CN113821031B - 一种无人船舶自主航行能力评估方法 - Google Patents
一种无人船舶自主航行能力评估方法 Download PDFInfo
- Publication number
- CN113821031B CN113821031B CN202111070339.5A CN202111070339A CN113821031B CN 113821031 B CN113821031 B CN 113821031B CN 202111070339 A CN202111070339 A CN 202111070339A CN 113821031 B CN113821031 B CN 113821031B
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- unmanned ship
- autonomous navigation
- value
- 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 40
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 238000011156 evaluation Methods 0.000 claims abstract description 120
- 230000008447 perception Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013142 basic testing Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000002860 competitive effect Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 description 12
- 230000003068 static effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001007 puffing effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种无人船舶自主航行能力评估方法,该评估方法是一种基于测试任务的评估方法,包括如下步骤:根据无人船舶自主航行能力测试目标和任务设计框架设计自主航行能力测试任务;结合所设计的测试任务,确定相应的评价指标,明确指标的定义、计算方法及指标类型;建立评价体系层次模型,并计算各指标的指标权重;对被测试的自主航行算法执行所设计的测试任务,采集指标数据;对所采集的指标数据进行计算分析,实现无人船舶的自主航行能力综合评估。
Description
技术领域
本发明涉及无人船舶测试评估领域,尤其涉及一种无人船舶自主航行能力评估方法。
背景技术
随着智能装备关键技术的不断发展,与无人船舶相关联的自主技术的发展也逐步趋于产业化,在无人船舶投入实际应用之前,其自身的自主行为的可靠性和安全性需要得到验证和认可。目前,世界各国关于无人船舶的自主能力定义和等级分类暂不统一,主要的核心技术标准,评估体系规范、测试验证流程,公约法规约束尚无完整统一的标准,对无人船舶的高效研发和绿色发展带来了极大障碍,为了促进无人船舶行业的健康发展,加速无人船舶向市场化发展,无人船舶的自主航行能力测试和评估成为无人船舶关键技术发展的重要环节,因此,实现无人船舶自主航行能力的标准化评估对无人船舶的发展具有十分重要的意义。
发明内容
根据现有技术存在的问题,本发明公开了一种无人船舶自主航行能力评估方法,具体包括如下步骤:
S1:根据无人船舶自主航行能力测试目标设计自主航行能力测试任务;
S2:根据所设计的测试任务,确定相应的评价指标;
S3:建立评价体系层次模型,采用层次分析法计算各指标的指标权重;
S4:对被测试的自主航行算法执行多次测试任务,采集对应的指标数据;
S5:结合S4所采集的指标数据,采用基于云模型算法的模糊综合评价法对无人船舶的自主航行能力展开综合评估;
其中,S1:无人船舶自主航行能力包括感知识别能力、路径规划能力、航行控制能力和自主避碰能力;自主航行能力测试任务分为基本测试任务和高级测试任务;
进一步地,基本测试任务,又称符合性测试任务,主要是指无人船舶在简单海况条件下执行自主航行行为的单项测试任务,包括感知识别测试任务、路径规划测试任务、航行控制测试任务和自主避碰测试任务。简单海况条件的特征包括低海况、海面能见度良好、船舶低速航行的开阔水域,且测试场景内所有船舶均基于避碰规则航行的简单海洋场景。
高级测试任务,又称等级性测试任务,主要是指无人船舶在复杂海况条件下执行自主航行行为的综合测试任务,该测试任务包括感知识别、路径规划、航行控制和避碰决策的组合。复杂海况条件的特征包括高海况、海面能见度差、船舶中高速航行的多受限水域,且测试场景内的船舶不遵守避碰规则航行的小概率极限海洋场景。
进一步地,当无人船舶完成基本测试任务之后,则表明被测试自主航行算法具备自主航行的基本要求;当无人船舶完成高级测试任务之后,则表明无人船舶具备一定等级的自主航行能力。
进一步地,S2:根据测试目的选取评价指标,明确指标计算方法和指标类型
进一步地,评价指标类型通常分为极大型指标、极小型指标、区间型指标和居中型指标4类。其中,极大型指标是指该评价指标的取值越大,则表明无人船舶的自主航行能力越好;极小型指标是指该评价指标的取值越小,则表明无人船舶的自主航行能力越好;区间型指标是指该评价指标的取值位于某一最优区间,则表明无人船舶的自主航行能力越好;居中型指标是指该评价指标的取值越居中,则表明无人船舶的自主航行能力越好。由于各种类型的评价指标的评估方向不同,在评估过程中易导致无法判断最终结果是越大越好还是越小越好,因此,需要将各种类型的评价指标转化为同一种类型,进一步明确评估方向。将非极大值类型的评价指标统一转化为极大型指标。具体方法如下:
