CN113470435B - 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 - Google Patents
生成自然对抗海洋环境的智能船舶测试场景的方法及终端 Download PDFInfo
- Publication number
- CN113470435B CN113470435B CN202110776493.8A CN202110776493A CN113470435B CN 113470435 B CN113470435 B CN 113470435B CN 202110776493 A CN202110776493 A CN 202110776493A CN 113470435 B CN113470435 B CN 113470435B
- Authority
- CN
- China
- Prior art keywords
- ship
- situation
- scene
- natural
- importance
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生成自然‑对抗海洋环境的智能船舶测试场景的方法,首先基于电子海图数据、海洋气象数据构建虚拟静态场景;利用真实海上交通数据,创建船舶时空分布数据库,构建初始的自然场景;通过船舶时空分布数据库中的船舶状态‑态势,计算自然场景下的船舶态势分布;评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶,构建重要度抽样密度函数,基于重要度抽样随机生成关键船舶态势。其他周围船舶的态势从自然场景下的船舶态势分布中抽取,生成具有对抗性的船舶会遇场景;建立智能船舶测试存储记录库。本发明能够搭建更加贴近真实的自然场景以及更加高效的对抗场景,为智能航行技术的测试和评估提供场景支持。
Description
技术领域
本发明涉及智能船舶场景构建技术领域,尤其涉及一种生成自然对抗海洋环境的智能船舶测试场景的方法及终端。
背景技术
近年来,随着智能船舶的不断发展,智能航行技术作为关键技术,相关的测试和评估成为了研究热点。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。
但由于海上交通环境具有高度的不确定性、不可重复性、不可预测性和不可穷尽等特征,现有的仿真测试系统和方法,在仿真过程中无法保证设定测试场景的真实性。除了静态场景元素固有的连续值取值范围和多约束问题外,海上交通行为是在一个高度复杂的、存在着多种约束条件的环境下的高交互性行为。交通参与者类型众多,包括商船、拖轮、渔船、工程船舶等,每种交通参与者都有特定的动态行为模式。
此外,由于海洋环境的高维性和安全关键事件的罕见性,需要非常长时间的仿真,评估智能船舶航行技术,故利用真实的海洋环境进行测试十分低效。
因此,如何揭示海上交通流系统的复杂性、动态性和随机性内在机理,真实且高效地模拟船舶航行的海洋环境成为当前需要解决的技术问题。
有鉴于此,需要提出一种新的技术方案来解决上述技术问题。
发明内容
本发明的目的在于提供一种生成自然对抗海洋环境的智能船舶测试场景的方法及终端,能够搭建更加贴近真实的自然场景以及更加高效的对抗场景,为智能航行技术的测试和评估提供场景支持。
为实现上述目的,本发明采用以下技术手段:
一种生成自然对抗海洋环境的智能船舶测试场景的方法,包括步骤:
构建虚拟静态场景:基于电子海图数据、海洋气象数据获取真实的海洋航行环境数据;
建立船舶时空分布数据库,包括:采集实际水域一段时间内的船舶海上交通数据,从历史数据中获取船舶航行信息;对水域进行网格化划分,建立船舶时空分布数据库;
构建自然对抗动态场景:统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数;
采用随机采样方法,得到自然场景初始状态,包括船舶数量,每条周围船舶的位置、船舶类型、航向航速,以及被测船舶的位置与类型;
基于船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布,其他周围船舶的态势从自然场景下的船舶态势分布中抽样获得;
在初始自然场景基础上,被测船舶当前态势用前一步长的船舶态势替代,分别评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶;
构建重要度抽样密度函数,并基于所述重要度抽样密度函数计算态势碰撞危险性概率;
基于所述被测船舶碰撞危险性概率,生成关键船舶态势,继而生成具有对抗性的船舶会遇场景。
一种实现方式中,还包括:
建立智能船舶测试存储记录库:在一定测试时长或一定航程距离下,统计发生船舶事故的类型与次数、违反海上避碰规则类型与次数,将测试记录存储,并对发生船舶事故时刻的前后一段时间进行截断保存。
一种实现方式中,所述海洋航行环境数据至少包括:航道信息、气象海况信息;航道信息包含航道宽度、碍航物、航标灯标、航道转弯半径、航道等级、通航期、船舶定线制信息;气象海况信息包含能见度、天气、水深、流速。
一种实现方式中,所述船舶时空分布数据库至少包括宏观交通流数据与微观交通流数据,所述宏观交通流数据包括任意一时间点实际水域中船舶的数量、位置、船型;微观交通流数据包括任意一时间点任意一位置水域船舶的航向航速。
