CN113946781B - 基于自适应多维度融合模型的船舶定位方法 - Google Patents

Abstract

本发明公开了一种基于自适应多维度融合模型的船舶定位方法，基于岸基雷达以及AIS获取到船舶信息，并将其进行坐标转换与时间同步。同时，充分考虑到天气状况、传感器至目标的距离、传感器更新率等因素对船舶定位的影响，建立自适应多维度置信度模型，满足在不同天气状况、不同距离以及不同更新率等维度下实现船舶精确、可靠定位的需求。本发明所提出的方法和传统雷达与AIS的融合定位方法相比，精度更高，可靠性更强，适用性更广。

Description

基于自适应多维度融合模型的船舶定位方法

技术领域

本发明涉及船舶导航定位和多源信息融合领域，特别是一种基于自适应多维度融合模型的船舶定位方法。

背景技术

随着经济快速发展，信息化手段的不断提升，船舶交通管理系统(Vessel TrafficServices，VTS)需要不断增强系统信息获取以及信息综合处理与应用的手段和能力，以满足用户对于安全、高效、便捷VTS的强烈需求。在国际上，国际海事组织(IMO)、国际航标协会(IALA)、国际电信联盟(ITU)等组织于21世纪初着手于各个定位系统的研究，主要目的是实现船舶避碰，降低海上交通事故率，船舶精准的定位可有助于海巡艇实施救助。国内水运行业的业务量居高不下，用于运输业船舶密度的增加，同时增加了定位的难度，从而增加了海上航行安全的风险，海上交通事故频频发生，海洋环境受损程度日益严重，使得现场环境变得不可控制。因此，为了有效解决上述所述问题，船舶定位精度的提高以及充分利用当前海上通用的传感器成了船舶管理中必不可少的部分。船舶交通管理系统通过先进的多传感器融合技术、信息管理技术、高精度信息处理技术、数字通信技术，定位导航技术等，确保海上航行安全，减少人员伤亡，推动海事业务的发展。

雷达与AIS作为当前船舶交通管理系统中最重要的两种传感器，为船舶目标的通行保驾护航，单一传感器对船舶的定位有着一定的误差，例如：AIS定位的精度受到更新率、机构与机构之间转发效率、内置卫星定位接收机的精度以及船舶距离AIS基站距离的影响，而雷达定位被雷达测量精度(雷达天线尺寸)、雷达站与船舶目标的距离、天气情况以及海况多方面因素影响；因此，首先在雷达与AIS端建立多维度置信度模型，实时地获取到自适应加权因子，然后将雷达获取的船舶信息与AIS获取的船舶信息加权融合，既弥补了双传感器各自的不足之处，又可以在保证高准确度的基础上，提高船舶目标定位的自适应能力。这一技术可以推动船舶交通管理系统中原有定位导航功能的发展，进一步保障航行安全。

因此，在此背景下，增强对雷达与AIS融合的定位精度的研究变得至关重要，是VTS发展中必不可少的阶段。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于自适应多维度融合模型的船舶定位方法，该基于自适应多维度融合模型的船舶定位方法将雷达获取的船舶信息与AIS获取的船舶信息加权融合，从而在保证高准确度的基础上，提高船舶目标定位的自适应能力。

为解决上述技术问题，本发明采用的技术方案是：

一种基于自适应多维度融合模型的船舶定位方法，包括如下步骤。

步骤1、获取船舶目标位置信息：采用岸基雷达和AIS同时实时采集并获取船舶目标位置信息。

步骤2、坐标转换与时间同步：将步骤1中岸基雷达和AIS获取的船舶目标位置信息，均转换至平面直角坐标系；同时，将岸基雷达和AIS的时间进行同步校准。

步骤3、计算最优估计值：使用卡尔曼滤波算法，分别计算出雷达监测船舶目标的位置信息最优估计值X_Rk和AIS监测船舶目标的位置信息最优估计值X_Ak。

步骤4、建立自适应多维度置信度模型：根据影响雷达定位精度的因素和影响AIS定位精度的因素，建立六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆；C₁、C₂、C₃、C₄、C₅和C₆分别为基于雷达中测量精度的置信度、基于雷达中天气状态的置信度、基于雷达中船舶目标距离雷达站距离的置信度、基于AIS中船载AIS终端距离AIS基站距离的置信度、基于AIS中更新频率的置信度和基于AIS中测量精度的置信度；C₁、C₂、C₃、C₄、C₅和C₆对应的权值系数分别为ξ₁、ξ₂、ξ₃、ξ₄、ξ₅和ξ₆。