对于极小型指标x,令
对于区间型指标x,令
式中,M为指标x允许的上界,m为指标x允许的下界,区间[p1,p2]为指标x的最优区间。
对于居中型指标x,令
式中,M为指标x允许的上界,m为指标x允许的下界。
进一步地,S3具体方式为:根据S2选取的评价指标建立评价指标体系层次模型,基于所建立的评价指标体系模型,结合两两指标间的相互重要性程度得到判断矩阵A满足
式中,其中,n表示评价指标的数量,aij表示评价指标i相对于评价指标j的重要程度,该值通常采用3标度法给出,即指标i与指标j之间存在的3种相互关系:①指标i比指标j重要;②指标i与指标j同等重要;③指标j比指标i重要;即满足如下关系
令将判断矩阵A转换为最优传递矩阵B,即满足
令cij=exp(bij),此时的矩阵C满足
对矩阵C进行列向量归一化处理
按行相加求和向量
进行归一化处理,得到权重向量
S4具体采用如下方式:根据S2的评价指标计算方法,获取无人船舶测试任务执行过程中可直接获取得到的数据,并根据所得到的数据计算评价指标值。重复执行不同参数条件下的自主航行测试任务,直至获取规定测试轮次的指标数据。
xi(i=1,2,…,N)
式中,N表示测试轮次。
进一步地,S5具体方式为:根据无人船舶自主航行能力评价体系层次模型中的评价指标建立评价指标集
U={u1,u2,…,un}
式中,ui为同一层级上单个指标,n为评价指标的数量。
根据无人船舶自主航行能力评价标准和规范,确定无人船舶自主航行能力指标评语集
V={v1,v2,…,vm}
式中,m为指标评语等级的个数,评语集如表所示。
评语 | v1 | v2 | … | vm |
指标值区间 | [a,b) | [b,c) | … | [α,β] |
分值区间 | [s1,s2) | [s2,s3) | … | [sm,sm+1] |
根据表1中的分值区间,计算评语的分值云特征参数(Ex,En,He),
式中,K为常数,可根据评价指标的模糊程度给定合适的值,Cmin为评语分值区间的左值,Cmax为评语分值区间的右值。对于存在单边约束关系的评语,其评语仅存在Cmin或Cmax,即(-∞,Cmin)或(Cmax,+∞),采用下降云或上升云模型来描述评语。首先确定期望值,然后再参上式计算其他云特征参数。
根据S4中无人船舶在测试任务执行中采集的实际指标值xi(i=1,2,…,N),将其指标数据标准化得到Si(i=1,2,…,N)。
根据标准化指标数据Si(i=1,2,…,N),计算样本数据的平均值
一阶样本绝对中心矩ξ
样本方差S2
令期望
计算熵En
计算超熵He
当S2-En2<0时,存在样本方差S2过小或样本的熵En过大的情况,由于En是经过样本数据统计得来的,减小En会使得样本数据失去意义,此时,从样本数据中过滤掉一定数量的距离期望值最近的数据。直至S2-En2≥0,重新进行计算样本方差S2和超熵He。
有n个评价指标的测试结果的云评价特征数字参数为分别为{(Ex1,En1,He1),(Ex2,En2,He2)…,(Exn,Enn,Hen)},其对应的权重为{ω1,ω2,…,ωn},则
最后,结合综合测试结果的云特征数字的期望Ex距离分值区间云特征参数的期望值的远近得出综合评估结果。若综合测试结果期望值一致时,则采用En和He进一步明细评估结果,若En和He取值大,则自主航行能力差。
由于采用了上述技术方案,本发明提供的一种无人船舶自主航行能力评估方法,该方法面向无人船舶自主航行能力的虚拟测试验证方式、虚实融合测试验证方式和实船测试验证方式,进行自主航行能力的评估。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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的附图。
图1为本发明方法中无人船舶自主航行能力评估流程图
图2为测试任务设计框架图
图3为静态目标识别能力测试任务示意图
图4为动态目标识别能力测试任务示意图
图5为路径规划能力测试任务示意图
图6为航向控制能力测试任务示意图
图7为航迹控制能力测试任务示意图
图8为避碰决策能力测试任务示意图
图9为障碍物与规划路径间最小距离示意图
图10为航向角变化量示意图
图11为评价指标体系层次模型
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种无人船舶自主航行能力评估方法,具体包括如下步骤:
步骤1:明确自主航行能力测试目标,包括感知识别能力测试、路径规划能力测试、航行控制能力测试和避碰决策能力测试中的一种或多种,根据自主航行能力测试目标和测试任务设计框架对测试任务进行详细设计,包括测试场景的布置、测试已知条件和所需要输出的结果等,如测试起点和测试终点已知,需要输出目标的识别位置信息;
步骤2:结合步骤2所设计的测试任务,明确评价指标。评价指标的获取途径包括但不限于专家咨询,文献查阅和技术规范等方式;
步骤3:建立评价体系层次模型,并根据评价指标间的重要性程度计算评价指标的权重;
步骤4:执行所需次数的测试任务,采集指标数据;
步骤5:对所采集的指标数据进行分析,开展无人船舶自主航行能力综合评估。
如图2所示,无人船舶自主航行能力测试任务包括基本测试任务和高级测试任务。
