CN113741176A

CN113741176A - 基于Koopman分析的船舶靠离泊控制方法、装置及存储介质

Info

Publication number: CN113741176A
Application number: CN202111100795.XA
Authority: CN
Inventors: 李诗杰; 张培; 李晨; 刘佳仑; 吴青
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2021-09-18
Filing date: 2021-09-18
Publication date: 2021-12-03
Anticipated expiration: 2041-09-18
Also published as: CN113741176B

Abstract

本发明公开一种基于Koopman分析的船舶靠离泊控制方法、装置及存储介质，涉及智能船舶技术。本申请基于深度学习与Koopman算符理论，通过船舶的状态参数回归得到靠离泊运动线性模型，建立靠离泊运动线性模型到其靠离泊非线性运动模型之间的微分同坯变换，然后根据靠离泊运动线性模型建模为深度神经网络并进行训练得到靠离泊非线性运动模型的特征函数，即Koopman算符。然后根据特征函数确定其高维的运动线性预测模型，确定船舶的规划轨迹后结合运动线性预测模型，能够对船舶的非线性运动进行预测，从而实现准确控制船舶。

Description

基于Koopman分析的船舶靠离泊控制方法、装置及存储介质

技术领域

本发明涉及智能船舶技术领域，尤其涉及一种基于Koopman分析的船舶靠离泊控制方法、装置及存储介质。

背景技术

顺应水路运输绿色环保、节能高效、安全可靠发展的需要，智能船舶作为智能水运的载体进入高速发展阶段。针对智能船舶的自主靠离泊技术，国内外尚处于研究初期，相关理论方法还在不断发展和完善中。随着先进电子导航设备在船舶中的广泛应用，能够为船舶提供实时、精确的靠泊数据，使全面实现自动靠泊成为可能。

船舶靠离泊运动具有非线性、不确定程度高、环境干扰大的特点，目前大部分非线性系统的控制与分析均基于其模型的线性化展开，需要事先已知系统精确数学模型，首先找到系统的平衡态，然后在平衡点的邻近区域做线性逼近。然而，这种线性化只在平衡点的局部有效，无法反映系统的全局特性。因此，如何依托船舶运动状态参数去分析其非线性运动特性，进而对其精确控制，是个非常重要且具有挑战性的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于 Koopman分析的船舶靠离泊控制方法、装置及存储介质，能够提高船舶靠离泊控制的准确度。