一种实现方式中,所述统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数的步骤,包括:
基于船舶时空分布数据库,统计分析得到相对位置、相对方位、相对速度以及船舶类型的联合分布函数,利用随机采样方法,生成自然场景的初始状态,初始状态包括船舶数量,每条周围船舶的位置、船舶类型、航向航速,以及被测船舶的位置与类型;基于船舶时空分布数据库进行统计分析,统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数x~P(x),
一种实现方式中,所述通过船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布步骤包括:
采用随机采样方法,得到其他周围船舶态势,利用变量之间的时空独立性关系,依据马尔科夫决策过程,获得联合分布函数的简化式:
其中,u(k)、s(k)分别为时间步长k=0,…,T内,船舶的状态信息和态势信息,船舶状态信息包括船舶航向、航速、相对位置、船舶类型信息,记为s(k)=[s0(k),s1(k),…,sN(k)],其中,s0表示被测船舶的状态信息;si表示第i艘周围船舶的状态信息;船舶态势信息至少包括船舶舵角、转速信息,记为u(k)=[u1(k),…,uN(k)],ui表示第i艘周围船舶的态势信息;
通过船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布P(ui(k)|s(k)),并在P(ui(k)|s(k))具有空间独立性的情况下,周围船舶的态势依赖于自身和周围近距离船舶的状态,在Ni表示所有与第i艘周围船舶有依赖关系的船舶,将P(ui(k)|s(k))确定为
一种实现方式中,所述构建重要度抽样密度函数,并基于所述重要度抽样密度函数计算态势碰撞危险性概率的步骤,包括:
分别评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶;
船舶的操纵重要度V(ui|s)定义为船舶态势发生频率P(ui|s)和该态势中发生碰撞的概率P(Ai|s,ui)的乘积:V(ui|s)=P(ui|s)×P(Ai|s,ui),Ai为第i艘周围船舶与被测船舶发生碰撞,关键船舶态势发生概率P(uc|s),由船舶时空分布数据库中分析获得;
进一步,由于被测船舶态势未知,用前一步长的船舶态势近似替代当前步长:
第i艘船舶的重要度定义为:
识别关键船舶:
若Cc(s)>C(C为预设的阈值),该时刻为关键时刻,该船舶为关键船舶;
构建重要度抽样密度函数,重要度抽样密度函数q(u|s)表示为:
此外,本发明还公开了一种生成自然对抗海洋环境的智能船舶测试场景的终端,所述生成自然对抗海洋环境的智能船舶测试场景的终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现如任一项权利要求中任一项生成自然对抗海洋环境的智能船舶测试场景的方法。
相比于现有技术,本发明带来以下技术效果:
本发明的生成自然对抗海洋环境的智能船舶测试场景的方法及终端,具备的有益效果如下:
1.本发明基于AIS历史数据,统计分析得到静态场景,使得生成的场景更符合水域真实情况,提高了测试场景的真实性;
2.本发明提出了对抗场景的生成方法,针对实际海上交通安全关键事件的罕见性,增加了船舶会遇的难度,提高了测试的效率,使得测试场景更加高效。
3.本发明保存智能船舶测试过程中发生的船舶事故或违反避碰规则的案例,有利于设计者针对性地改进智能船舶性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的生成自然-对抗海洋环境的智能船舶测试场景的方法组成框图。
图2为本发明提供的生成自然对抗海洋环境的智能船舶测试场景方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1和图2所示本实施例揭示了一种自然对抗海洋环境的智能船舶测试场景的生成的方法,本发明的方法主要包括以下步骤:
步骤一:构建虚拟静态场景。
基于电子海图数据、海洋气象数据对真实的海洋航行环境进行渲染。
航行环境信息主要包括:航道信息、气象海况信息;
进一步地,所述航道信息包含航道宽度、碍航物、航标灯标、航道转弯半径、航道等级、通航期、船舶定线制等信息;所述气象海况信息包含能见度、天气、水深、流速等信息。
步骤二:建立船舶时空分布数据库。
具体实现过程如下:
采集实际水域一段时间内的船舶海上交通数据,对获取的历史数据进行预处理。获取的历史数据至少包括AIS数据。
AIS数据内容经过压缩处理,具有特定格式的信息,因此需对AIS信息进行解码;
AIS数据的准确性依赖船舶定位系统的精度、船员对信息的正确输入、发送端对信息的编码和传输以及接收端对信息的接受和解码,这些系统设计和人为因素会导致接受的AIS数据不准确。因此要对AIS数据进行预处理。
预处理方法包括去噪、去冗余、剔除错误信息、线性插值补充等操作。
从AIS数据中获取时间、船舶位置、航速航向、船舶类型等信息。
AIS历史数据由船舶上的AIS设备发出,该AIS数据信息具体包括船舶MMSI码、船名、船舶类型、航向、航速、预计到达港等信息。