进一步地,基本测试任务,又称符合性测试任务,主要是指无人船舶在简单海况条件下执行自主航行行为的单项测试任务,包括感知识别测试任务、路径规划测试任务、航行控制测试任务和自主避碰测试任务。简单海况条件的特征包括低海况、海面能见度良好、船舶低速航行的开阔水域,且测试场景内所有船舶均基于避碰规则航行的简单海洋场景。
高级测试任务,又称等级性测试任务,主要是指无人船舶在复杂海况条件下执行自主航行行为的综合测试任务,该测试任务包括感知识别、路径规划、航行控制和避碰决策的组合。复杂海况条件的特征包括高海况、海面能见度差、船舶中高速航行的多受限水域,且测试场景内的船舶不遵守避碰规则航行的小概率极限海洋场景。
进一步地,当无人船舶完成基本测试任务之后,则表明被测试自主航行算法具备自主航行的基本要求;当无人船舶完成高级测试任务之后,则表明无人船舶具备一定等级的自主航行能力。
以基本测试任务设计为例,分别开展感知识别能力测试任务设计、路径规划能力测试测试任务设计、航行控制能力测试测试任务设计和避碰决策能力测试测试任务设计。
进一步地,感知识别能力是无人船舶自主航行的基础,感知识别算法对障碍物的判断和位置的识别关系到无人船舶的后续自主航行行为,一旦感知出现错误或误差较大,将对无人船舶的自主航行造成巨大危险。在感知识别任务设计中,首先关注能不能“感知”到障碍物的能力,发现危险的是避让危险的前提条件;其次,对感知到的障碍物进行“识别”,识别的能力是成功避让危险的前提条件,包括所感知到障碍物的类型、位置的精度、以及动态障碍物的运动趋势等。为了更加细化测试,使得感知能力能够适应更多的应用场景,可将感知识别能力测试任务分为静态目标感知识别和动态目标感知识别。
如图3所示,在静态目标感知识别任务中,在航行路径周围存在若干静态待识别目标和干扰目标,无人船舶在沿该航行路径定速航行的过程中,首先需要判断目标的类型,即该目标是待识别目标或是干扰目标,若该目标是待识别目标,需要输出该目标的位置坐标。
如图4所示,在动态目标感知识别任务中,在航行路径周围存在若干动态待识别目标和干扰目标,无人船舶在沿该航行路径定速航行的过程中,首先需要判断目标的类型,即该目标是待识别目标或是干扰目标,若该目标是待识别目标,需要输出识别时刻该目标的位置坐标、航速信息和航向信息。
进一步地,路径规划能力是船舶在海上航行的重要保障,通常为确保船舶航行安全,应结合航次的始发地、目的地、航次任务、以及航行水域的水文气象、港口泊位等信息,充分考虑各种影响航行安全性和经济性的因素,利用航线规划和设计知识,设计一条安全且经济的计划航线,为船舶海上航行提供路径导航保障。在路径规划过程中,无人船舶路径规划算法替代了船舶驾驶员这一职能,利用电子海图及其他航次信息寻找一条从始发地到目的地的无碰路径。
如图5所示,在路径规划测试任务中,在任务起点和任务终点之间存在多种不同类型的障碍物或危险区域,如岛屿、礁石区、禁航区等不可航行区域或锚泊区,分道通航制区域、狭窄水道等谨慎航行区域,无人船舶需要在起点至重点之间规划一条无碰撞危险且遵守航行规则的全局路径,即输出所规划路径上的关键点及相邻航段关键点之间的规划航速。
进一步地,无人船舶在海上航行时,受外界扰动的影响,导致船舶偏离原来的航行路径或预定航向,或者无人船舶需要改变原来的航向或航行路径,在新的航向或航行路径上航行,因此,在航行控制测试任务设计中,可将航行控制测试分为航向控制测试和航迹控制测试。
如图6所示,在航向控制测试任务中,无人船舶无需对航速进行控制,可能存在风浪流等不确定性干扰,无人船舶需要从初始航向快速跟踪至指令航向,并保持稳定航行,当在某一时刻有新的航向指令信号时,无人船舶需快速稳定跟踪至新的指令航向,直至完成所有任务指令。
如图7所示,在航迹控制测试任务中,该测试任务中,无人船舶无需对航速进行控制,但存在风浪流等不确定性干扰,无人船舶需要从任务起始点快速跟踪至指令航迹,并沿指令航迹保持稳定航行,直至到达任务终点。
进一步地,无人船舶在海上航行时,需要对航行路径上静态或动态障碍物进行避让,该过程需要无人船舶自主避碰算法完成。在避碰决策任务设计中,测试无人船舶对危险的判断及对危险情况所采取的行动,如图8所示,在避碰决策测试任务中,无人船舶需要判断危险情况的类型,当到达合适的避碰时机时,无人船舶需采取合适的避碰策略对航行路径周围的静态或动态危险障碍物进行避让,实现无人船舶的安全航行,在该测试任务的执行过程中,无人船舶在发现危险情况后,需要输出危险情况的类型。
根据所设计的基本测试任务,选取对应测试任务的评价指标。
对于感知识别能力测试,首先关注所测试的航行算法是否具备“有效感知”航行环境的能力,环境感知是自主航行和执行任务的基础,发现危险的是避让危险的前提条件。在任务设计中将测试目标分为待识别目标和干扰目标,以自主航行感知算法对目标的“感知成功率”作为衡量有效感知的评价指标;其次,对感知到的障碍物进行“识别”,识别能力是成功避让危险的基础,包括所感知到障碍物的类型、位置的精度、以及动态障碍物的运动状态等。对于静态目标的感知识别,以“感知成功率”、“识别平均位置误差”作为衡量识别能力的评价指标;对于动态目标的感知识别,以“感知成功率”、“识别时刻平均位置误差”、“识别时刻平均航向误差”、“识别时刻平均航速误差”作为衡量识别能力的评价指标。
①静态目标感知识别
·感知成功率Rs
在执行感知识别任务时,无人船舶对虚拟场景中的待识别目标和干扰目标类型判定正确的个数占总个数的比值,该值越大,则表明识别成功率越高,感知识别能力越强,识别成功率Rs满足
式中,Ns为目标类型判定正确的个数,N为任务目标总个数。
·识别平均位置误差
识别平均位置误差,即目标真实位置与目标识别位置之间的距离值的平均值,该值越小,则表明识别精度越高,识别能力越强。识别平均位置误差满足
式中,(pi,pj)为待识别目标的识别位置,(p′i,p′j)为待识别目标的真实位置。