一方面，本发明实施例提供了一种基于Koopman分析的船舶靠离泊控制方法，包括以下步骤：

获取船舶的状态参数并进行回归计算得到船舶的靠离泊运动线性模型；

确定所述靠离泊运动线性模型的特征参数；

确定所述靠离泊运动线性模型到船舶的靠离泊非线性运动模型的微分同坯变换函数；

根据所述特征参数和所述微分同坯变换函数构建深度学习网络；

获取样本数据并训练所述深度学习网络得到所述靠离泊非线性运动模型的特征函数；

根据所述靠离泊非线性运动模型的特征函数在高维空间中确定船舶的运动线性预测模型；

获取船舶的靠离泊平均速度并根据所述靠离泊平均速度确定船舶的规划轨迹；

根据所述规划轨迹和所述运动线性预测模型确定船舶的控制输入。

根据本发明一些实施例，所述获取船舶的状态参数并进行回归计算得到船舶的靠离泊运动线性模型包括以下步骤：

基于任意的靠泊参考轨迹或者离泊参考轨迹确定PID控制算法控制船舶运动；

获取船舶运动过程中的状态参数，其中，所述状态参数包括船舶运动状态参数和控制输入参数；

构建船舶运动控制的状态空间模型，其中，所述状态空间模型为：

其中，x为运动状态变量，u为控制输入变量，A_nom和B_nom均为所述状态空间模型的模型参数；

根据所述运动状态参数和所述控制输入参数进行回归计算得到所述模型参数；

根据所述模型参数确定所述靠离泊运动线性模型。

根据本发明一些实施例，确定所述靠离泊运动线性模型的特征参数包括以下步骤：

在所述靠泊参考轨迹或者所述离泊参考轨中应用线性反馈控制器；

根据所述线性反馈控制器更新所述运动状态参数；

根据所述靠离泊运动线性模型确定在所述线性反馈控制器作用下的闭环控制系统矩阵；

根据所述闭环控制系统矩阵确定所述靠离泊运动线性模型的特征参数。

根据本发明一些实施例，所述获取样本数据并训练所述深度学习网络得到所述靠离泊非线性运动模型的特征函数包括以下步骤：

获取样本数据，其中，所述样本数据包括给定初始运动状态参数和初始控制输入参数条件下的船舶运动轨迹以及船舶运动轨迹对应的运动状态参数和控制输入参数；

将所述样本数据分为训练集和测试集；

采用所述训练集中的样本数据训练所述深度学习网络得到训练后的深度学习网络；

根据训练后的深度学习网络确定所述靠离泊非线性运动模型的特征函数。

根据本发明一些实施例，所述根据训练后的深度学习网络确定所述靠离泊非线性运动模型的特征函数包括以下步骤：

对训练后的所述深度学习网络采用数学变换得到所述靠离泊非线性运动模型的特征函数，其中，数学变换公式为：

φ(x)＝ψ(g(h(x)))

其中，φ(x)表示所述靠离泊非线性运动模型的特征函数，h(x)表示深度学习网络，g(x)表示尺度函数，ψ(x)表示所述靠离泊运动线性模型的特征函数。

根据本发明一些实施例，所述根据所述靠离泊非线性运动模型的特征函数在高维空间中确定船舶的运动线性预测模型包括以下步骤：

根据所述靠离泊非线性运动模型的特征函数和所述运动状态变量确定船舶运动控制的升维状态变量；

根据所述升维状态变量去确定所述运动线性预测模型。

根据本发明一些实施例，所述根据所述靠离泊平均速度确定船舶的规划轨迹包括以下步骤：

根据所述靠离泊平均速度估算船舶到达靠泊点或者离港航道的时长以确定一系列离散目标点；

对所述离散目标点进行曲线拟合、三次样条曲线以及根据离散线段的连续性条件构建约束方程确定船舶的轨迹参数；

根据所述轨迹参数确定船舶的规划轨迹。

根据本发明一些实施例，所述根据所述规划轨迹和所述运动线性预测模型确定船舶的控制输入包括以下步骤：

将所述运动线性预测模型构建为有限时域的二次规划模型；

根据所述规划轨迹和所述二次规划模型确定和优化船舶的控制输入。

另一方面，本发明实施例还提供一种基于Koopman分析的船舶靠离泊控制装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如前面所述的基于Koopman分析的船舶靠离泊控制方法。

另一方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如前面所述的基于 Koopman分析的船舶靠离泊控制方法。

本发明上述的技术方案至少具有如下优点或有益效果之一：本申请基于深度学习与Koopman算符理论，通过船舶的状态参数回归得到靠离泊运动线性模型，建立靠离泊运动线性模型到其靠离泊非线性运动模型之间的微分同坯变换，然后根据靠离泊运动线性模型建模为深度神经网络并进行训练得到靠离泊非线性运动模型的特征函数，即Koopman算符。然后根据特征函数确定其高维的运动线性预测模型，确定船舶的规划轨迹后结合运动线性预测模型，能够对船舶的非线性运动进行预测，从而实现准确控制船舶。

附图说明

图1是本发明实施例提供的基于Koopman分析的船舶靠离泊控制方法流程图；

图2是本发明实施例提供基于Koopman分析的船舶靠离泊控制装置示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系，仅是为了便于描述本发明和简化描述，而不是指示或者暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明实施例提供了一种基于Koopman分析的船舶靠离泊控制方法，参照图1所示，本发明实施例的空调器温度锁定方法包括但不限于步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600、步骤S700和步骤S800。