对水域进行网格化划分,建立船舶时空分布数据库。
船舶时空分布数据库主要包括宏观交通流数据与微观交通流数据。所述宏观交通流数据包括任意一时间点实际水域中船舶的数量、位置、船型;所述微观交通流数据包括任意一时间点任意一位置水域船舶的航向航速。
步骤三:构建自然对抗动态场景。
具体实现如下:
为了使仿真结果更好地贴近真实海洋环境场景,基于船舶时空分布数据库,构建初始的自然场景,具体为:
(1)基于船舶时空分布数据库,统计分析得到船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数,利用随机采样方法,生成自然场景初始状态。
自然场景初始状态包括船舶数量,每条周围船舶的位置、船舶类型、航向航速,以及被测船舶的位置与类型。
随机采样方法,可以是蒙特卡洛采样、拉丁超立方体抽样等。
(2)基于船舶时空分布数据库进行统计分析,统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数x~P(x);
其中
xi,j表示第i艘船舶在j时刻的位置、航向航速等变量;N表示感兴趣的船舶数量;T表示总的时间步长;X表示变量的可行空间。
(3)为了简化高维度的时空分布,利用变量之间的时空独立性关系,依据马尔科夫决策过程,将联合分布函数通过因子化的方式简化为:
其中,u(k)、s(k)分别为时间步长k=0,…,T内,船舶的状态信息和态势信息(舵角、转速)。
船舶状态信息包括船舶航向、航速、相对位置、船舶类型等信息,记为s(k)=[s0(k),s1(k),…,sN(k)];其中,s0表示被测船舶AS(Autonomous Ship)的状态信息;si表示第i艘周围船舶BS(Background Ship)的状态信息;
船舶态势信息包括船舶舵角、转速等信息,记为u(k)=[u1(k),…,uN(k)],其中,ui表示第i艘BS的态势信息。
船舶态势分布,在每个时间步长,满足u(k)~P(u(k)|s(k)):
(5)依据得到船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数,以及被测船舶的初始状态,利用随机抽样方法,得到自然场景初始状态。
自然场景初始状态包括船舶数量以及每条船舶的位置、类型、航向航速。
随机采样方法,可以是蒙特卡洛采样、拉丁超立方体抽样等。
由于海洋环境的高维性和安全关键事件的罕见性,在初始自然场景基础上,生成具有对抗性的船舶会遇场景,具体为:
分别评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶。
船舶的操纵重要度V(ui|s)定义为船舶态势发生频率P(ui|s)和该态势中发生碰撞的概率P(Ai|s,ui)的乘积:V(ui|s)=P(ui|s)×P(Ai|s,ui),
其中,Ai为第i艘周围船舶与被测船舶发生碰撞。
关键船舶态势发生概率P(uc|s),由船舶时空分布数据库中分析获得。
识别关键船舶:
若Cc(s)>C(C为预设的阈值),该时刻为关键时刻,该船舶为关键船舶。
重要度抽样,即为从新的重要度抽样密度函数中抽取随机样本点,重要度抽样密度函数q(u|s)可表示为
其中,uc为最关键船舶的操纵动作。
进一步,q(uc|s)由船舶的自然行为分布和标准化临界值分布的加权平均构造:
其中∈>0是自然分布的权重。
步骤四:建立智能船舶测试存储记录库。智能船舶自主航行实验结束后,将测试记录存储。
具体地,在一定测试时长或一定航程距离下,统计发生船舶事故的类型与次数、违反海上避碰规则类型与次数;
进一步,对发生船舶事故时刻的前后一段时间进行截断保存。
本发明还公开了一种生成自然对抗海洋环境的智能船舶测试场景的终端,所述生成自然对抗海洋环境的智能船舶测试场景的终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现任一项生成自然对抗海洋环境的智能船舶测试场景的方法。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种生成自然对抗海洋环境的智能船舶测试场景的方法,其特征在于,包括步骤:
构建虚拟静态场景:基于电子海图数据、海洋气象数据获取真实的海洋航行环境数据;
建立船舶时空分布数据库,包括:采集实际水域一段时间内的船舶海上交通数据,从历史数据中获取船舶航行信息;对水域进行网格化划分,建立船舶时空分布数据库;
构建自然对抗动态场景:统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数;
采用随机采样方法,得到自然场景初始状态,包括船舶数量,每条周围船舶的位置、船舶类型、航向航速,以及被测船舶的位置与类型;
基于船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布,其他周围船舶的态势从自然场景下的船舶态势分布中抽样获得;
在初始自然场景基础上,被测船舶当前态势用前一步长的船舶态势替代,分别评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶;
构建重要度抽样密度函数,并基于所述重要度抽样密度函数计算态势碰撞危险性概率;