②动态目标感知识别
对于动态目标感知成功率如式(1),对于识别时刻平均位置误差的计算满足
式中,为待识别动态目标的识别时刻的识别位置,/>为待识别动态目标识别时刻的真实位置。
·识别时刻平均航向误差
识别时刻平均航向误差,即目标真实航向与实际识别航向之间差值的平均值,该值越小,则表明识别精度越高,识别能力越强。识别时刻平均航向误差满足
式中,为识别时刻目标的航向真实值,/>为识别时刻的航向识别值。
·识别时刻平均航速误差
识别时刻平均航速误差,即目标真实航速与无人船舶识别航速之间差值的平均值,该值越小,则表明识别精度越高,识别能力越强。识别时刻平均航速误差满足
式中,为识别时刻目标的航速真实值,/>为识别时刻的航速识别值。
对于路径规划能力测试,在路径规划测试任务中,依据所规划路径的安全性和航行代价最小为原则展开评估,无人船舶路径规划算法根据所规划的路径输出航路关键点和规划航速。在电子海图上规划出一条无碰撞危险的航线是船舶安全航行和航行控制的重要基础,首先注重船舶是否能够“安全”的抵达终点的能力;其次,当路径没有碰撞危险时,就时间、距离和能耗而言,希望所规划的路径中这些指标都是相对较优,包括航程总能耗、航程长度、以及航线的平滑性是否利于船舶航行控制等;同时,路径规划一般为航次计划准备工作阶段的任务,考虑到路径规划算法的执行效率问题,考虑路径规划任务的完成时间。对于路径规划能力测试,以“距离障碍物的最小距离”、“航程总长度”、“航程总能耗”、“航程总时间”、“相邻航段航向角变化最大值”、“任务时间”作为路径规划能力的评价指标。
·路径距离障碍物的最小距离Dmin
路径距离障碍物的最小距离,即所规划的航线距离障碍物的最小距离,该指标衡量所规划路径的安全性,该值越大,则表明障碍物距离路径越远,所规划路径越安全。
假设无人船舶自主路径规划算法输出的路径点序列集为将其转换为直角坐标系下的坐标序列{(x1,y1),(x2,y2),…,(xi,yi)}(i=1,2,…,N),则任意两个路径点间组成的直线方程满足
式中,(xi,yi)和(xi+1,yi+1)为所规划的路径输出的两个相邻路径关键点,(x0,y0)为(xi,yi)和(xi+1,yi+1)路径段上的某一点。
如图9所示,障碍物的中心点坐标为O1(ox1,oy1),O2(ox2,oy2),O3(ox3,oy3),O4(ox4,oy4)计算障碍物到某一航段的最小距离,分为以下四种情况:
情况①:如图9中障碍物O1,计算(xi,yi)与(xi+1,yi+1)之间的航段距离时,此时障碍物O1的满足xi<ox1<xi+1或yi<oy1<yi+1,则O1与(xi,yi)和(xi+1,yi+1)之间的航段的最小距离dmin满足
式中,Roi为第i个障碍物的膨化半径。
情况②:如图9中障碍物O2,计算(xi,yi)与(xi+1,yi+1)之间的航段距离时,此时障碍物O2的满足ox2≤xi或ox2≥xi+1且oy2≤yi或oy2≥yi+1,则O2与(xi,yi)和(xi+1,yi+1)之间的航段的最小距离dmin满足
式中,min(a,b)求a,b中的较小值。
情况③:如图9中障碍物O3,计算(xi+1,yi+1)与(xi+2,yi+2)之间的航段距离时,此时xi+1=xi+2,障碍物O3满足oy3≥yi+2或oy3≤yi+1,则O3与(xi+1,yi+1)和(xi+2,yi+2)之间的航段的最小距离dmin满足
情况④:如图9中障碍物O4,计算(xi+1,yi+1)与(xi+2,yi+2)之间的航段距离时,此时xi+1=xi+2,障碍物O4满足yi+1<oy4<yi+2,则O4与(xi+1,yi+1)和(xi+2,yi+2)之间的航段的最小距离dmin满足
dmin=|ox4-xi+1|-Roi (10)
则所规划的所有航段的路径安全距离Dmin满足
Dmin=min{dmin_1,dmin_2,…dmin_i} (i=1,2,…) (11)
式中,dmin_i为第i航段距离障碍物的最小距离。
·航程总长度La
航程总长度为每一航段长度的总和,该值越小,则表明所规划路径总长度越小。航程总长度La满足
式中,Li为第i航段的航程长度。
·航程总能耗Qa
航程的总能耗涉及到船舶的航速规划,在不同的航段内,寻找符合当前航行状态的航速,通常情况下,船舶在海上航行时存在一个经济航速,此时能耗低且不影响营运效率,低于该航速时会降低船舶推进器的能耗量,但同时增加了航行时间,高于该航速航行时能耗量增加。因此,需要综合整个航段的环境状态规划最优航速,从而降低航段能耗,该值越小,则表明总航程所需能耗越小。船舶能耗与航速的关系满足
式中,k为能耗与航速的比例系数,qi为第i航段的能耗量,vi为第i航段的规划航速。
·航程总时间Ta
航程总时间为每一航段时间的总和,该值越小,则表明航程所需时间越小。
航程总时间Ta满足
·相邻航段航向变化最大值ΔCmax
相邻航段航向变化最大值,即路径的最大拐角,该值越小,路径越平滑。在无人船舶自主航行的过程中,频繁的改变航向会增加船舶动力系统的控制负荷,同时,相邻航段间的航向角变化量过大,在船舶转向的过程中,会影响船舶航行的平稳性。为了使得无人船舶航行控制更加平稳,因此在航行路径规划时应尽量避免航向角的大幅度变化。
如图10所示,任意航段的航向Ci满足
则相邻航段的航向角变化量ΔCi满足
ΔCi=Ci+1-Ci (i=1,2,…,N-1) (16)
相邻航段航向角的变化量的最大值ΔCmax满足
ΔCmax=max{ΔC1,ΔC2,…,ΔCi} (i=1,2,…,N-1) (17)
·任务时间Tm
任务时间,即从路径规划算法得到参数输入至输出路径关键点和航速信息结束的时间间隔,该值越小,表明路径规划算法执行效率越高。任务时间Tm满足