步骤5、计算自适应最优权重系数：自适应最优权重系数包括雷达定位精度权重系数ρ₁和AIS定位精度权重系数ρ₂，ρ₁和ρ₂的计算公式为：

步骤6、计算船舶位置最优值X_k，具体计算公式为：

X_k＝ρ₁X_Rk+ρ₂X_Ak (10)。

步骤4中，六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆的表达式分别为：

公式(1)至(6)中，L_R表示输入雷达天线长度值；W_mode表示天气状态；d为雷达监测船舶目标距离雷达站的长度，(x_i，y_i)为雷达监测船舶目标在平面直角坐标系的位置；L_A表示AIS监测船舶目标相距AIS基站的长度；(x_A，1，y_A，1)为AIS监测船舶目标在平面直角坐标系的位置；v_A，1表示船舶航速；DGPS和GPS为AIS中内置卫星定位接收机的型号；a₁、a₂、a₃、b₁、b₂、b₃、d₁和d₂均为常数。

L_R取值为6、12、18或21。

d₁＞b₁＞a₁。

a₁＞1.5a₂且a₂＝2a₃，b₁＞1.5b₂且b₂＞1.5b₃，d₁＝2d₂。

a₁＝0.7，a₂＝0.4，a₃＝0.2；b₁＝0.75，b₂＝0.45，b₃＝0.25；d₁＝0.8，d₂＝0.4。

ξ₆＞ξ₁＞ξ₅＝ξ₃＞ξ₂＞ξ₄。

ξ₁＝0.5、ξ₂＝0.2、ξ₃＝0.3、ξ₄＝0.1、ξ₅＝0.3和ξ₆＝0.6。

步骤2中，采用三次样条插值法，将岸基雷达和AIS的时间进行同步校准。

本发明具有如下有益效果：

1、本发明在获取到雷达与AIS的定位信息后，分别对双传感器的结果进行了卡尔曼滤波，得到最优估计值，在进行多源融合前先提高了不同传感器的定位精度，使得结果收敛。

2、本发明建立的多维度置信度模型，综合考虑了船载AIS终端与AIS基站的距离、AIS设备的更新率、AIS内置定位接收机的精度、船舶目标距离雷达站的距离、雷达的测量精度以及当前天气状况等因素，一方面提升了双传感器权值分配的精确度，另一方面也提高了该模型的有效性以及容错率。另外，AIS更新频率维度的加入使得AIS的有效性得到增强，在雷达定位精度中加入的天气状况维度使得该模型的适用性更广，而自适应地计算出雷达与AIS的加权因子，使得该定位方法不仅具有高精度、高稳定性的优点，而且还增强了实时的可靠性以及高适用性，因此，在雷达站以及AIS基站范围内的船舶目标，可以获取精确的定位信息。

3、本发明自适应实时地获取加权因子，归一化双传感器的权值系数后，通过加权之前卡尔曼滤波后最优估计值，进一步提升了定位精度，具备高准确度、自适应能力强、适用性广等优点。

附图说明

图1显示了本发明一种基于自适应多维度融合模型的船舶定位方法的流程图。

具体实施方式

下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。

本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。

如图1所示，一种基于自适应多维度融合模型的船舶定位方法，包括如下步骤。

步骤1、获取船舶目标位置信息：采用岸基雷达和AIS同时实时采集并获取船舶目标位置信息。

步骤2、坐标转换与时间同步

将步骤1中岸基雷达和AIS获取的船舶目标位置信息，均转换至平面直角坐标系。

岸基雷达获取船舶目标位置所处于极坐标系，而AIS获取船舶目标位置处于WGS-84坐标系中，将两个坐标系中的位置信息转换至平面直角坐标系，转换公式如下：

其中，D_R是雷达目标与坐标原点之间的距离，ρ_R表示雷达目标与岸基雷达之间的距离，l_R表示岸基雷达距离地面的高度，θ_R表示雷达目标相对于坐标原点之间的方位，θ_S表示雷达目标相对于岸基雷达的方位，x_R，y_R分别表示雷达获取目标转换于直角坐标系下的横坐标与纵坐标。

针对AIS提供的船舶位置坐标(L，B)，使用高斯-克吕格投影算法将其换至平面直角系下的坐标为X_A，Y_A，其中，L与B分别表示船舶目标在WGS-84坐标系中纬度与经度信息。高斯-克吕格投影算法为现有技术，这里不再赘述。

同时，优选采用三次样条插值法，将岸基雷达和AIS的时间进行同步校准。上述三次样条插值法，为现有技术，这里不再赘述。

步骤3、计算最优估计值：使用卡尔曼滤波算法，分别计算出雷达监测船舶目标的位置信息最优估计值X_Rk和AIS监测船舶目标的位置信息最优估计值X_Ak。

采用卡尔曼滤波算法，计算最优估计值的方法，优选包括如下步骤。

步骤31、建立状态方程：

X_k＝AX_k-1+w_k (19)