步骤S100，获取船舶的状态参数并进行回归计算得到船舶的靠离泊运动线性模型。

步骤S200，确定靠离泊运动线性模型的特征参数。

步骤S300，确定靠离泊运动线性模型到船舶的靠离泊非线性运动模型的微分同坯变换函数。

步骤S400，根据特征参数和微分同坯变换函数构建深度学习网络。

步骤S500，获取样本数据并训练深度学习网络得到靠离泊非线性运动模型的特征函数。

步骤S600，根据靠离泊非线性运动模型的特征函数在高维空间中确定船舶的运动线性预测模型。

步骤S700，获取船舶的靠离泊平均速度并根据靠离泊平均速度确定船舶的规划轨迹。

步骤S800，根据规划轨迹和运动线性预测模型确定船舶的控制输入。

根据本发明一些具体实施例，步骤S100还包括步骤S110、步骤S120、步骤S130、步骤 S140和步骤S150。

步骤S110，基于任意的靠泊参考轨迹或者离泊参考轨迹确定PID控制算法控制船舶运动。

步骤S120，获取船舶运动过程中的状态参数，其中，状态参数包括船舶运动状态参数和控制输入参数。

步骤S130，构建船舶运动控制的状态空间模型，其中，状态空间模型为：

其中，x为运动状态变量，u为控制输入变量，A_nom和B_nom均为状态空间模型的模型参数。

步骤S140，根据运动状态参数和控制输入参数进行回归计算得到模型参数。

步骤S150，根据模型参数确定靠离泊运动线性模型。

在本实施例中，设定任意的靠泊参考轨迹或者离泊参考轨迹，在设定的靠泊参考轨迹或者离泊参考轨迹上设计PID控制算法对船舶进行控制，使船舶跟踪靠泊参考轨迹或者离泊参考轨迹。在船舶运行过程中存储船舶状态参数，船舶状态参数包括船舶运动状态参数和控制输入。

具体地，PID控制算法，即PID控制律表示为：

其中，δ表示舵角，n表示螺旋桨转速，

和

均为控制参数。

将PID控制律应用于船舶控制器，并在船舶控制器内迭代处理预设次数后，存储船舶多个时刻的运动状态参数和多个时刻的控制输入参数。多个时刻的运动状态参数可以存储为数据集

多个时刻的控制输入参数可以存储为数据集

构建船舶运动控制的状态空间模型：

基于获取的运动状态参数和控制输入参数计算状态空间模型的模型参数A_nom和B_nom矩阵的具体数值，从而得到靠离泊运动线性模型。其中，运动状态变量包括速度状态量和位置状态量，控制输入变量包括舵角变量和螺旋桨转速变量。

根据本发明一些具体实施例，步骤S200还包括步骤S210、步骤S220、步骤S230和步骤S240。

步骤S210，在靠泊参考轨迹或者离泊参考轨中应用线性反馈控制器。

步骤S220，根据线性反馈控制器更新运动状态参数。

步骤S230，根据靠离泊运动线性模型确定在线性反馈控制器作用下的闭环控制系统矩阵。

步骤S240，根据闭环控制系统矩阵确定靠离泊运动线性模型的特征参数。

在一些实施例中，以靠离泊运动线性模型为基础，结合上述任意的靠泊参考轨迹或者离泊参考轨迹，应用线性反馈控制器u＝K_nomx，得到更新后的运动状态参数。根据靠离泊运动线性模型确定在线性反馈控制器作用下的闭环控制系统矩阵

其中，A_cl＝A_nom+ B_nomK_nom，计算矩阵A_cl的特征值与特征矢量，矩阵A_cl用于表示靠离泊运动线性模型的特征参数，K_nom是根据库普曼算子获得的控制输入参数。

根据本发明一些具体实施例，步骤S500还包括步骤S510、步骤S520、步骤S530和步骤S540。

步骤S510，获取样本数据，其中，样本数据包括给定初始运动状态参数和初始控制输入参数条件下的船舶运动轨迹以及船舶运动轨迹对应的运动状态参数和控制输入参数。

步骤S520，将样本数据分为训练集和测试集。

步骤S530，采用训练集中的样本数据训练深度学习网络得到训练后的深度学习网络。

在一些实施例中，为了建立靠离泊非线性运动模型的非线性Koopman算符，采用深度学习理论，构建监督学习问题，求解靠离泊运动线性模型到船舶的靠离泊非线性运动模型的微分同坯变换函数h(x)之后，根据特征参数和微分同坯变换函数构建深度学习网络，深度学习网络可优化构建为：