Tm=TEnd-TStart (18)
式中,TStart和TEnd分别为路径规划起始时刻和路径规划结束时刻。
对于航行控制能力测试,航行控制任务主要考察无人船舶的控制能力,在控制测试任务中,在误差允许的范围内,无人船舶应快速跟踪并保持至指令航向或快速跟踪至期望航迹点。结合控制理论知识,航向控制测试任务的评价指标为“累积偏差”、“稳定误差”、“稳定时间”,航迹控制测试任务的评价指标为“最大偏差”、“累积偏差”。
①航向控制测试
·累积偏差Ec
累计偏差是指在任务周期内,无人船舶真实航向值与指令航向值的累积误差,该值越小,则代表航向控制效果越好。累积偏差Ec满足
式中,ts和te分别为测试周期的起始时间和结束时间;e(t)为t时刻实际航向值与指令航向值/>之间的误差值。
·稳定误差Esc
稳定误差是指航向稳定值与指令航向的误差,该值越小,表示航向控制效果越好。稳定误差Esc满足
式中,为航向稳定值,/>为指令航向值。
·稳定时间Tc
稳定时间是指在误差允许的范围内,无人船舶稳定到指令航向所需的时间,该值越小,表示航向稳定时间越快,航向控制能力越强。稳定时间Tc满足
Tc=Tsc-T0 (21)
式中,Tsc为无人船舶航向稳定并保持航向至误差范围的起始时间,T0为航向指令信号发出时间。
②航迹控制测试
·最大偏差Dmax
最大偏差指在测试周期内,无人船舶的实际位置和目标位置之间的最大距离,该值越小,表明航迹控制效果越好。最大偏差Dmax满足
Dmax=max{D0,D1,…Dt} (22)
式中,Dt为t时刻,无人船舶的实际位置(xt,yt)距离指令航迹的距离,即
式中,A,B满足指令航迹点(x0,y0)与指令航迹点(x0′,y0′)所组成的直线方程。
·累积偏差Er
累积偏差指在测试周期内,无人船舶的实际位置和目标位置之间的累计偏差,该值越小,表明航迹控制效果越好。Er满足
式中,ts和te分别为测试起始时间和测试结束时间。
对于避碰决策能力测试,避碰决策任务主要是测试无人船舶在感知到航行水域周围的障碍物后的局部路径规划决策能力。在航海实践中,当船舶遇到其他障碍物并存在碰撞危险时,须按照避碰规则执行相应的避碰操作,完成避碰操作。本文以“局势判断正确率”、“距离障碍物的最小距离”、“航速变化量的最大值”、“任务时间”为评价指标。
·局势判断正确率Rc
局势判断正确率是指无人船舶对船舶会遇局势判断正确的个数占会遇局势总个数的值,该值越大,表明自主避碰算法局势判断能力越强。会遇局势主要包括对遇、交叉相遇等,局势判断正确率Rc满足
式中,Rn为会遇局势判断正确的个数,RN为无人船舶与碰撞物存在会遇危险的总个数。
·距离障碍物的最小距离Dmin
距离障碍物的最小距离是指无人船舶在避让障碍物的过程中,无人船舶距离障碍物的最小距离,该值越大,表明无人船舶距离障碍物的距离越大,避碰行为越安全。距离障碍物的最小距离Dmin满足
Dmin=min{D′0,D′1,…D′t} (26)
式中,Dt′为t时刻无人船舶距离障碍物的距离,满足
式中,和/>分别为t时刻无人船舶的位置坐标和障碍物的位置坐标。
·航速变化量的最大值ΔVmax
航速变化量的最大值是指在避碰测试过程中,无人船舶航速的最大值与航速最小值之差,该值越大,表明无人船舶避碰过程中航速变化越大,避碰效果越差。航速变化量的最大值ΔVmax满足
ΔVmax=Vmax-Vmin (28)
式中,Vmax和Vmin分别为无人船舶执行避碰测试任务过程中航速的最大值和航速的最小值。
·任务时间Tm
任务时间,即从任务起始到任务结束的时间间隔,该值越小,表明避碰任务执行效率越高。任务时间Tm满足
Tm=TEnd-TStart (29)
式中,TStart和TEnd分别为任务起始时刻和任务结束时刻。
确定上述的评价指标对应的的类型,将其统一转化为极大型指标。对于极小型指标x,令
对于区间型指标x,令
式中,M为指标x允许的上界,m为指标x允许的下界,区间[p1,p2]为指标x的最优区间。
对于居中型指标x,令
式中,M为指标x允许的上界,m为指标x允许的下界。
计算指标权重,首先建立指标评价体系层次模型,如图11所示。在该评价指标体系层次模型中,将无人船舶自主航行能力分为感知识别能力、路径规划能力、避碰决策能力和航行控制能力,共4个二级指标;再结合所设计的6种测试任务,进一步分为静态感知识别能力、动态感知识别能力、全局路径规划能力、局部路径规划能力、航向控制能力和航迹控制能力,共6个三级指标;根据测试任务所选取的21个评价指标作为四级指标。
基于所建立的评价指标体系模型,结合同一测试任务下的同一层次的两两指标间的相互重要性程度得到判断矩阵A满足
式中,其中,n表示评价指标的数量,aij表示评价指标i相对于评价指标j的重要程度,该值通常采用3标度法给出,即指标i与指标j之间存在的3种相互关系:①指标i比指标j重要;②指标i与指标j同等重要;③指标j比指标i重要;即满足如下关系
令将判断矩阵A转换为最优传递矩阵B,即满足
令cij=exp(bij),此时的矩阵C满足
对矩阵C进行列向量归一化处理
按行相加求和向量
进行归一化处理,得到权重向量
在无人船舶自主航行能力综合评估方面,包括如下步骤:
步骤一,根据无人船舶自主航行能力评估体系层次模型,建立评价指标集,并采集指标数据;
步骤二,确定无人船舶自主航行能力指标评语集,可将无人船舶自主航行能力分为5个等级,将各评价指标评语分别为“差”、“中”、“良”、“较优”、“优”,其对应的指标值区间分别为(a,b)、(b,c)、(c,d)、(d,e)、(e,f),分值区间为[0,60)、[60,70)、[70,80)、[80,90)、[90,100],如表所示;
