CN113962153A - 一种基于注意力机制的船舶碰撞风险评估方法 - Google Patents

Abstract

本发明提供一种基于注意力机制的船舶碰撞风险评估方法，包括：依据获取的船舶航行安全信息构建本船和目标船的全局航行态势和基于栅格地图的局部航行态势，将船舶的航行要素信息转化为局部空间中的关注区域，增强本船重点关注的特定目标区域同时弱化其他区域，基于多层感知机对目标船的航行状态向量进行标准化处理，并利用神经网络提取目标船和本船之间成对的航行状态特征，构建自注意力模型以高效地捕获本船与目标船间的特征依赖关系；利用Softmax方法对碰撞风险权重矩阵进行归一化，实现对船舶碰撞风险的量化；对风险权重参数进行加权求和，实现基于注意力机制的船舶碰撞风险计算。本发明技术方案能够为船舶在复杂航行态势下的实时避碰决策提供支持。

Description

一种基于注意力机制的船舶碰撞风险评估方法

技术领域

本发明涉及智能船舶碰撞风险评估技术领域，具体而言，尤其涉及一种基于注意力机制的船舶碰撞风险评估方法。

背景技术

随着深度学习这一模式分析方法的深入研究和技术落地，该技术在船舶自主航行领域的研究成为近年来的研究热点之一。目前，基于深度学习技术的相关研究较为丰富，但现有研究大多集中在船舶图片分类、船舶行为识别以及区域流量预测等方面，在船舶碰撞风险领域仍以传统的CPA、模糊神经网络、专家知识库等方法对船舶碰撞风险加以量化，实现碰撞风险的计算。然而，大多数的碰撞风险方法均是依据专家经验或者函数表达来表示，并非从航行数据中直接提取本船和目标船的实际碰撞风险特征，从而可能导致碰撞风险评估缺乏客观性。为保障船舶在复杂会遇态势下的航行安全，亟需设计一种能够实现实时地从数据中学习的船舶碰撞风险评估方法。

发明内容

根据上述提出的技术问题，提供一种基于注意力机制的船舶碰撞风险评估方法。本发明主要通过构建局部地图，实现障碍物航行信息的动态编码，利用多层感知机技术将航行状态数据和地图张量转化为固定长度的向量，并将其作为模型的输入，使用归一化方法量化船舶的潜在碰撞风险，为船舶自主航行提供有力的决策支持。

本发明采用的技术手段如下：

一种基于注意力机制的船舶碰撞风险评估方法，包括如下步骤：

S1、从船载设备获取本船和目标船的航行状态数据，构建包括本船的状态向量s和目标船的航行状态向量w_i的集合N_i，并以固定尺度的向量形式表达数量可变的状态向量e_i；

S2、将状态向量e_i作为输入向量，利用神经网络提取本船和所有目标船之间的成对的航行状态特征向量v_i，计算状态向量e_i的平均期望值e_m，并计算相似性向量ω_i；

S3、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出目标船相对本船的量化碰撞风险权重分布λ_i，利用权求和公式计算碰撞风险向量α_i。

进一步地，所述步骤S1的具体实现过程如下：

S11、提取本船全局航行状态信息集，包括航速v₀、位置(x₀,y₀)、航向

本船与目标点距离d_t、船舶领域半径r₀；状态集参数化的表达如下：

S12、提取目标船的全局航行状态信息，包括航速、位置、航向、目标船与本船距离、本船与目标船船舶最近安全会遇距离，状态集参数化的表达如下：

S13、在本船周围8n mile范围内，构建以本船为中心的局部栅格地图，每个栅格为1n mile，标记目标船的船位编码在区间[1,256]，计算公式为：

TS_i-code＝16×(y-1)+x

S14、将所有的航行状态向量记为M_i，则状态向量集合N_i的表达形式如下：

N_i＝[s,w_i,M_i]

式中，M_i表示所有目标船基于局部地图编码的状态向量，计算方法为：

S15、利用第一层MLP网络将可变数量的状态向量集合N_i转化为固定长度的状态向量e_i，计算公式如下：

e_i＝φ_e(N_i；W_e)

式中，W_e为MLP网络φ_e的训练权重。

进一步地，在所述步骤S11和步骤S12中，还包括：

通过构建全局地图表示本船和目标船所处航行水域的运动状态；

通过构建局部地图，实现障碍物信息的动态编码；

利用多层感知机技术将航行状态信息和地图张量转化固定长度的特征信息。

进一步地，所述步骤S2的具体实现过程如下：

S21、将状态向量e_i作为第二层MLP的输入，得出本船和目标船成对的航行状态特征向量v_i，计算公式如下：

v_i＝φ_v(e_i；W_v)

式中，W_v为MLP网络φ_v的训练权重；

S22、计算状态向量e_i的平均期望值e_m，计算公式如下：

S23、依据注意力机制所涉及的关键元素Value、Key和Query，将每个目标船的航行状态向量w_i，i∈{1,2,3...n}作为状态向量集合N_i中的查询向量Query，利用神经网络计算相似性向量ω_i，计算公式如下：

