CN113744569B - 开阔水域船舶自主避碰方法、系统、设备及存储介质 - Google Patents

开阔水域船舶自主避碰方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113744569B
CN113744569B CN202111294066.2A CN202111294066A CN113744569B CN 113744569 B CN113744569 B CN 113744569B CN 202111294066 A CN202111294066 A CN 202111294066A CN 113744569 B CN113744569 B CN 113744569B
Authority
CN
China
Prior art keywords
ship
collision
target
collision avoidance
speed
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
Application number
CN202111294066.2A
Other languages
English (en)
Other versions
CN113744569A (zh
Inventor
黄立文
张可
贺益雄
郝国柱
刘明明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111294066.2A priority Critical patent/CN113744569B/zh
Publication of CN113744569A publication Critical patent/CN113744569A/zh
Application granted granted Critical
Publication of CN113744569B publication Critical patent/CN113744569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems

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)

Abstract

本申请涉及一种开阔水域船舶自主避碰方法、系统、设备及存储介质，其方法包括：获取本船与多个目标船的AIS信息和雷达信息，进行数据融合得到融合信息；实时计算本船与目标船的相关避碰参数；根据速度障碍法判断存在碰撞风险时，基于相关避碰参数计算不同会遇局面下的评估指标值，利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值；将碰撞风险值大于预设阈值的目标船作为危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；通过控制系统控制本船的航向和航速，实现自主避碰。本申请的船舶自主避碰方法更加准确和智能，可有效减少海上碰撞事故和提高航行安全。

Description

开阔水域船舶自主避碰方法、系统、设备及存储介质
技术领域
本申请涉及船舶避碰技术领域，尤其是涉及一种开阔水域船舶自主避碰方法、系统、设备及存储介质。
背景技术
随着海上运输的迅速发展，海上船舶也向着大型化和快速化发展。尽管现代导航设备取得了许多进步，但在繁忙的航道上，船舶碰撞仍然频繁发生。船舶碰撞事故在各种海上交通事故中占主导地位，并造成了严重的后果。因此，为降低人为因素造成的船舶航行风险，进一步提高海上运输的智能化水平，国际海事组织一直致力于无人船和无人水面艇相关技术研究。而自主避碰决策技术作为无人船和无人水面艇研发中起着至关重要的作用。而现有研究多集中在避碰决策算法上，尽管有部分研究开发了避碰决策系统但其完备性和实时性还不够，不能或不够符合航海实践，比如未考虑或部分考虑避碰规则、船舶操纵性良好船艺等要求。因此，为了减少海上碰撞事故和提高航行安全，开发更智能、更安全的避碰决策方法或避碰决策系统是十分必要的。
发明内容
有鉴于此，本申请提供一种开阔水域船舶自主避碰方法、系统、设备及存储介质，开发更智能、更安全的自主避碰决策方法和系统。
为了解决上述问题，第一方面，本申请提供一种开阔水域船舶自主避碰方法，所述方法包括：
获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
根据所述融合信息计算所述本船与目标船的相关避碰参数；
根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
通过控制系统控制所述本船的航向和航速，以实现自主避碰。
可选的，所述基于相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值，包括：
定义所述船舶碰撞危险度评估模型中的数字特征峰值
Figure 962470DEST_PATH_IMAGE001
、左右边界值
Figure 465126DEST_PATH_IMAGE002
、熵
Figure 707889DEST_PATH_IMAGE003
以及超熵
Figure 307497DEST_PATH_IMAGE004
参数为：
Figure 852879DEST_PATH_IMAGE005
Figure 233045DEST_PATH_IMAGE006
Figure 154865DEST_PATH_IMAGE007
数学期望为：
Figure 405718DEST_PATH_IMAGE008
将目标船作为评估对象，将目标船相对本船的碰撞危险度及基于相关避碰参数计算的评估指标划分灰类；
构建非对称灰云白化权函数并计算白化权值；
根据预设的指标权重及白化权值计算综合聚类系数；
根据综合聚类系数计算碰撞风险值。
可选的，所述将目标船作为评估对象，将目标船相对本船的碰撞危险度及基于相关避碰参数计算的评估指标划分灰类，包括：
确定评估对象各评估指标属于灰类
Figure 122001DEST_PATH_IMAGE009
的点
Figure 927146DEST_PATH_IMAGE010
作为该评估指标对应灰类的中心点，根据各个指标取值范围划分S个灰类；评估对象碰撞危险度划分为低风险、较低风险、中等风险、较高风险和高风险五个等级；
所述构建非对称灰云白化权函数并计算白化权值，包括：
以第K个灰类参数
Figure 511711DEST_PATH_IMAGE011
的左边界点和中心点构建以
Figure 23595DEST_PATH_IMAGE012
为峰值点的左单侧正态灰云模型，以其右边界点和中心点构建以
Figure 35413DEST_PATH_IMAGE013
为峰值点的右单侧正态灰云模型，得到指标j关于灰类k的正态灰云白化权函数：
Figure 997028DEST_PATH_IMAGE014
取N次求平均值作为最终的白化权值：
Figure 119705DEST_PATH_IMAGE015
计算归一化后白化权值
Figure 220516DEST_PATH_IMAGE016
：
Figure 872078DEST_PATH_IMAGE017
所述根据预设的指标权重及白化权值计算综合聚类系数，包括：
计算第i个对象关于第k个灰类的综合聚类系数
Figure 182973DEST_PATH_IMAGE018
如下：
Figure 984707DEST_PATH_IMAGE019
其中：
Figure 595817DEST_PATH_IMAGE020
为指标j关于对象i的分类权重；
所述根据综合聚类系数计算碰撞风险值，包括：
计算得到对象i的综合聚类系数向量为所属灰类：
Figure 824804DEST_PATH_IMAGE021
假设将
Figure 622996DEST_PATH_IMAGE022
分别赋给从低风险到高风险的五个等级值；其对应的区间值分别为[0,0.2]，[0.2,0.4]，[0.4,0.6]，[0.6,0.8]和[0.8,1]；考虑到综合聚类系数的最大值通常分布在[0.2,0.6]区间内，可以通过以下函数计算碰撞风险值:
Figure 228421DEST_PATH_IMAGE023
。
可选的，所述针对危险船舶计算本船改向变速幅度，确定避碰决策方案，包括：
设定
Figure 631720DEST_PATH_IMAGE024
为本船OS相对目标船舶TS的相对速度，
Figure 156242DEST_PATH_IMAGE025
，
Figure 582676DEST_PATH_IMAGE026
为
Figure 257371DEST_PATH_IMAGE024
矢量方向上的射线，
Figure 46335DEST_PATH_IMAGE027
为危险船舶TS以R为半径的圆形船舶领域，本船与目标船舶发生碰撞的条件为：