评语 | 差 | 中 | 良 | 较优 | 优 |
指标值区间 | [a,b) | [b,c) | [c,d) | [d,e) | [e,f] |
分值区间 | [0,60) | [60,70) | [70,80) | [80,90) | [90,100] |
步骤三,将所采集的评价指标值映射到0~100的分值区间,对于指标值区间与分值区间的映射关系满足下式
式中,I为指标取值,S为指标的分值。
步骤四,根据标准化指标数据Si(i=1,2,…,N),计算样本数据的平均值一阶样本绝对中心矩/>样本方差/>令期望/>计算熵计算超熵/>得到第i轮的测试结果值(Exi,Eni,Hei)。
步骤五,根据步骤四得到的测试结果的云评价特征数字参数为分别为{(Ex1,En1,He1),(Ex2,En2,He2)…,(Exn,Enn,Hen)},其对应的权重为{ω1,ω2,…,ωn},则根据式(41)、式(42)、式(43)合成上一层的评价结果,重复该步骤,直至到达评价体系层次模型的最顶层,得到无人船舶自主航行能力综合评估结果。
本发明的无人船舶自主航行能力评估方法,主要包括无人船舶的测试任务设计、评价指标的定义及计算、指标权重计算和测试结果的综合评估3部分,最终得出无人船舶自主航行能力的评估结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种无人船舶自主航行能力评估方法,其特征在于包括:
S1:分析无人船舶的自主航行能力,根据所述自主航行能力设计自主航行能力测试任务;
S2:根据自主航行能力测试任务确定相应的评价指标,分析评价指标的种类,将各种类型的评价指标转化为同一种类型,明确评价指标的评估方向,将非极大值类型的评价指标统一转化为极大型指标;
S3:建立评价体系层次模型,在评价体系层次模型中将无人船舶的自主航行能力分为感知识别能力、路径规划能力、避碰决策能力和航行控制能力四个二级指标,将该四个二级指标对应设计六个三级指标,将六个三级指标对应设计21个评价指标作为四级指标,基于评价体系层次模型结合同一测试任务下同一层次的两两指标间的相互重要性程度获得各评价指标的指标权重;
S4:获取无人船舶测试任务执行过程中可直接获取得到的数据,并根据所得到的数据计算评价指标值,重复执行不同参数条件下的自主航行测试任务,直至获取规定测试轮次的指标数据;
S5:根据评价体系层次模型中的评价指标建立评价指标集,根据无人船舶自主航行能力评价标准和规范,确定无人船舶自主航行能力指标评语集,将无人船舶在测试任务执行中采集的实际指标值标准化处理得到标准化指标数据,根据标准化指标数据计算样本数据的平均值、样本方差、期望、熵和超熵信息,结合指标权重综合测试结果的云特征数字的期望Ex距离分值区间云特征参数的期望值的远近得出综合评估结果,从而对无人船舶的自主航行能力展开综合评估;
结合指标权重和样本数据的期望、熵和超熵信息,自底向上逐层合成评价结果值,并对评价结果进行分析,直至得到无人船舶自主航行能力评价值;
对评价结果进行分析时,针对某一单船舶的评价,采用自主航行能力评价值中的期望Ex在评语分值区间的分布情况得出定性评价结果;针对多船舶的竞优评价,首先比较各船舶的自主航行能力评价值的期望,该值越大,则表明自主航行能力越好,若存在两个船舶或两个以上船舶的期望相等的情况时,则采用自主航行能力评价值的熵,该值越大,则表明自主航行能力越差,若存在两个船舶或两个以上船舶的期望和熵均相等的情况时,则采用自主航行能力评价值的超熵,该值越大,则表明自主航行能力越差;
S5具体包括如下方式:
根据无人船舶自主航行能力评价体系层次模型中的评价指标建立评价指标集;
U={u1,u2,…,un}
ui为同一层级上单个指标,n为评价指标的数量
根据无人船舶自主航行能力评价标准和规范,确定无人船舶自主航行能力指标评语集,包括评语及其与之对应的指标值区间和分值区间;
V={v1,v2,…,vm}
根据指标评语集中的分值区间,计算评语的分值云特征参数Ex,En,He
式中,K为常数,可根据评价指标的模糊程度给定合适的值,Cmin为分值区间的左值,Cmax为分值区间的右值;
根据步骤(4)中无人船舶在测试任务执行中采集的实际指标值xi,i=1,2,…,N,将其指标数据标准化得到Si,i=1,2,…,N;
根据标准化指标数据Si,i=1,2,…,N,计算样本数据的平均值
根据标准化指标数据计算样本数据的平均值一阶样本绝对中心矩ξ和样本方差S2;
令期望计算熵En
计算超熵He
当S2-En2<0时,存在样本方差S2过小或样本的熵En过大的情况,由于En是经过样本数据统计得来的,减小En会使得样本数据失去意义,此时,从样本数据中过滤掉一定数量的距离期望值最近的数据,直至S2-En2≥0,重新进行计算样本方差S2和超熵He;
设有n个评价指标的测试结果的云评价特征数字参数为分别为{(Ex1,En1,He1),(Ex2,En2,He2)…,(Exn,Enn,Hen)},其对应的权重为{ω1,ω2,…,ωn},则
结合综合测试结果的云特征数字的期望Ex距离分值区间云特征参数的期望值的远近得出综合评估结果。
2.根据权利要求1所述的一种无人船舶自主航行能力评估方法,其特征在于:所述自主航行能力测试任务包括基本测试任务和高级测试任务,所述基本测试任务为无人船舶在简单海况条件下执行自主航行行为的单项测试任务,包括感知识别测试任务、路径规划测试任务、航行控制测试任务和自主避碰测试任务,所述高级测试任务为无人船舶在复杂海况条件下执行自主航行行为的综合测试任务,该测试任务包括感知识别、路径规划、航行控制和避碰决策的多种任务的组合。