基于所述被测船舶碰撞危险性概率,生成关键船舶态势,继而生成具有对抗性的船舶会遇场景;
所述统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数的步骤,包括:
基于船舶时空分布数据库,统计分析得到相对位置、相对方位、相对速度以及船舶类型的联合分布函数,利用随机采样方法,生成自然场景的初始状态,初始状态包括船舶数量,每条周围船舶的位置、船舶类型、航向航速,以及被测船舶的位置与类型;基于船舶时空分布数据库进行统计分析,统计分析船舶间相对位置、相对方位、相对速度以及船舶类型的联合分布函数x~P(x),
所述基于船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布步骤包括:
采用随机采样方法,得到其他周围船舶态势,利用变量之间的时空独立性关系,依据马尔科夫决策过程,获得联合分布函数的简化式:
其中,u(k)、s(k)分别为时间步长k=0,…,T内,船舶的状态信息和态势信息,船舶状态信息包括船舶航向、航速、相对位置、船舶类型信息,记为s(k)=[s0(k),s1(k),…,sN(k)],其中,s0表示被测船舶的状态信息;si表示第i艘周围船舶的状态信息;船舶态势信息至少包括船舶舵角、转速信息,记为u(k)=[u1(k),…,uN(k)],ui表示第i艘周围船舶的态势信息;
通过船舶时空分布数据库中的船舶状态-态势,计算自然场景下的船舶态势分布P(ui(k)|s(k)),并在P(ui(k)|s(k))具有空间独立性的情况下,周围船舶的态势依赖于自身和周围近距离船舶的状态,在Ni表示所有与第i艘周围船舶有依赖关系的船舶,将P(ui(k)|s(k))确定为
所述构建重要度抽样密度函数,并基于所述重要度抽样密度函数计算态势碰撞危险性概率的步骤,包括:
分别评价周围船舶的重要度,选择重要度最高的船舶作为关键船舶;
船舶的操纵重要度V(ui|s)定义为船舶态势发生频率P(ui|s)和该态势中发生碰撞的概率P(Ai|s,ui)的乘积:V(ui|s)=P(ui|s)×P(Ai|s,ui),Ai为第i艘周围船舶与被测船舶发生碰撞,关键船舶态势发生概率P(uc|f),由船舶时空分布数据库中分析获得;
进一步,由于被测船舶态势未知,用前一步长的船舶态势替代当前步长:
第i艘船舶的重要度定义为:
识别关键船舶:
若Cc(s)>C(C为预设的阈值),该时刻为关键时刻,该船舶为关键船舶;
构建重要度抽样密度函数,重要度抽样密度函数q(u|s)表示为:
2.根据权利要求1所述的生成自然对抗海洋环境的智能船舶测试场景的方法,其特征在于,还包括:
建立智能船舶测试存储记录库:在一定测试时长或一定航程距离下,统计发生船舶事故的类型与次数、违反海上避碰规则类型与次数,将测试记录存储,并对发生船舶事故时刻的前后一段时间进行截断保存。
3.根据权利要求1所述的生成自然对抗海洋环境的智能船舶测试场景的方法,其特征在于,所述海洋航行环境数据至少包括:航道信息、气象海况信息;航道信息包含航道宽度、碍航物、航标灯标、航道转弯半径、航道等级、通航期、船舶定线制信息;气象海况信息包含能见度、天气、水深、流速。
4.根据权利要求2或3所述的生成自然对抗海洋环境的智能船舶测试场景的方法,其特征在于,所述船舶时空分布数据库至少包括宏观交通流数据与微观交通流数据,所述宏观交通流数据包括任意一时间点实际水域中船舶的数量、位置、船型;微观交通流数据包括任意一时间点任意一位置水域船舶的航向航速。
5.一种生成自然对抗海洋环境的智能船舶测试场景的终端,其特征在于,所述生成自然对抗海洋环境的智能船舶测试场景的终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于执行计算机程序时,以实现如权利要求1至4中任一项生成自然对抗海洋环境的智能船舶测试场景的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776493.8A CN113470435B (zh) | 2021-07-09 | 2021-07-09 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776493.8A CN113470435B (zh) | 2021-07-09 | 2021-07-09 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470435A CN113470435A (zh) | 2021-10-01 |
CN113470435B true CN113470435B (zh) | 2022-10-25 |
Family