Figure 882704DEST_PATH_IMAGE028
设定射线
Figure 324662DEST_PATH_IMAGE029
与
Figure 130944DEST_PATH_IMAGE030
构成的相对碰撞区RCC，在本船相对目标船舶的任意速度
Figure 180940DEST_PATH_IMAGE031
时，本船与目标船舶将发生碰撞：
Figure 781685DEST_PATH_IMAGE032
速度障碍区间为：
Figure 713869DEST_PATH_IMAGE033
其中，
Figure 933629DEST_PATH_IMAGE034
为闵可夫斯基矢量和运算；
计算本船在给定时间区间
Figure 962765DEST_PATH_IMAGE035
内能改变的速度矢量：
Figure 140937DEST_PATH_IMAGE036
其中，
Figure 294838DEST_PATH_IMAGE037
为本船目前速度，
Figure 442922DEST_PATH_IMAGE038
本船加速度；
计算在给定时间区间
Figure 201931DEST_PATH_IMAGE035
内本船可以转向的角度：
Figure 675637DEST_PATH_IMAGE039
其中，
Figure 520097DEST_PATH_IMAGE040
为本船当前航向角，
Figure 471872DEST_PATH_IMAGE041
为本船当前的角速度，
Figure 348037DEST_PATH_IMAGE042
为本船当前的角加速度；
将本船在给定
Figure 992645DEST_PATH_IMAGE035
时间内可以改变的速度大小
Figure 589979DEST_PATH_IMAGE043
和航向角度
Figure 345446DEST_PATH_IMAGE044
, 离散化M个速度和N个航向角，得到速度矢量集合为
Figure 813467DEST_PATH_IMAGE045
，并确定本船的改向变速避让区间为：
Figure 832239DEST_PATH_IMAGE046
根据避碰规则取避让区间中间值，即在给定∆t时间内改向变速避让区间的中间值作为改向变速的最终避碰决策方案。
可选的，所述融合信息包括所述目标船相对所述本船的方位、航速、航向、距离信息；所述将所述AIS信息和所述雷达信息进行数据融合处理，包括：
对AIS信息和ARPA雷达信息进行数据融合，融合航迹关联，设定时间粗关联公式：
Figure 775924DEST_PATH_IMAGE047
其中，
Figure 210448DEST_PATH_IMAGE048
为预设时间阀值，
Figure 923189DEST_PATH_IMAGE049
为AIS探测到目标Ai的时刻，
Figure 784965DEST_PATH_IMAGE050
为雷达探测到目标Rj的时刻，若满足时间粗关联公式，则判定为符合时间粗关联；
设定距离粗关联公式：
Figure 215947DEST_PATH_IMAGE051
其中，
Figure 516478DEST_PATH_IMAGE052
为预设距离阀值，
Figure 224671DEST_PATH_IMAGE053
为AIS在T时刻探测到目标Ai的距离，
Figure 116404DEST_PATH_IMAGE054
为在T时刻雷达探测到目标Rj的距离，若满足距离粗关联公式，则判定为符合距离粗关联；
若AIS探测到的目标Ai与雷达探测到的目标Rj既符合时间粗关联又符合距离粗关联，则采取基于模糊因素判断的双门限细关联算法：
Figure 910047DEST_PATH_IMAGE055
Figure 76586DEST_PATH_IMAGE056
其中，
Figure 373707DEST_PATH_IMAGE057
分别为方位、航速、航向、距离的关联度，
Figure 701920DEST_PATH_IMAGE058
分别为方位、航速、航向、距离的调整系数，
Figure 45177DEST_PATH_IMAGE059
分别为方位、航速、航向、距离的欧式距离，
Figure 645701DEST_PATH_IMAGE060
分别为AIS设备在方位、航速、航向、距离上的方差；Bij为最终关联度，
Figure 187541DEST_PATH_IMAGE061
分别为方位、航速、航向、距离的权重；
若
Figure 827601DEST_PATH_IMAGE062
满足预设门限阈值，判定为符合细关联，用加权融合算法对Ai和Rj目标进行位置信息的数据融合：
Figure 454892DEST_PATH_IMAGE063
其中，
Figure 573020DEST_PATH_IMAGE064
为AIS的位置信息，
Figure 969366DEST_PATH_IMAGE065
为雷达的位置信息，
Figure 514748DEST_PATH_IMAGE066
和
Figure 832597DEST_PATH_IMAGE067
分别为其对应权值系数；
Figure 613472DEST_PATH_IMAGE068
为AIS设备位置方差，
Figure 5270DEST_PATH_IMAGE069
为雷达设备位置方差，最后得到的X为融合信息。
可选的，所述相关避碰参数包括最近会遇距离DCPA、最近会遇时间TCPA、两船间距离D、相对方位B和速度比K，所述根据所述融合信息计算所述本船与目标船的相关避碰参数，包括：
计算本船和目标船的相对速度：
Figure 111766DEST_PATH_IMAGE070
其中，
Figure 589015DEST_PATH_IMAGE071
和
Figure 173580DEST_PATH_IMAGE072
分别为相对速度VR在X轴和Y轴上速度分量，
Figure 419885DEST_PATH_IMAGE073
和
Figure 634965DEST_PATH_IMAGE074
分别为本船和目标船的速度，
Figure 458565DEST_PATH_IMAGE075
和
Figure 722187DEST_PATH_IMAGE076
分别为本船和目标船的航向；
计算相对速度航向角：
Figure 213211DEST_PATH_IMAGE077
其中，
Figure 268367DEST_PATH_IMAGE078
，且
Figure 844842DEST_PATH_IMAGE079
取值根据目标船相对于本船的相对速度在X轴及Y轴上分量方向所设定；
计算目标船相对于本船的方位角：
Figure 974472DEST_PATH_IMAGE080
计算两船间相对距离为：
Figure 726528DEST_PATH_IMAGE081
计算最近会遇距离DCPA和最近会遇时间TCPA为：
Figure 548990DEST_PATH_IMAGE082
Figure 222548DEST_PATH_IMAGE083
。
可选的，所述通过控制系统控制所述本船的航向和航速，包括：
利用船舶运动模型MMG和PID航向控制系统执行避碰决策方案，按照预定的速度和航向控制本船实现避碰。
第二方面，本申请提供一种开阔水域船舶自主避碰系统，所述系统包括：
信息融合模块，用于获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
避碰信息处理模块，用于根据所述融合信息实时计算所述本船与目标船的相关避碰参数；
碰撞风险评估模块，用于根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
避碰决策模块，用于将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
控制执行模块，用于通过控制系统控制所述本船的航向和航速，以实现自主避碰。
第三方面，本申请提供的一种计算机设备，采用如下的技术方案：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述开阔水域船舶自主避碰方法的步骤。
第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
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程序，所述计算机程序被处理器执行时实现所述开阔水域船舶自主避碰方法的步骤。
采用上述实施例的有益效果是：通过将本船与多个目标船的AIS信息和雷达ARPA信息进行融合，根据所述融合信息计算本船与目标船的相关避碰参数；在根据速度障碍法判断本船和目标船存在碰撞风险时，基于相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值；将碰撞风险值大于预设阈值的目标船作为危险船舶，针对危险船舶利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案，根据控制系统控制本船的航向和航速，以实现自主避碰。