式中A表示状态转移矩阵，X_k-1表示k-1时刻下雷达或AIS最优估计值，X_k表k时刻下状态值，共有四个参数x_k、y_k、υ_x和v_y；其中，x_k和y_k分别表示横纵坐标；v_x和v_y对应x向和y向的速度分量值，w_k表示k时刻下的过程噪声。

步骤32、建立观测方程：

Z_k＝HX_k+v_k (21)

其中，H为测量矩阵，Z_k为k时刻下的测量值，v_k为服从正态分布的过程噪声值。

步骤33、获取预测值：

P’_k＝AP_k-1A^T+Q (23)

其中，是预测值，/>是上一时刻中的卡尔曼最优估计值，P’_k是预测误差协方差矩阵，Q表示系统过程协方差矩阵，P_k-1表示上一时刻中卡尔曼估计误差协方差矩阵。

步骤34、获取观测值并校正预测值：

K_k＝P’_kH^T(HP’_kH^T+R)^-1 (25)

其中，是测量余量，K_k是卡尔曼增益，R是测量噪声协方差矩阵，/>是卡尔曼滤波最优估计值，即k时刻的结果。

步骤35、更新协方差估计值：

P_k＝(I-K_kH)P’_k (27)

对雷达目标和AIS目标，分别安装上述步骤31至步骤35，进行卡尔曼滤波算，从而得到对应的卡尔曼最优估计值。因此，雷达目标的卡尔曼最优估计值为AIS目标的卡尔曼最优估计值为/>同时，/>和其中，x_Radar与y_Radar是雷达经过卡尔曼滤波后的定位数据；x_Ais与y_Ais是雷达经过卡尔曼滤波后的定位结果。

步骤4、建立自适应多维度置信度模型：根据影响雷达定位精度的因素和影响AIS定位精度的因素，建立六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆；C₁、C₂、C₃、C₄、C₅和C₆分别为基于雷达中测量精度的置信度、基于雷达中天气状态的置信度、基于雷达中船舶目标距离雷达站距离的置信度、基于AIS中船载AIS终端距离AIS基站距离的置信度、基于AIS中更新频率的置信度和基于AIS中测量精度的置信度。

六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆的表达式分别为：

L_R表示输入雷达天线长度值；L_R取值为6、12、18或21，一般磁控管雷达或者固态雷达。天线越长，测量精度就越精确。

W_mode表示天气状态，a₁、a₂、a₃均为常数，优选取值为a₁＞1.5a₂且a₂＝2a₃；进一步优选为a₁＝0.7，a₂＝0.4，a₃＝0.2。当天气晴朗，水面无风浪时，此时天气状态所产生的回波质量最好，对应的置信度为0.7；当风浪较小，并且有小雨，小雪干扰时，雷达可以进行信号处理，所得到的回波质量中等，对应的置信度为0.4；当天气极度恶劣，海上狂风暴雨，信号处理不能将杂波与回波完全分开时，回波质量较差，对应的置信度为0.2。

其中，d为雷达监测船舶目标距离雷达站的长度，根据雷达的固有特性，距离雷达站越远的目标，方位展宽越明显，从而影响质心位置，并且信号的非线性相位特性同样影响测量精度，因此测量精度与距离呈非线性关系。C₃置信度分配与距离服从正态分布。(x_i，y_i)为雷达监测船舶目标在平面直角坐标系的位置。

其中，(x_A，1，y_A，1)为AIS监测船舶目标在平面直角坐标系的位置，此时的圆心为最近的AIS基站；C₄表示AIS中距离因素上分配的置信度值；L_A表示AIS监测船舶目标相距AIS基站的长度。

其中，C₅表示AIS中更新频率的置信度值，v_A，1表示船舶航速(单位：节)，AIS数据的更新频率主要由两方面因素决定：航速越快，更新频率越快；AIS数据经常会通过各个机构间的转发，转发的阶层越多，延迟越高，暂时不考虑转发导致的延迟。b₁、b₂、b₃为常数，优选b₁＞1.5b₂且b₂＞1.5b₃，进一步优选为b₁＝0.75，b₂＝0.45，b₃＝0.25。

与雷达不同的是，雷达易受天线长短，目标离雷达站的距离所影响，雷达的平均测量精度约为12m，而AIS的测量精度受内置卫星定位接收机影响，如果内置卫星定位接收机采用的是GPS时，测量精度约为15m，如果采用的是DGPS，测量精度约为3m，因此置信度分配如下：