3.根据权利要求1所述的一种无人船舶自主航行能力评估方法,其特征在于:所述评价指标分为极大型指标、极小型指标、区间型指标和居中型指标,其中,极大型指标是指该评价指标的取值越大,则表明无人船舶的自主航行能力越好;极小型指标是指该评价指标的取值越小,则表明无人船舶的自主航行能力越好;区间型指标是指该评价指标的取值位于某一最优区间,则表明无人船舶的自主航行能力越好;居中型指标是指该评价指标的取值越居中,则表明无人船舶的自主航行能力越好,将所有非极大型指标转换为及大型指标。
4.根据权利要求1所述的一种无人船舶自主航行能力评估方法,其特征在于:结合两两指标间的相互重要性程度得到判断矩阵A满足
n表示评价指标的数量,aij表示评价指标i相对于评价指标j的重要程度,包括三种情况:指标i比指标j重要;指标i与指标j同等重要;指标j比指标i重要,满足
令将判断矩阵A转换为最优传递矩阵B,
令cij=exp(bij),此时的矩阵C满足
对矩阵C进行列向量归一化处理、按行相加求和向量得到权重向量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070339.5A CN113821031B (zh) | 2021-09-13 | 2021-09-13 | 一种无人船舶自主航行能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070339.5A CN113821031B (zh) | 2021-09-13 | 2021-09-13 | 一种无人船舶自主航行能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821031A CN113821031A (zh) | 2021-12-21 |
CN113821031B true CN113821031B (zh) | 2024-03-19 |
Family
ID=78914489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070339.5A Active CN113821031B (zh) | 2021-09-13 | 2021-09-13 | 一种无人船舶自主航行能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821031B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115871890B (zh) * | 2023-01-03 | 2023-10-20 | 中国船舶科学研究中心 | 一种无人船自主航行能力测试评估系统 |
CN117234219B (zh) * | 2023-11-14 | 2024-02-02 | 中国船舶集团有限公司第七一九研究所 | 一种海上集群感知任务轨迹设计方法及计算机可读介质 |
CN117433540B (zh) * | 2023-12-20 | 2024-04-02 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10250681A (ja) * | 1997-03-14 | 1998-09-22 | Mitsui Eng & Shipbuild Co Ltd | 船舶の危険行動評価装置 |
WO2011055512A1 (ja) * | 2009-11-04 | 2011-05-12 | 川崎重工業株式会社 | 操船制御方法及び操船制御システム |
CN111409788A (zh) * | 2020-04-17 | 2020-07-14 | 大连海事大学 | 一种无人船艇自主航行能力测试方法及系统 |
CN111813128A (zh) * | 2020-07-29 | 2020-10-23 | 浙江北鲲智能科技有限公司 | 一种无人艇自主航行性能评估方法 |
CN112907052A (zh) * | 2021-02-07 | 2021-06-04 | 智慧航海(青岛)科技有限公司 | 一种智能船舶避碰能力评估系统 |
-
2021
- 2021-09-13 CN CN202111070339.5A patent/CN113821031B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10250681A (ja) * | 1997-03-14 | 1998-09-22 | Mitsui Eng & Shipbuild Co Ltd | 船舶の危険行動評価装置 |
WO2011055512A1 (ja) * | 2009-11-04 | 2011-05-12 | 川崎重工業株式会社 | 操船制御方法及び操船制御システム |
CN111409788A (zh) * | 2020-04-17 | 2020-07-14 | 大连海事大学 | 一种无人船艇自主航行能力测试方法及系统 |
CN111813128A (zh) * | 2020-07-29 | 2020-10-23 | 浙江北鲲智能科技有限公司 | 一种无人艇自主航行性能评估方法 |
CN112907052A (zh) * | 2021-02-07 | 2021-06-04 | 智慧航海(青岛)科技有限公司 | 一种智能船舶避碰能力评估系统 |
Non-Patent Citations (1)
Title |
---|
一种新的单船进出港模拟训练航迹评估算法;方诚;任鸿翔;金一丞;;系统仿真学报;20160908(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113821031A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113821031B (zh) | 一种无人船舶自主航行能力评估方法 | |