本发明中的数据融合算法可以将AIS和雷达的数据进行融合，提高了信息的准确性，也具有了较好的故障容错率。提出的碰撞危险度评估模型可以有效地实现不同会遇局面下船舶碰撞风险的识别和量化。具有可以表示不确定概念的模糊性和随机性及其关系，它适用于处理不确定信息，可以对碰撞风险进行精确评估的优点。提出的自主避碰决策模型充分考虑了船舶的操纵性、船舶会遇局面、碰撞危险度、良好船艺和COLREGs，可以实时得到避碰决策方案并通过控制执行模块按照预定的速度和航向控制船舶，实现有效避碰得目的。此外，本发明可以有效避免船舶在航行过程中因驾驶员人为失误，提高船舶航行风险。
附图说明
图1为本申请提供的开阔水域船舶自主避碰方法一实施例的方法流程图；
图2为本申请提供的开阔水域船舶自主避碰方法一实施例中典型会遇局面下两船运动参数示意图；
图3为本申请提供的开阔水域船舶自主避碰方法一实施例中基于避碰规则下的船舶会遇局面划分示意图；
图4为本申请提供的开阔水域船舶自主避碰方法一实施例中速度障碍算法的原理示意图；
图5为本申请提供的开阔水域船舶自主避碰方法一实施例中模糊自适应PID控制器的示意图；
图6为本申请提供的开阔水域船舶自主避碰系统一实施例的原理框图；
图7为本申请提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例，其中，附图构成本申请一部分，并与本申请的实施例一起用于阐释本申请的原理，并非用于限定本申请的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供了一种开阔水域船舶自主避碰方法、系统、设备及存储介质，以下分别进行详细说明。
参照图1为本申请提供的开阔水域船舶自主避碰方法一种实施例的方法流程图，该开阔水域船舶自主避碰方法，包括下述步骤：
S101，获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
S102，根据所述融合信息实时计算所述本船与目标船的相关避碰参数；
S103，根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值；
S104，利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
S105，将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
S106，通过控制系统控制所述本船的航向和航速，以实现自主避碰。
本实施例通过将本船与多个目标船的AIS信息和雷达ARPA信息进行数据融合处理得到融合信息，根据所述融合信息计算本船与目标船的相关避碰参数；在根据速度障碍法判断本船和目标船存在碰撞风险时，基于相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值；将碰撞风险值大于预设阈值的目标船作为危险船舶，针对危险船舶计算本船改向变速幅度，确定避碰决策方案，根据避碰决策方案控制本船的航向和航速，以实现自主避碰。由于能将AIS和雷达的数据进行融合得到更全面更精确的数据，提高了最终避碰的安全性，而且，提出的船舶碰撞危险度评估模型可以有效地实现不同会遇局面下船舶碰撞风险的识别和量化，可以对碰撞风险进行精确评估。提出的船舶自主避碰方法更加准确和智能，从而提高船舶航行的安全性。
具体地，在一种可选的实施方式中，获取船舶运行参数信息及环境状态信息，对船舶的AIS信息和雷达信息并进行数据融合，融合航迹关联为：
Figure 952607DEST_PATH_IMAGE084
（1）
Figure 762431DEST_PATH_IMAGE085
（2）
上式（1）中
Figure 818112DEST_PATH_IMAGE086
为时间阀值，
Figure 978966DEST_PATH_IMAGE087
为AIS探测到目标Ai的时刻，
Figure 247136DEST_PATH_IMAGE088
为ARPA/雷达探测到目标Rj的时刻，若满足式（1），则判定为符合时间粗关联。
上式（2中）
Figure 504942DEST_PATH_IMAGE089
为距离阀值，
Figure 341311DEST_PATH_IMAGE090
为AIS在T时刻探测到目标Ai的距离，
Figure 848516DEST_PATH_IMAGE091
为在T时刻ARPA/雷达探测到目标Rj的距离，若满足式（2），则判定为符合距离粗关联。
Figure 795743DEST_PATH_IMAGE092
（3）
其中，粗关联门限值为CATT，CAFM为判定因子，其CAFM初始值为0，若在Ki时刻，AIS探测到的目标Ai与ARPA/雷达探测到的目标Rj既符合时间粗关联又符合距离粗关联，则CAFM值增加1。若CAFM值符合如式（3）所示条件则认为满足粗关联准则。
为使得每条AIS信息都能找到唯一相对应的ARPA/雷达信息，下面采取基于模糊因素判断的双门限细关联算法：
Figure 235952DEST_PATH_IMAGE093
（4）
Figure 977643DEST_PATH_IMAGE094
（5）
式（4）中，
Figure 237723DEST_PATH_IMAGE095
分别为方位、航速、航向、距离的关联度，
Figure 454553DEST_PATH_IMAGE096
分别为方位、航速、航向、距离的调整系数，
Figure 155793DEST_PATH_IMAGE097
分别为方位、航速、航向、距离的欧式距离，
Figure 193019DEST_PATH_IMAGE098
分别为AIS设备在方位、航速、航向、距离上的方差；Bij为最终关联度，
Figure 815761DEST_PATH_IMAGE099
分别为方位、航速、航向、距离的权重。
双门限细关联判定准则为：与粗关联判定准则类似，首先制定细关联的第一门限FAT1和第二门限FAT2,用细关联判定因子FM来代表细关联程度，且FM初始值为0。若在Ki时刻满足
Figure 432687DEST_PATH_IMAGE100
，则FM值增加1，若FM满足FM>FAT2，则判定为符合细关联准则。
下面用加权融合算法对Ai和Rj目标进行位置信息的数据融合：
Figure 316330DEST_PATH_IMAGE101
Figure 665403DEST_PATH_IMAGE102
上式中
Figure 900075DEST_PATH_IMAGE103
为AIS的位置信息，
Figure 727216DEST_PATH_IMAGE104
为ARPA/雷达的位置信息，
Figure 730945DEST_PATH_IMAGE105
和
Figure 985340DEST_PATH_IMAGE106
分别为其对应权值系数。
Figure 441729DEST_PATH_IMAGE107
为AIS设备位置方差，
Figure 806982DEST_PATH_IMAGE108
为ARPA/雷达设备位置方差。
更进一步地，计算本船和目标船舶间相关避碰参数，两船相对速度为：
Figure 930796DEST_PATH_IMAGE109
上式中
Figure 621671DEST_PATH_IMAGE110
和
Figure 768619DEST_PATH_IMAGE111
分别为在X轴和Y轴上速度分量，
Figure 62197DEST_PATH_IMAGE112
和
Figure 647375DEST_PATH_IMAGE113
分别为本船和目标船的速度，
Figure 633785DEST_PATH_IMAGE114
和
Figure 205712DEST_PATH_IMAGE115
分别为本船和目标船的航向。
相对速度航向角：
Figure 302981DEST_PATH_IMAGE116
式中
Figure 745595DEST_PATH_IMAGE117
，且
Figure 902907DEST_PATH_IMAGE118
取值由来船相对于本船的相对速度在X轴及 Y轴上分量方向所决定。
目标船相对于本船的方位角：
Figure 696550DEST_PATH_IMAGE119
两船间相对距离为：
Figure 331931DEST_PATH_IMAGE120
最近会遇距离DCPA和最近会遇时间TCPA为：
Figure 222526DEST_PATH_IMAGE121
。
例如，在一种可选的实施方式中，参照图2，图2为本申请提供的开阔水域船舶自主避碰方法一实施例中典型会遇局面下两船运动参数示意图。