ω_i＝φ_ω(e_i,e_m；W_ω)

式中，W_ω为MLP网络φ_ω的训练权重。

进一步地，所述步骤S3的具体实现过程如下：

S31、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出本船相对各个目标船的碰撞风险权重分布，得到每个Key对应Value的权重系数，计算公式如下：

S32、利用权求和公式计算碰撞风险向量α_i，计算公式如下：

较现有技术相比，本发明具有以下优点：

1、本发明提供的船舶碰撞风险评估方法，利用注意力机制对船舶航行数据中本船及目标船的航行风险特征进行提取和量化，能够直接学习数据中包含的碰撞风险要素之间的影响关系，更客观高效地为船舶自主航行提供有力的决策支持。

2、本发明提供的船舶碰撞风险评估方法，通过在本船周围水域构建局部地图，动态编码该范围内所有目标船的状态信息，依据注意力模型提取本船与目标船的碰撞风险特征，并基于MLP技术实现了多类障碍物的碰撞风险评估，契合船舶驾驶员在进行航行环境观测时依据驾驶经验对目标船的动态注意力分配过程，并且由于注意力模型的特性，占用的计算资源更少，计算效率更高。

3、本发明提供的船舶碰撞风险评估方法，能够实现智能船舶对潜在碰撞风险船舶的实时碰撞风险的定量评估。

基于上述理由本发明可在智能船舶碰撞风险评估等领域广泛推广。

附图说明

为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的以本船为中心的局部地图示意图。

图3为本发明实施例提供的全局航行环境中的状态表达示意图。

图4为本发明实施例提供的三阶段的注意力模型的计算过程示意图。

图5为本发明实施例提供的船舶碰撞风险评估的实施效果示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明提供了一种基于注意力机制的船舶碰撞风险评估方法，如图1所示，共包含三个大阶段：

第一阶段，通过各类船载设备如AIS获取目标船的航速、航向、船舶类型的信息，基于GPS获取船位信息，利用ECDIS获取各类障碍物的属性信息，并依据这些信息构建全局的航行状态信息和局部状态信息；

第二阶段，将动态变化的目标船的航行状态进行预处理，使其符合深度神经网络的输入特性，然后提取本船和目标船的成对的特征向量；

第三阶段，将上述两阶段获得的向量作为注意力网络的输入，计算向量的相似性并使用Softmax函数进行归一化处理，最终对所得结果进行加权求和得出最终的碰撞风险。

具体实施时，本发明提供的基于注意力机制的船舶碰撞风险评估方法，包括如下步骤：

S1、从船载设备获取本船和目标船的航行状态数据，构建本船的状态向量s和目标船的航行状态向量w_i的集合N_i，并以固定尺度的向量形式表达数量可变的状态向量e_i；

如图2所示，该图为从船载设获取的船舶航行信息的状态表达。在全局参考系中，本船OS的位置为(x₀,y₀)，初始航速为v_θ，实时航速为v₀，航向为

目标船TS_i的位置为(x_i,y_i)，航速为v_i，相对本船方位为

目标点的位置为(x_t,y_t)；为表达本船与目标船和目标点之间的空间关系，在本船为中心的局部坐标系中，本船与目标船的距离为d_i，本船与目标点的距离为d_t，r₀、r_i为本船和目标船舶领域半径，所述步骤S1的具体实现过程如下：

S11、提取本船全局航行状态信息集，包括航速v₀、位置(x₀,y₀)、航向

本船与目标点距离d_t、船舶领域半径r₀；状态集参数化的表达如下：

S12、提取目标船的全局航行状态信息，包括航速、位置、航向、目标船与本船距离、本船与目标船船舶最近安全会遇距离，状态集参数化的表达如下：

其中，d_m是两船的最近会遇距离，为r₀、r_i与d_s之和，d_s为安全距离，一般取0.5～1nmile。

S13、在本船周围8n mile范围内，构建以本船为中心的局部栅格地图，每个栅格为1n mile，标记目标船的船位编码在区间[1,256]，计算公式为：

TS_i-code＝16×(y-1)+x

具体实施时，如图3所示，以O点为原点，本船船艏方向为x轴方向，垂直船艏方向为y轴方向，构建坐标系。在本船周围8n mile范围内构建的局部栅格地图，其中每个栅格的大小为1n mile，共256个格子区域，并对每个区域以编号1～256标记，如图3中的(x₂，y₂)位置船舶在局部地图中所处位置为(16,16)，则其编号为c_i＝16*15+16＝256，依次类推，可实现对不同船舶所在位置编码的唯一表示，给定一个目标船的航行状态，首先确定其格子编号，然后依据其特征值，对其相对位置、航向、航速进行表达。具体表示方法如下：

相对位置表示：首先计算出本船与目标船i的距离d_i并计算d_i在坐标系中x轴和y轴的分量d_xi、d_yi，然后依据d_xi和d_yi计算目标船i的坐标位置表示(x,y)，最后利用上述编号位置的计算公式获取对应的唯一位置编号。