ID=77879552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776493.8A Active CN113470435B (zh) | 2021-07-09 | 2021-07-09 | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470435B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050136B (zh) * | 2023-01-28 | 2023-07-21 | 中国船级社 | 一种智能船舶测试场景库的生成方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011065848A1 (en) * | 2009-11-26 | 2011-06-03 | Akademia Morska W Szczecinie | A method and system of navigational decision support in the process of safe vessel navigation |
CN110444045A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种非冲突状态船舶集群态势分析方法 |
CN111028546A (zh) * | 2019-11-20 | 2020-04-17 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达面向智能船舶的多船协同避碰系统和方法 |
KR102209644B1 (ko) * | 2019-11-08 | 2021-01-29 | 서종철 | 접안 선박의 부두 충돌 예측 및 경보시스템 |
CN112966332A (zh) * | 2021-03-02 | 2021-06-15 | 武汉理工大学 | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081801B (zh) * | 2011-01-26 | 2014-04-16 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
CN105160942A (zh) * | 2015-08-17 | 2015-12-16 | 武汉理工大学 | 面向船舶可视导航的通航环境可视化表示方法 |
CN105390029B (zh) * | 2015-11-06 | 2019-04-26 | 武汉理工大学 | 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统 |
CN108281043B (zh) * | 2018-03-23 | 2021-04-27 | 上海海事大学 | 一种船舶碰撞风险预警系统及预警方法 |
CN110009937B (zh) * | 2019-03-21 | 2022-04-01 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
JP2021018484A (ja) * | 2019-07-17 | 2021-02-15 | 国立研究開発法人 海上・港湾・航空技術研究所 | 周辺状態表現方法、避航動作学習プログラム、避航動作学習システム、及び船舶 |
CN111951606B (zh) * | 2020-07-29 | 2021-07-30 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
AU2020101965A4 (en) * | 2020-08-25 | 2020-10-01 | Wuhan University Of Technology | A method of navigational early warming for ship encounter, and system thereof |
CN112100917B (zh) * | 2020-09-14 | 2023-12-22 | 中国船级社 | 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 |
CN112560286B (zh) * | 2020-12-25 | 2022-07-19 | 武汉理工大学 | 一种基于数字化船舶领域模型的船舶碰撞风险确定方法 |
-
2021
- 2021-07-09 CN CN202110776493.8A patent/CN113470435B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011065848A1 (en) * | 2009-11-26 | 2011-06-03 | Akademia Morska W Szczecinie | A method and system of navigational decision support in the process of safe vessel navigation |
CN110444045A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种非冲突状态船舶集群态势分析方法 |
KR102209644B1 (ko) * | 2019-11-08 | 2021-01-29 | 서종철 | 접안 선박의 부두 충돌 예측 및 경보시스템 |
CN111028546A (zh) * | 2019-11-20 | 2020-04-17 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达面向智能船舶的多船协同避碰系统和方法 |