进一步地，根据速度障碍法判断本船和各目标船间是否存在碰撞风险，具体为：
以本船为中心划分为包括绝对碰撞区、潜在碰撞区和安全区三个区域，对于存在潜在碰撞区内的船舶进行碰撞危险判断。
两船相对速度为：
Figure 426106DEST_PATH_IMAGE122
设
Figure 831679DEST_PATH_IMAGE123
为本船和目标船的速度障碍区，如果满足下式，则认为本船和目标船存在碰撞风险：
Figure 411696DEST_PATH_IMAGE124
其中，
Figure 953536DEST_PATH_IMAGE125
为两船相对速度。
进一步地，如存在碰撞风险则采用构建的基于灰云模型的船舶碰撞危险度评估模型计算目标船和本船碰撞危险度大小，并对大于阈值的船舶碰撞危险度进行排序，具体为：
选取最近会遇距离（DCPA）、最近会遇时间（TCPA）、两船间距离（D）、相对方位（B）和速度比（K）五个指标作为碰撞危险度评价指标，根据三种不同会遇局面分别构建船舶碰撞危险度评估模型。所述三种不同会遇局面包括对遇、交叉和追越局面。参照图3，图3为本申请提供的开阔水域船舶自主避碰方法一实施例中基于避碰规则下的船舶会遇局面划分示意图。
灰云模型各数字特征峰值
Figure 328017DEST_PATH_IMAGE126
、左右边界值
Figure 955307DEST_PATH_IMAGE127
、熵
Figure 807857DEST_PATH_IMAGE128
以及超熵
Figure 469782DEST_PATH_IMAGE129
等数值来表征为：
Figure 12235DEST_PATH_IMAGE130
Figure 126821DEST_PATH_IMAGE131
Figure 783062DEST_PATH_IMAGE132
数学期望为：
Figure 502756DEST_PATH_IMAGE133
S1.将评估指标和评估对象划分为5个灰类。
根据需要确定待评估对象a需要划分的灰类数，确定待评估对象各评估指标最属于灰类
Figure 343673DEST_PATH_IMAGE134
的点
Figure 820922DEST_PATH_IMAGE135
作为该指标对应灰类的中心点，根据各个指标取值范围划分S个灰类。
S2.构建非对称灰云白化权函数并计算白化权值。
以第k个灰类参数
Figure 671066DEST_PATH_IMAGE136
的左边界点和中心点构建以
Figure 651792DEST_PATH_IMAGE137
为峰值点的左单侧正态灰云模型，以其右边界点和中心点构建以
Figure 929189DEST_PATH_IMAGE138
为峰值点的右单侧正态灰云模型，得到指标j关于灰类k的正态灰云白化权函数
Figure 628155DEST_PATH_IMAGE139
。
Figure 16411DEST_PATH_IMAGE140
为了使较小每次计算的白化权值的随机性导致判断结果的误差，此处取100次求平均值作为最终的白化权值。
Figure 117222DEST_PATH_IMAGE141
最后得到归一化后白化权值
Figure 299942DEST_PATH_IMAGE142
。
Figure 751783DEST_PATH_IMAGE143
S3.确定指标权重。在一种可选的实施方式中，本实施例中对应各个指标权重为（0.400，0.367，0.167，0.033，0.033）。
S4. 计算综合聚类系数。
第i个对象关于第k个灰类的综合聚类系数
Figure 881413DEST_PATH_IMAGE144
如下：
Figure 961364DEST_PATH_IMAGE145
其中：
Figure 455931DEST_PATH_IMAGE146
为指标j关于对象i的分类权重。
S5. 计算碰撞风险值。
得到对象i的综合聚类系数向量为所属灰类
Figure 519702DEST_PATH_IMAGE147
假设将
Figure 856617DEST_PATH_IMAGE148
分别赋给从低风险到高风险的五个等级值。这里给出的区间值分别为[0,0.2]，[0.2,0.4]，[0.4,0.6]，[0.6,0.8]和[0.8,1]。通常综合聚类系数的最大值通常分布在[0.2,0.6]区间内，因此可以通过以下函数计算碰撞风险值:
Figure 56655DEST_PATH_IMAGE149
设置碰撞危险度阈值为0.6，计算潜在碰撞区内船舶碰撞危险度，对超过阈值的船舶碰撞危险度进行排序，对碰撞危险度最大的船舶优先进行避让。
例如，在一种可选的实施方式中，在追越、交叉和对遇这三种不同会遇局面下各评估指标的评分标准分别如下表1、表2、表3所示：
表1
Indexs D0 D1 D2 D3 D4 D5 D6
DCPA(nm) - 3 2 1.5 0.8 0.5 0
TCPA(min) - 18 12 10 8 5 0
D(nm) - 3 2.5 2 1.5 1 0
B(°) 247.5 210 180 150 120 115 112.5
K 1.1 1.2 1.5 1.8 2 2.4 2.5
表2
Indexs D0 D1 D2 D3 D4 D5 D6
DCPA(nm) - 3 2 1.5 0.8 0.5 0
TCPA(min) - 20 18 12 8 5 0
D(nm) - 4 3.5 2.2 1.5 1 0
B(°) 112.5 100 90 67.5 40 10 5
K 0.3 0.5 0.8 1.0 1.5 2.2 2.5
表3
Indexs D0 D1 D2 D3 D4 D5 D6
DCPA(nm) - 2.8 1.8 1.2 0.6 0.4 0
TCPA(min) - 20 16 12 10 8 0
D(nm) - 5 4 3 2 1.5 0
B(°) 5 4 3 2 1 0.5 0
K 0.3 0.5 0.8 1.2 1.8 2.2 2.5
进一步地，参照图4，图4为本申请提供的开阔水域船舶自主避碰方法一实施例中速度障碍算法的原理示意图。本实施例中，利用改进的速度障碍算法计算本船改向变速幅度确定避碰决策方案，具体为：
速度障碍法是指当运动物体与障碍物保持当前运动状态不变时，使运动物体与障碍物发生碰撞的速度矢量集合，即该运动物体的速度障碍区。图4中，
Figure 722122DEST_PATH_IMAGE150
为本船OS相对目标船舶TS的相对速度，
Figure 945293DEST_PATH_IMAGE151
，
Figure 479043DEST_PATH_IMAGE152
为其矢量方向上的射线，
Figure 674532DEST_PATH_IMAGE153
为危险船舶TS以R为半径的圆形船舶领域，本船与目标船舶发生碰撞的条件为：
Figure 369955DEST_PATH_IMAGE154
假设射线
Figure 18106DEST_PATH_IMAGE155
与
Figure 89967DEST_PATH_IMAGE156
构成的相对碰撞区RCC（Relative Collision Cone），当本船相对目标船舶的任意速度
Figure 202279DEST_PATH_IMAGE157
时，本船与目标船舶将发生碰撞：
Figure 209550DEST_PATH_IMAGE158
速度障碍区间为：
Figure 204050DEST_PATH_IMAGE159
上式中
Figure 220548DEST_PATH_IMAGE160
为闵可夫斯基矢量和运算
考虑到船舶运动过程是一系列非线性变化的运动过程，在一定时间内船舶速度和方向不会有太大的改变, 因此非速度障碍区的速度矢量集合在规定时间内很难实现。因此，考虑船舶操纵性特性，计算船舶在给定时间区间
Figure 249684DEST_PATH_IMAGE161
内能改变的速度矢量：
Figure 162276DEST_PATH_IMAGE036
上式中，
Figure 909652DEST_PATH_IMAGE162
为本船目前速度，
Figure 526578DEST_PATH_IMAGE038
本船加速度。
在给定时间区间
Figure 285587DEST_PATH_IMAGE161
内本船可以转向角度为：
Figure 493714DEST_PATH_IMAGE163
式中：
Figure 335244DEST_PATH_IMAGE164
为本船当前航向角，
Figure 818178DEST_PATH_IMAGE165
为本船当前的角速度，
Figure 431693DEST_PATH_IMAGE166
为本船当前的角加速度。
通过以上公式可计算得到本船在给定∆t时间内可以改变的速度大小
Figure 76301DEST_PATH_IMAGE167
和航向角度
Figure 735952DEST_PATH_IMAGE168