s.t.Dh(0)＝0

其中，k表示某一采样时刻，j表示参考轨迹的某一离散点；M_t表示沿参考轨迹移动的时间；M_S表示参考轨迹总共的离散点。

获取样本数据，样本数据是在给定初始运动状态x₀和初始控制输入u₀下，基于线性反馈控制器作用下跟踪多条设定参考轨迹，得到的运动状态参数和控制输入参数。在每条轨迹的每个采样时刻可得到运动状态参数和控制输入参数。对采集好的样本数据进行划分，选择其中80％的样本数据作为训练集，训练集用于训练深度神经网络。选择其中20％的样本数据作为测试集，测试集的一部分样本数据用于验证模型的有效性，另一部分样本数据用于模型的性能指标的评估。

基于深度学习网络构建微分同坯变换函数h(x)，并将其建模为监督学习问题，定义该监督学习问题的损失函数如下：

监督学习的目标是针对深度神经网络训练最优的参数，使其对输入的估计输出数据与实际输出数据之间误差的期望风险最小化。

步骤S540，根据训练后的深度学习网络确定靠离泊非线性运动模型的特征函数。

具体地，步骤S540还包括步骤S541。

步骤S541，对训练后的所述深度学习网络采用数学变换得到所述靠离泊非线性运动模型的特征函数，其中，数学变换公式为：

φ(x)＝ψ(g(h(x)))

其中，φ(x)表示所述靠离泊非线性运动模型的特征函数，h(x)表示深度学习网络中的微分同坯变换函数，g(x)表示尺度函数，ψ(x)表示所述靠离泊运动线性模型的特征函数。

根据本发明一些具体实施例，步骤S600还包括步骤S610和步骤S620。

步骤S610，根据靠离泊非线性运动模型的特征函数和运动状态变量确定船舶运动控制的升维状态变量。

步骤S620，根据升维状态变量去确定运动线性预测模型。

在一些实时例中，特征函数φ(x)的基础上，结合运动状态变量，定义船舶运动控制的升维状态变量为：

z＝[x，φ(x)]^T

其中，φ(x)＝[φ₁(x)，...，φ_N(x)]，x＝[p,v]为船舶的运动状态变量，其包括位置状态变量p＝[x,y,ψ]和速度状态变量v＝[u,v,r]两部分。以z为系统变量，围绕靠离泊非线性运动模型中的位置状态变量、速度状态变量和特征函数变量分别建模为最小二乘线性回归问题，如下所示：