CN112966332A (zh) * | 2021-03-02 | 2021-06-15 | 武汉理工大学 | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN113470435A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
Fang et al. | Automatic identification system-based approach for assessing the near-miss collision risk dynamics of ships in ports | |
CN110210352B (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
Xin et al. | A simulation model for ship navigation in the “Xiazhimen” waterway based on statistical analysis of AIS data | |
Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
CN109977523B (zh) | 一种海量船舶ais轨迹数据在线压缩方法及装置 | |
Sun | Open aircraft performance modeling: based on an analysis of aircraft surveillance data | |
Debnath et al. | Modelling collision potentials in port anchorages: application of the navigational traffic conflict technique (NTCT) | |
Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
Pedrielli et al. | A real time simulation optimization framework for vessel collision avoidance and the case of singapore strait | |
CN112966332A (zh) | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 | |
Rong et al. | Evaluation of near-collisions in the Tagus River Estuary using a marine traffic simulation model | |
CN113470435B (zh) | 生成自然对抗海洋环境的智能船舶测试场景的方法及终端 | |
CN114596731B (zh) | 基于ais的船舶航行过程气象海况数据融合处理系统及方法 | |
CN112347218B (zh) | 无人船艇的环境地图生成方法及无人船艇感知系统 | |
KR102671702B1 (ko) | 혼합현실 기반 자율운항선박 성능 검증 시스템 및 방법 | |
Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak Douglas–Peucker algorithm | |
Widyantara et al. | Automatic identification system-based trajectory clustering framework to identify vessel movement pattern | |
Yoo et al. | Statistical trajectory-distance metric for nautical route clustering analysis using cross-track distance | |
Blin et al. | A stochastic conflict detection model revisited | |
Song et al. | Modeling human's collision avoidance direction in an encounter situation using an ensemble classifier | |
Burger et al. | Extended linear regression model for vessel trajectory prediction with a-priori AIS information | |
Olindersson et al. | Development of a software to identify and analyse marine traffic situations |
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 |