公式(6)中，DGPS和GPS为AIS中内置卫星定位接收机的型号；、d₁和d₂均为常数。其中，d₁＞b₁＞a₁，优选d₁＝2d₂，进一步优选为d₁＝0.8，d₂＝0.4。

上述C₁、C₂、C₃、C₄、C₅和C₆对应的权值系数分别为ξ₁、ξ₂、ξ₃、ξ₄、ξ₅和ξ₆，且ξ₆＞ξ₁＞ξ₅＝ξ₃＞ξ₂＞ξ₄。

雷达定位精度三个因素的权值重要性排序：测量精度>距离>天气。因此，本发明选取的权重大小为：

AIS定位精度三个因素的权值重要性排序：测量精度>更新速率>距离。因此，本发明选取的权重大小为：

步骤5、计算自适应最优权重系数：自适应最优权重系数包括雷达定位精度权重系数ρ₁和AIS定位精度权重系数ρ₂，ρ₁和ρ₂的计算公式为：

步骤6、计算船舶位置最优值X_k，具体计算公式为：

X_k＝ρ₁X_Rk+ρ₂X_Ak (37)。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (8)

1.一种基于自适应多维度融合模型的船舶定位方法，其特征在于：包括如下步骤：

步骤1、获取船舶目标位置信息：采用岸基雷达和AIS同时实时采集并获取船舶目标位置信息；坐标转换与时间同步

步骤2、坐标转换与时间同步：将步骤1中岸基雷达和AIS获取的船舶目标位置信息，均转换至平面直角坐标系；同时，将岸基雷达和AIS的时间进行同步校准；

步骤3、计算最优估计值：使用卡尔曼滤波算法，分别计算出雷达监测船舶目标的位置信息最优估计值X_Rk和AIS监测船舶目标的位置信息最优估计值X_Ak；

步骤4、建立自适应多维度置信度模型：根据影响雷达定位精度的因素和影响AIS定位精度的因素，建立六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆；C₁、C₂、C₃、C₄、C₅和C₆分别为基于雷达中测量精度的置信度、基于雷达中天气状态的置信度、基于雷达中船舶目标距离雷达站距离的置信度、基于AIS中船载AIS终端距离AIS基站距离的置信度、基于AIS中更新频率的置信度和基于AIS中测量精度的置信度；C₁、C₂、C₃、C₄、C₅和C₆对应的权值系数分别为ξ₁、ξ₂、ξ₃、ξ₄、ξ₅和ξ₆；

六维度置信度模型C₁、C₂、C₃、C₄、C₅和C₆的表达式分别为：

公式(1)至(6)中，L_R表示输入雷达天线长度值；W_mode表示天气状态；d为雷达监测船舶目标距离雷达站的长度，(x_i，y_i)为雷达监测船舶目标在平面直角坐标系的位置；L_A表示AIS监测船舶目标相距AIS基站的长度；(x_A,1，y_A,1)为AIS监测船舶目标在平面直角坐标系的位置；v_A,1表示船舶航速；DGPS和GPS为AIS中内置卫星定位接收机的型号；a₁、a₂、a₃、b₁、b₂、b₃、d₁和d₂均为常数；

步骤5、计算自适应最优权重系数：自适应最优权重系数包括雷达定位精度权重系数ρ₁和AIS定位精度权重系数ρ₂，ρ₁和ρ₂的计算公式为：

步骤6、计算船舶位置最优值X_k，具体计算公式为：

X_k＝ρ₁X_Rk+ρ₂X_Ak (8)。

2.根据权利要求1所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：L_R取值为6、12、18或21。

3.根据权利要求1所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：d₁＞b₁＞a₁。

4.根据权利要求3所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：a₁＞1.5a₂且a₂＝2a₃，b₁＞1.5b₂且b₂＞1.5b₃，d₁＝2d₂。

5.根据权利要求4所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：

a₁＝0.7，a₂＝0.4，a₃＝0.2；b₁＝0.75，b₂＝0.45，b₃＝0.25；d₁＝0.8，d₂＝0.4。

6.根据权利要求1所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：ξ₆＞ξ₁＞ξ₅＝ξ₃＞ξ₂＞ξ₄。

7.根据权利要求6所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：v₁＝0.5、ξ₂＝0.2、ξ₃＝0.3、ξ₄＝0.1、ξ₅＝0.3和ξ₆＝0.6。

8.根据权利要求1所述的基于自适应多维度融合模型的船舶定位方法，其特征在于：步骤2中，采用三次样条插值法，将岸基雷达和AIS的时间进行同步校准。