İnan et al. | Particle swarm optimization-based collision avoidance | |
| Ayob et al. | Neuroevolutionary autonomous surface vehicle simulation in restricted waters | |
| Simonlexau et al. | Automated Docking for Marine Surface Vessels—A Survey | |
| Jose et al. | Navigating the Ocean with DRL: Path following for marine vessels | |
| Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm |
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 |