, 但是考虑到速度和航向变化都是连续的，为了计算方便，将其二者离散化M个速度和N个航向角，速度矢量集合为
Figure 366785DEST_PATH_IMAGE169
。如果∆t时间内速度矢量集合满足上述公式则会与障碍物发生碰撞，相反如果∆t时间内速度矢量集合不满足上述公式则不会与障碍物发生碰撞。那么，此时本船的改向变速避让区间为：
Figure 225020DEST_PATH_IMAGE170
对于求取的避让区间RRC集合，本实施例中根据避碰规则取避让区间中间值，即在给定∆t时间内改向变速避让区间RRC的中间值作为改向变速变向的最终避碰决策方案。
进一步地，利用船舶运动模型MMG和PID航向控制系统执行避碰决策方案时，按照预定的速度和航向控制船舶，具体为：
三自由度船舶操纵运动(MMG)模型为：
Figure 915895DEST_PATH_IMAGE171
式中，
Figure 859580DEST_PATH_IMAGE172
，
Figure 294104DEST_PATH_IMAGE173
分别是船舶横向、纵向附加质量；u、v、r分别是船舶沿x轴、y轴的速度和转向角速度；
Figure 210107DEST_PATH_IMAGE174
分别是船舶沿x轴、y轴的加速度和转向角加速度；
Figure 196518DEST_PATH_IMAGE175
、
Figure 502865DEST_PATH_IMAGE176
分别是首摇转动惯量和附加转动惯量；X、Y、N分别是横向、纵向和首摇方向上的力和力矩，H、P、R分别是船体、螺旋桨和舵上的力和力矩。
进一步地，参照图5，图5为本申请提供的开阔水域船舶自主避碰方法一实施例中模糊自适应PID控制器的示意图。模糊PID模糊控制器采用两个输入三个输出的类型，分别以航向偏差E，航向偏差变化率 EC 作为模糊控制的输入，以PID 参数Kp、Ki、Kd 作为模糊控制器输出；利用模糊控制规则实时对PID 三个参数P、I、D 进行调节，从而实现在不同航向偏差和航向偏差变化率下对 PID 参数自整定，使被控对象有良好的动、静态性能。具体设计步骤为：
S1、确定变量模糊子集。设各输入、输出变量的量化等级均为 7 级，模糊子集语言值均取{正大(PB)，正中(PM)，正小(PS)，零(ZO)，负小(NS)，负中(NM)，负大(NB)}；模糊集基本论域均为{-6，6}。各输入、输出实际取值范围为：
航向偏差 E : [-90°,90°];航向偏差 ECs :[-0.04°/ s,0.04°/ s] ;PID 控制比例系数 P: [180,180 ];PID 控制积分系数 I : [24,24 ];PID 控制微分系数 D:[0.3,0.3]。
则其量化因子分别为 Ke=
Figure 600134DEST_PATH_IMAGE177
，Kec=150，KP=30，KI=4，KD=1/20。
S2、隶属度函数确定。
Figure 308327DEST_PATH_IMAGE178
式中，
Figure 465639DEST_PATH_IMAGE179
为模糊集的均值，
Figure 993704DEST_PATH_IMAGE180
为模糊集的方差，
Figure 894664DEST_PATH_IMAGE181
。各输入、输出模糊语言集中元素均值u的取值为：e={-6,-3,-1,0,1,3,6}; ec={-6,-4,-2,0,2,4,6}; p={-6,-4,-2,0,2,4,6}; i={-6,-4,-2,0,2,4,6}; d={-6,-4,-2,0,2,4,6}.
S3、模糊规则确定。由于参数 P 控制系统响应速度，I 控制系统稳态误差，D 控制系统动态特性。因此根据各参数对系统控制的作用，同时考虑系统的稳定性、超调量和响应时间等因素的影响以及现有研究成果，将船舶操纵人员的操舵经验加以总结并经过人工修正后，可得到如下49条模糊规则：
Figure 985592DEST_PATH_IMAGE182
模糊规则的含义为：当
Figure 517067DEST_PATH_IMAGE183
为
Figure 532428DEST_PATH_IMAGE184
（正大），
Figure 971499DEST_PATH_IMAGE185
为
Figure 654285DEST_PATH_IMAGE184
（正大）时，即期望航向与真实航向的差距在逐渐增大时，此时应向右操大舵角（
Figure 153399DEST_PATH_IMAGE184
）。其他规则同理。每一条规则都是并列的，他们之间是“或”的逻辑关系。将其整理成如下控制规则表：
表4模糊控制规则表
Figure 656056DEST_PATH_IMAGE186
S4、推理方法的确定。在k时刻，若e和ec经模糊处理后的模糊子集为
Figure 898818DEST_PATH_IMAGE187
和
Figure 764006DEST_PATH_IMAGE188
，选用Mamdani推理法：
Figure 309388DEST_PATH_IMAGE189
推理结果为一个模糊集，需再进行清晰化处理。本发明清晰化处理方法选用重心法，该方法通过求取隶属度函数曲线与横坐标所围面积的形心坐标值作为精确输出量作用于被控对象。
本实施例中，获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理；；计算本船和目标船舶间相关避碰参数，包括最近会遇距离（DCPA）、最近会遇时间（TCPA）、两船间距离（D）、相对方位（B）、速度比（K）等信息；利用速度障碍法判断本船和各目标船间是否存在碰撞风险，如果不存在碰撞风险则本船保向保速航向，若存在碰撞风险则转向下一步；采用基于灰云模型的船舶碰撞危险度评估模型计算本船和目标船碰撞危险度大小，并对大于阈值的船舶碰撞危险度进行排序，选择碰撞风险值最高的船舶优先采取避碰行动；计算本船改向变速幅度确定避碰决策方案，在避碰决策过程继续计算船舶碰撞危险度，如大于设置阈值则再次计算确定避碰决策方案，直至全部目标船舶驶过让清为止。
本实施例可以将AIS和雷达的数据进行融合得到更全面更精确的数据。且多设备的信息融合后，系统抗干扰能力得到加强，扩大了空间和时间的监测范围，提高了信息的准确性，也具有了较好的故障容错率，为自主避碰决策提供了良好的数据基础。本实施例提出的碰撞危险度评估模型可以有效地实现不同会遇局面下船舶碰撞风险的识别和量化。提出的灰云评估模型可以表示不确定概念的模糊性和随机性及其关系，它适用于处理不确定信息，可以对碰撞风险进行精确评估。本实施例提出的自主避碰决策方案充分考虑了船舶的操纵性、船舶会遇局面、碰撞危险度、良好船艺和COLREGs。可以实时得到避碰决策方案并通过控制执行模块按照预定的速度和航向控制船舶，实现有效避碰得目的。此外，本实施例可以有效避免船舶在航行过程中因驾驶员人为失误，提高船舶航行风险。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种开阔水域船舶自主避碰系统，该开阔水域船舶自主避碰系统与上述实施例中开阔水域船舶自主避碰方法一一对应。如图6所示，该开阔水域船舶自主避碰系统包括信息融合模块601、计算模块602、碰撞风险评估模块603、避碰决策模块604、控制执行模块605。各功能模块详细说明如下：
信息融合模块601，用于获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
避碰信息处理模块602，用于根据所述融合信息实时计算所述本船与目标船的相关避碰参数；
碰撞风险评估模块603，用于根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
避碰决策模块604，用于将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
控制执行模块605，用于通过控制系统控制所述本船的航向和航速，以实现自主避碰。
关于开阔水域船舶自主避碰系统各个模块的具体限定可以参见上文中对于开阔水域船舶自主避碰方法的限定，在此不再赘述。上述开阔水域船舶自主避碰系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
参照图7，本实施例还提供了一种计算机设备，该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图7仅示出了计算机设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有开阔水域船舶自主避碰计算机程序40。
处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行开阔水域船舶自主避碰方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行存储器20中开阔水域船舶自主避碰计算机程序40时实现以下步骤：