Tsou et al. | Decision support from genetic algorithms for ship collision avoidance route planning and alerts | |
Su et al. | Fuzzy decision on optimal collision avoidance measures for ships in vessel traffic service | |
Zinchenko et al. | Automatic collision avoidance with multiple targets, including maneuvering ones | |
Perera et al. | Autonomous guidance and navigation based on the COLREGs rules and regulations of collision avoidance | |
Szłapczyński et al. | Framework of an evolutionary multi-objective optimisation method for planning a safe trajectory for a marine autonomous surface ship | |
CN111861155B (zh) | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 | |
CN109240288A (zh) | 一种基于轨迹单元的障碍物情况下无人艇避碰路径规划方法 | |
Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
CN111815120A (zh) | 水上交通风险评估方法、装置、计算机设备和存储介质 | |
CN111338356A (zh) | 改进分布式遗传算法的多目标无人船避碰路径规划方法 | |
Shu et al. | Calibration and validation for the vessel maneuvering prediction (VMP) model using AIS data of vessel encounters | |
Perera et al. | Situation awareness of autonomous ship navigation in a mixed environment under advanced ship predictor | |
Zhu et al. | Automatic collision avoidance algorithm based on route-plan-guided artificial potential field method | |
Perera et al. | Possible COLREGs failures under digital helmsman of autonomous ships | |
Zhao et al. | Decision-making for the autonomous navigation of USVs based on deep reinforcement learning under IALA maritime buoyage system | |
Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
Kula | Automatic control of ship motion conducting search in open waters | |
Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
Zhang et al. | Collision avoidance method for autonomous ships based on modified velocity obstacle and collision risk index | |
Olindersson et al. | Developing a maritime safety index using fuzzy logics | |
Smirnov et al. | Navigation support for an autonomous ferry using deep reinforcement learning in simulated maritime environments | |
Dinh et al. | A study on the construction of stage discrimination model and consecutive waypoints generation method for ship’s automatic avoiding action | |
Perera et al. | Decision making system for the collision avoidance of marine vessel navigation based on COLREGs rules and regulations |
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 |