Position dynamics：

X_p＝[U]，

Velocity dynamics：

X_v＝[P V Φ U]，

Eigenfunction dynamics：

X_φ＝[U-U_nom]，

其中，I表示单位矩阵，V表示速度状态变量，U表示控制输入矩阵，包含舵角和螺旋桨转速，P表示位置状态变量。

采用Lasso回归算法，计算高维的运动线性预测模型

中的A和B矩阵参数。其计算方式如下所示：

其中p＝[x,y,ψ]，即船舶坐标x,y以及航向角ψ；v＝[u,v,r]，u,v,r分别为船舶在三个方向上的速度矢量。

进一步地，在运动线性预测模型基础上，基于深度Koopman框架构造船舶靠离泊运动状态预测器，即x＝Cz，其中C＝[I 0]。

根据本发明一些具体实施例，步骤S700还包括步骤S710、步骤S720和步骤S730。

步骤S710，根据靠离泊平均速度估算船舶到达靠泊点或者离港航道的时长以确定一系列离散目标点。

步骤S720，对离散目标点进行曲线拟合、三次样条曲线以及根据离散线段的连续性条件构建约束方程确定船舶的轨迹参数。

步骤S730，根据轨迹参数确定船舶的规划轨迹。

在一些实施例中，在靠泊阶段，规划轨迹为从当前位置到目标靠泊点的轨迹或者为在离泊阶段，规划船舶从靠泊点到离港航道的轨迹。

在一些实施例中，对离散目标点进行曲线拟合、三次样条曲线以及根据离散线段的连续性条件构建约束方程确定船舶的轨迹参数包括以下步骤：

获取离散线段的虚拟航迹方向、船舶航向以确定漂角大小。

获取船舶纵向速度并根据纵向速度和船舶航向之间的关系，确定纵向速度变化率函数。

获取船舶合速度并计算曲线轨迹对应的船舶角速度，并将船舶角速度代入向速度变化率函数中，得到纵向速度的微分方程，从而推导虚拟纵向速度、虚拟航向角和虚拟角速度。

根据本发明一些具体实施例，步骤S800还包括步骤S810和步骤S820。

步骤S810，将运动线性预测模型构建为有限时域的二次规划模型。

步骤S820，根据规划轨迹和二次规划模型确定和优化船舶的控制输入。

在一些实施例中，在高维的运动线性预测模型

的基础上，将其建模为有限时域的二次规划问题，二次规划模型如下：

s.t.z_p＝A_dz_p-1+B_du_p

x_min≤Cz_p≤x_max p＝1，...，N_p

u_min≤u_p≤u_max

z₀＝φ(x_k)

其中，Np为预测时域，R为惩罚矩阵，z变量所包含的高维函数φ(x)可以通过与规划轨迹的控制输入的显式关系消除，从而将该问题简化为线性系统的二次规划优化问题，可采用 Python开源优化求解器快速求解，得到船舶靠离泊运动的最优控制输入。

参照图2，图2是本发明一个实施例提供的基于Koopman分析的船舶靠离泊控制装置的示意图。本发明实施例的基于Koopman分析的船舶靠离泊控制装置包括一个或多个控制处理器和存储器，图2中以一个控制处理器及一个存储器为例。

控制处理器和存储器可以通过总线或者其他方式连接，图2中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该基于Koopman分析的船舶靠离泊控制装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本领域技术人员可以理解，图2中示出的装置结构并不构成对基于Koopman分析的船舶靠离泊控制装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

实现上述实施例中应用于控制装置的控制方法所需的非暂态软件程序以及指令存储在存储器中，当被控制处理器执行时，执行上述实施例中应用于基于Koopman分析的船舶靠离泊控制装置的基于Koopman分析的船舶靠离泊控制方法。

此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的基于Koopman分析的船舶靠离泊控制方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims

1.一种基于Koopman分析的船舶靠离泊控制方法，其特征在于，包括以下步骤：

确定所述靠离泊运动线性模型的特征参数；

2.根据权利要求1所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述获取船舶的状态参数并进行回归计算得到船舶的靠离泊运动线性模型包括以下步骤：

构建船舶运动控制的状态空间模型，所述状态空间模型为：

根据所述模型参数确定所述靠离泊运动线性模型。

3.根据权利要求2所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，确定所述靠离泊运动线性模型的特征参数包括以下步骤：

根据所述线性反馈控制器更新所述运动状态参数；

4.根据权利要求3所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述获取样本数据并训练所述深度学习网络得到所述靠离泊非线性运动模型的特征函数包括以下步骤：

将所述样本数据分为训练集和测试集；

5.根据权利要求4所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述根据训练后的深度学习网络确定所述靠离泊非线性运动模型的特征函数包括以下步骤：

φ(x)＝ψ(g(h(x)))

6.根据权利要求5所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述根据所述靠离泊非线性运动模型的特征函数在高维空间中确定船舶的运动线性预测模型包括以下步骤：

根据所述升维状态变量去确定所述运动线性预测模型。

7.根据权利要求6所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述根据所述靠离泊平均速度确定船舶的规划轨迹包括以下步骤：

根据所述轨迹参数确定船舶的规划轨迹。

8.根据权利要求7所述的基于Koopman分析的船舶靠离泊控制方法，其特征在于，所述根据所述规划轨迹和所述运动线性预测模型确定船舶的控制输入包括以下步骤：

将所述运动线性预测模型构建为有限时域的二次规划模型；

9.一种基于Koopman分析的船舶靠离泊控制装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至8任一项所述的基于Koopman分析的船舶靠离泊控制方法。

10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至8任一项所述的基于Koopman分析的船舶靠离泊控制方法。