获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
根据所述融合信息计算所述本船与目标船的相关避碰参数；
根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
通过控制系统控制所述本船的航向和航速，以实现自主避碰。
本实施例还提供了一种计算机可读存储介质，其上存储有开阔水域船舶自主避碰计算机程序，计算机程序被处理器执行时实现以下步骤：
获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
根据所述融合信息计算所述本船与目标船的相关避碰参数；
根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
通过控制系统控制所述本船的航向和航速，以实现自主避碰。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）、DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。

Claims (9)

1.一种开阔水域船舶自主避碰方法，其特征在于，所述方法包括：
获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
根据所述融合信息实时计算所述本船与目标船的相关避碰参数；
根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
通过控制系统控制所述本船的航向和航速，以实现自主避碰；
其中，所述根据所述基于相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值，包括：
定义所述船舶碰撞危险度评估模型中的数字特征峰值
Figure 260966DEST_PATH_IMAGE001
、左右边界值
Figure 800532DEST_PATH_IMAGE002
、熵
Figure 588360DEST_PATH_IMAGE003
以及超熵
Figure 896981DEST_PATH_IMAGE004
参数为：
Figure 112062DEST_PATH_IMAGE005
Figure 138924DEST_PATH_IMAGE006
Figure 464863DEST_PATH_IMAGE007
数学期望为：
Figure 908219DEST_PATH_IMAGE008
将目标船作为评估对象，将目标船相对本船的碰撞危险度及基于相关避碰参数计算的评估指标划分灰类；
构建非对称灰云白化权函数并计算白化权值；
根据预设的指标权重及白化权值计算综合聚类系数；
根据综合聚类系数计算碰撞风险值。
2.根据权利要求1所述的开阔水域船舶自主避碰方法，其特征在于，所述将目标船作为评估对象，将目标船相对本船的碰撞危险度及基于相关避碰参数计算的评估指标划分灰类，包括：
确定评估对象各评估指标属于灰类
Figure 28621DEST_PATH_IMAGE009
的点
Figure 808358DEST_PATH_IMAGE010
作为该评估指标对应灰类的中心点，根据各个指标取值范围划分S个灰类；评估对象碰撞危险度划分为低风险、较低风险、中等风险、较高风险和高风险五个等级；
所述构建非对称灰云白化权函数并计算白化权值，包括：
以第k个灰类参数
Figure 672409DEST_PATH_IMAGE011
的左边界点和中心点构建以
Figure 955623DEST_PATH_IMAGE012
为峰值点的左单侧正态灰云模型，以其右边界点和中心点构建以
Figure 778086DEST_PATH_IMAGE013
为峰值点的右单侧正态灰云模型，得到指标j关于灰类k的正态灰云白化权函数
Figure 513960DEST_PATH_IMAGE014
：
Figure 447281DEST_PATH_IMAGE015
取N次求平均值作为最终的白化权值：
Figure 319422DEST_PATH_IMAGE016
计算归一化后白化权值
Figure 312786DEST_PATH_IMAGE017
：
Figure 535957DEST_PATH_IMAGE018
所述根据预设的指标权重及白化权值计算综合聚类系数，包括：
计算第i个对象关于第k个灰类的综合聚类系数
Figure 741811DEST_PATH_IMAGE019
如下：
Figure 999617DEST_PATH_IMAGE020
其中：
Figure 898302DEST_PATH_IMAGE021
为指标j关于对象i的分类权重；
所述根据综合聚类系数计算碰撞风险值，包括：
计算得到对象i的综合聚类系数向量为所属灰类：
Figure 608769DEST_PATH_IMAGE022
假设将
Figure 618314DEST_PATH_IMAGE023
分别赋给从低风险到高风险的五个等级值；其对应的区间值分别为[0,0.2]，[0.2,0.4]，[0.4,0.6]，[0.6,0.8]和[0.8,1]；考虑到综合聚类系数的最大值通常分布在[0.2,0.6]区间内，可以通过以下函数计算碰撞风险值:
Figure 996206DEST_PATH_IMAGE024
。
3.根据权利要求1所述的开阔水域船舶自主避碰方法，其特征在于，所述针对危险船舶计算本船改向变速幅度，确定避碰决策方案，包括：
设定
Figure 800213DEST_PATH_IMAGE025
为本船OS相对目标船舶TS的相对速度，
Figure 263556DEST_PATH_IMAGE026
，
Figure 811212DEST_PATH_IMAGE027
为
Figure 43610DEST_PATH_IMAGE028
矢量方向上的射线，
Figure 15590DEST_PATH_IMAGE029
为危险船舶TS以R为半径的圆形船舶领域，本船与目标船舶发生碰撞的条件为：
Figure 966228DEST_PATH_IMAGE030
设定射线
Figure 317575DEST_PATH_IMAGE031
与
Figure 404480DEST_PATH_IMAGE032
构成的相对碰撞区RCC，在本船相对目标船舶的任意速度
Figure 81449DEST_PATH_IMAGE033
时，本船与目标船舶将发生碰撞：
Figure 988225DEST_PATH_IMAGE034
速度障碍区间为：
Figure 143263DEST_PATH_IMAGE035
其中，
Figure 350253DEST_PATH_IMAGE036
为闵可夫斯基矢量和运算；
计算本船在给定时间区间
Figure 666965DEST_PATH_IMAGE037
内能改变的速度矢量：
Figure 326616DEST_PATH_IMAGE038
其中，
Figure 19766DEST_PATH_IMAGE039
为本船目前速度，
Figure 81263DEST_PATH_IMAGE040
本船加速度；
计算在给定时间区间
Figure 100034DEST_PATH_IMAGE037
内本船可以转向的角度：
Figure 981403DEST_PATH_IMAGE041
其中，
Figure 478243DEST_PATH_IMAGE042
为本船当前航向角，
Figure 394247DEST_PATH_IMAGE043
为本船当前的角速度，
Figure 318340DEST_PATH_IMAGE044
为本船当前的角加速度；
将本船在给定∆t时间内可以改变的速度大小
Figure 687005DEST_PATH_IMAGE045
和航向角度
Figure 987536DEST_PATH_IMAGE046
, 离散化M个速度和N个航向角，得到速度矢量集合为
Figure 758046DEST_PATH_IMAGE047
，并确定本船的改向变速避让区间为：
Figure 853041DEST_PATH_IMAGE048
根据避碰规则取避让区间中间值，即在给定∆t时间内改向变速避让区间的中间值作为改向变速的最终避碰决策方案。
4.根据权利要求1所述的开阔水域船舶自主避碰方法，其特征在于，所述融合信息包括所述目标船相对所述本船的方位、航速、航向、距离信息；所述将所述AIS信息和所述雷达信息进行数据融合处理，包括：
对AIS信息和ARPA雷达信息进行数据融合，融合航迹关联，设定时间粗关联公式：
Figure 974581DEST_PATH_IMAGE049
其中，
Figure 547644DEST_PATH_IMAGE050
为预设时间阀值，
Figure 441170DEST_PATH_IMAGE051
为AIS探测到目标Ai的时刻，
Figure 707066DEST_PATH_IMAGE052
为雷达探测到目标Rj的时刻，若满足时间粗关联公式，则判定为符合时间粗关联；
设定距离粗关联公式：
Figure 50323DEST_PATH_IMAGE053
其中，
Figure 692657DEST_PATH_IMAGE054
为预设距离阀值，
Figure 437759DEST_PATH_IMAGE055
为AIS在T时刻探测到目标Ai的距离，
Figure 140135DEST_PATH_IMAGE056
为在T时刻雷达探测到目标Rj的距离，若满足距离粗关联公式，则判定为符合距离粗关联；
若AIS探测到的目标Ai与雷达探测到的目标Rj既符合时间粗关联又符合距离粗关联，则采取基于模糊因素判断的双门限细关联算法：
Figure 705109DEST_PATH_IMAGE057
Figure 885555DEST_PATH_IMAGE058
其中，
Figure 485163DEST_PATH_IMAGE059
分别为方位、航速、航向、距离的关联度，
Figure 358441DEST_PATH_IMAGE060
分别为方位、航速、航向、距离的调整系数，
Figure 410711DEST_PATH_IMAGE061
分别为方位、航速、航向、距离的欧式距离，
Figure 129268DEST_PATH_IMAGE062
分别为AIS设备在方位、航速、航向、距离上的方差；
Figure 848962DEST_PATH_IMAGE063
为最终关联度，
Figure 893142DEST_PATH_IMAGE064
分别为方位、航速、航向、距离的权重；
若
Figure 432708DEST_PATH_IMAGE063
满足预设门限阈值，判定为符合细关联，用加权融合算法对Ai和Rj目标进行位置信息的数据融合：
Figure 220535DEST_PATH_IMAGE065
Figure 529157DEST_PATH_IMAGE066
其中，
Figure 744237DEST_PATH_IMAGE067
为AIS的位置信息，
Figure 771099DEST_PATH_IMAGE068
为雷达的位置信息，
Figure 97038DEST_PATH_IMAGE069
和
Figure 525746DEST_PATH_IMAGE070
分别为其对应权值系数；
Figure 911728DEST_PATH_IMAGE071
为AIS设备位置方差，
Figure 422956DEST_PATH_IMAGE072
为雷达设备位置方差，最后得到的X为融合信息。
5.根据权利要求4所述的开阔水域船舶自主避碰方法，其特征在于，所述相关避碰参数包括最近会遇距离DCPA、最近会遇时间TCPA、两船间距离D、相对方位B和速度比K，所述根据所述融合信息计算所述本船与目标船的相关避碰参数，包括：
计算本船和目标船的相对速度：
Figure 287007DEST_PATH_IMAGE073
其中，
Figure 304641DEST_PATH_IMAGE074
和
Figure 861524DEST_PATH_IMAGE075
分别为本船和目标船的速度，
Figure 597399DEST_PATH_IMAGE076
和
Figure 733983DEST_PATH_IMAGE077
分别为本船和目标船的航向；
计算相对速度航向角：
Figure 871703DEST_PATH_IMAGE078
计算目标船相对于本船的方位角：
Figure 599487DEST_PATH_IMAGE079
计算两船间相对距离为：
Figure 822658DEST_PATH_IMAGE080
计算最近会遇距离DCPA和最近会遇时间TCPA为：
Figure 294091DEST_PATH_IMAGE081
Figure 286318DEST_PATH_IMAGE082
；
其中，
Figure 919424DEST_PATH_IMAGE083
，且
Figure 629891DEST_PATH_IMAGE084
取值根据目标船相对于本船的相对速度在X轴及Y轴上分量方向所设定，
Figure 639436DEST_PATH_IMAGE085
和
Figure 486169DEST_PATH_IMAGE086
分别为本船和目标船的相对速度
Figure 555756DEST_PATH_IMAGE087
在X轴和Y轴上速度分量。
6.根据权利要求1所述的开阔水域船舶自主避碰方法，其特征在于，所述通过控制系统控制所述本船的航向和航速，包括：
利用船舶运动模型MMG和PID航向控制系统执行避碰决策方案，按照预定的速度和航向控制本船实现自主避碰。
7.一种开阔水域船舶自主避碰系统，其特征在于，所述系统包括：
信息融合模块，用于获取本船与多个目标船的AIS信息和雷达信息，将所述AIS信息和所述雷达信息进行数据融合处理，得到所述目标船相对所述本船的融合信息；
避碰信息处理模块，用于根据所述融合信息实时计算所述本船与目标船的相关避碰参数；
碰撞风险评估模块，用于根据速度障碍法判断所述本船和目标船是否存在碰撞风险，当存在碰撞风险时，基于所述相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到所述本船相对各个目标船的碰撞风险值；所述会遇局面包括对遇、交叉和追越局面；
避碰决策模块，用于将碰撞风险值大于预设阈值的目标船作为危险船舶，针对所述危险船舶，利用改进的速度障碍法计算本船改向变速幅度，确定避碰决策方案；
控制执行模块，用于通过控制系统控制所述本船的航向和航速，以实现自主避碰；
其中，所述根据所述基于相关避碰参数计算不同会遇局面下的评估指标值，并利用构建的基于灰云模型的船舶碰撞危险度评估模型对船舶间碰撞危险度进行评估，得到本船相对各个目标船的碰撞风险值，包括：
定义所述船舶碰撞危险度评估模型中的数字特征峰值
Figure 479151DEST_PATH_IMAGE001
、左右边界值
Figure 292386DEST_PATH_IMAGE002
、熵
Figure 259205DEST_PATH_IMAGE003
以及超熵
Figure 968535DEST_PATH_IMAGE004
参数为：
Figure 653595DEST_PATH_IMAGE088
Figure 4941DEST_PATH_IMAGE006
Figure 826267DEST_PATH_IMAGE007
数学期望为：
Figure 237657DEST_PATH_IMAGE008
将目标船作为评估对象，将目标船相对本船的碰撞危险度及基于相关避碰参数计算的评估指标划分灰类；
构建非对称灰云白化权函数并计算白化权值；
根据预设的指标权重及白化权值计算综合聚类系数；
根据综合聚类系数计算碰撞风险值。
8.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述开阔水域船舶自主避碰方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述开阔水域船舶自主避碰方法的步骤。
CN202111294066.2A 2021-11-03 2021-11-03 开阔水域船舶自主避碰方法、系统、设备及存储介质 Active CN113744569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111294066.2A CN113744569B (zh) 2021-11-03 2021-11-03 开阔水域船舶自主避碰方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111294066.2A CN113744569B (zh) 2021-11-03 2021-11-03 开阔水域船舶自主避碰方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113744569A CN113744569A (zh) 2021-12-03
CN113744569B true CN113744569B (zh) 2022-02-18

Family

ID=78727248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111294066.2A Active CN113744569B (zh) 2021-11-03 2021-11-03 开阔水域船舶自主避碰方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113744569B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202966A (zh) * 2021-12-13 2022-03-18 阿里云计算有限公司 碰撞风险的确定方法、计算设备及存储介质
CN114495583A (zh) * 2021-12-24 2022-05-13 福建新继船舶服务有限公司 一种基于dqn-bp模型的避碰方法
CN114333423B (zh) * 2021-12-24 2022-11-18 宁波大学 一种狭水道航行碰撞风险评估方法
CN114999230B (zh) * 2022-05-21 2023-06-30 西北工业大学 基于船舶领域冲突面积的碰撞风险评估方法
CN115273556A (zh) * 2022-06-24 2022-11-01 大连海事大学 一种基于互操作技术的船舶避碰决策方法及系统
CN115731744B (zh) * 2022-08-09 2023-09-08 山东港口科技集团青岛有限公司 一种基于数据融合轨迹预测的船舶避碰决策方法
CN115331486B (zh) * 2022-08-12 2023-06-13 河海大学 一种船舶碰撞风险评估与预测方法及装置
CN115454676B (zh) * 2022-09-26 2023-12-19 中华人民共和国广东海事局 位置信息融合方法、装置、设备、存储介质和程序产品
CN116451993A (zh) * 2023-03-22 2023-07-18 中国船舶集团有限公司综合技术经济研究院 船舶信息风险评估方法、装置、电子设备及可读存储介质
CN116543599A (zh) * 2023-04-27 2023-08-04 浙江易航海信息技术有限公司 商渔船避碰方法
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
CN116312063A (zh) * 2023-05-23 2023-06-23 中国船舶集团有限公司第七〇七研究所 一种船舶避让决策方法、装置、设备及介质
CN116610125B (zh) * 2023-05-26 2024-01-30 北鲲睿航科技(上海)有限公司 一种用于智能船舶主动防撞系统的避碰方法及系统
CN116913135B (zh) * 2023-06-30 2024-01-02 大连海事大学 一种基于ais数据的复杂锚地水域碰撞危险识别方法及装置
CN117111606B (zh) * 2023-08-22 2024-05-03 武汉华风电子工程有限公司 一种船舶辅助避碰方法与系统
CN117542227B (zh) * 2024-01-09 2024-03-15 中华人民共和国连云港海事局后勤管理中心 基于雷达、ais采集定位的海上施工船舶安防系统
CN117826824A (zh) * 2024-01-18 2024-04-05 交通运输部水运科学研究所 船舶自适应自主航行决策方法、装置及电子设备
CN117970786A (zh) * 2024-04-02 2024-05-03 武汉理工大学 一种船舶自主航行决策方法、装置、船舶及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105022270B (zh) * 2015-03-20 2018-02-02 武汉理工大学 基于速度矢量坐标系的船自动避碰方法
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
CN105741551B (zh) * 2016-04-22 2017-12-01 华南理工大学 一种无信号交叉口交通安全评价方法
CN110197598A (zh) * 2019-05-31 2019-09-03 中国船舶重工集团公司第七0七研究所 一种融合海事规则的动态目标避碰方法
EP4095030A4 (en) * 2020-01-20 2024-01-24 Furuno Electric Co MANEUVERING ASSISTANCE DEVICE
TWI756647B (zh) * 2020-03-18 2022-03-01 財團法人船舶暨海洋產業研發中心 基於人工勢場法的船舶避碰方法及系統

Also Published As

Publication number Publication date
CN113744569A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113744569B (zh) 开阔水域船舶自主避碰方法、系统、设备及存储介质
CN109597417B (zh) 一种基于避碰准则的多usv群体协同避碰规划方法
US8244458B1 (en) Host-centric method for automobile collision avoidance decisions
CN112026756B (zh) 基于跟踪目标的危险目标选择方法、系统及车辆
CN109887339A (zh) 一种关联避让行为的船舶碰撞危险及危险度评估方法
CN111709633B (zh) 一种碰撞危险度确定方法、装置、设备以及可存储介质
CN111861155B (zh) 船舶碰撞风险检测方法、系统、计算机设备和存储介质
Lisowski Game control methods in avoidance of ships collisions
CN112462786B (zh) 一种基于模糊控制策略双窗口算法的无人艇避碰方法
CN114387824B (zh) 一种符合国际海上避碰规则的避碰转向判定方法
Lisowski Comparison of dynamic games in application to safe ship control
CN113538973B (zh) 一种基于改进粒子群算法的船舶自动避碰方法
Choi et al. Emergency driving support algorithm with steering torque overlay and differential braking
Liu et al. PNNUAD: Perception neural networks uncertainty aware decision-making for autonomous vehicle
Kim et al. Design of an adaptive cruise control/collision avoidance with lane change support for vehicle autonomous driving
Mohamed-Seghir Computational intelligence method for ship trajectory planning
Sun et al. Collision avoidance control for unmanned surface vehicle with COLREGs compliance
Lee et al. An automatic collision avoidance and route generating algorithm for ships based on field model
Mohamed-Seghir The branch-and-bound method and genetic algorithm in avoidance of ships collisions in fuzzy environment
CN116645836A (zh) 一种多动静态物标自动避碰方法
Seghir Safe ship’s control in a fuzzy environment using a genetic algorithm
Tan et al. Criteria and rule based obstacle avoidance for USVs
Feng et al. Ship intelligent collision avoidance based on maritime police warships simulation system
Lee et al. Ship steering autopilot based on Anfis framework and conditional tuning scheme
Song et al. Interference intention classification of moving obstacles used for USV collision avoidance

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