航速、航向表示：为了计算便捷，使输入向量表达的更加高效，将全局坐标系中的目标船的航速分解为v_x、v_y，其中

为目标船航向。每艘目标船以一个三维向量表示，即在局部地图中的编码向量为TS_i＝[c_i,v_x,v_y]，所有目标船基于局部地图编码的状态向量为：

其中n为目标船的数量。

S14、将所有目标船基于局部地图编码的状态向量记为M_i，

则状态向量集合N_i的表达形式如下：

N_i＝[s,w_i,M_i]

S15、利用第一层MLP网络将可变数量的状态向量集合N_i转化为固定长度的状态向量e_i，计算公式如下：

e_i＝φ_e(N_i；W_e)

式中，W_e为MLP网络φ_e的训练权重。

具体实施时，作为本发明优选的实施方式，在所述步骤S11和步骤S12中，还包括：

通过构建全局地图表示本船和目标船所处航行水域的运动状态；

通过构建局部地图，实现障碍物信息的动态编码；

利用多层感知机技术将航行状态信息和地图张量转化固定长度的特征信息。

S2、将状态向量e_i作为输入向量，利用神经网络提取本船和所有目标船之间的成对的航行状态特征向量v_i，计算状态向量e_i的平均期望值e_m，并计算相似性向量ω_i；

所述步骤S2的具体实现过程如下：

S21、将状态向量e_i作为第二层MLP的输入，得出本船和目标船成对的航行状态特征向量v_i，计算公式如下：

v_i＝φ_v(e_i；W_v)

式中，W_v为MLP网络φ_v的训练权重；

S22、计算状态向量e_i的平均期望值e_m，计算公式如下：

S23、如图4所示，依据注意力机制所涉及的关键元素Value、Key和Query，将每个目标船的航行状态向量w_i，i∈{1,2,3...n}作为状态向量集合N_i中的查询向量Query，利用神经网络计算相似性向量ω_i，计算公式如下：

ω_i＝φ_ω(e_i,e_m；W_ω)

式中，W_ω为MLP网络φ_ω的训练权重。

S3、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出目标船相对本船的量化碰撞风险权重分布λ_i，利用权求和公式计算碰撞风险向量α_i。碰撞风险向量可用于避碰顺序的确定。

所述步骤S3的具体实现过程如下：

S31、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出本船相对各个目标船的碰撞风险权重分布，得到每个Key对应Value的权重系数，计算公式如下：

S32、利用权求和公式计算碰撞风险向量α_i，计算公式如下：

如图5所示，为基于注意力机制的船舶碰撞风险计算的可视化展示。图中圆形亮斑区域表示目标船所处位置，半径大小为0.5n mile，颜色越亮表示该船引起的注意程度越高，形成的碰撞风险越大，其中本船以深色圆形区域显示。TS1、TS2、TS3分别表示三艘目标船，其中TS1航向为220°，航速为14.4节，TS2航向为306°，航速为12.5节，TS3航向为120°，航速为24.2节，在当前时刻，基于注意力机制的网络模型计算的出的三艘船舶相对本船的碰撞风险权重为0.31、0.28、0.41，即船舶避碰的首要考虑因素为TS3，其次为TS1，最后为TS2。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于注意力机制的船舶碰撞风险评估方法，其特征在于，包括如下步骤：

S1、从船载设备获取本船和目标船的航行状态数据，构建包括本船的状态向量s和目标船的航行状态向量w_i的集合N_i，并以固定尺度的向量形式表达数量可变的状态向量e_i；

S2、将状态向量e_i作为输入向量，利用神经网络提取本船和所有目标船之间的成对的航行状态特征向量v_i，计算状态向量e_i的平均期望值e_m，并计算相似性向量ω_i；

S3、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出目标船相对本船的量化碰撞风险权重分布λ_i，利用权求和公式计算碰撞风险向量α_i。

2.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤S1的具体实现过程如下：

S11、提取本船全局航行状态信息集，包括航速v₀、位置(x₀,y₀)、航向

本船与目标点距离d_t、船舶领域半径r₀；状态集参数化的表达如下：

S12、提取目标船的全局航行状态信息，包括航速、位置、航向、目标船与本船距离、本船与目标船船舶最近安全会遇距离，状态集参数化的表达如下：

S13、在本船周围8n mile范围内，构建以本船为中心的局部栅格地图，每个栅格为1nmile，标记目标船的船位编码在区间[1,256]，计算公式为：

TS_i-code＝16×(y-1)+x

S14、状态向量集合N_i的表达形式如下：

N_i＝[s,w_i,M_i]

式中，M_i表示所有目标船基于局部地图编码的状态向量，计算方法为：

S15、利用第一层MLP网络将可变数量的状态向量集合N_i转化为固定长度的状态向量e_i，计算公式如下：

e_i＝φ_e(N_i；W_e)

式中，W_e为MLP网络φ_e的训练权重。

3.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，在所述步骤S11和步骤S12中，还包括：

通过构建全局地图表示本船和目标船所处航行水域的运动状态；

通过构建局部地图，实现障碍物信息的动态编码；

利用多层感知机技术将航行状态信息和地图张量转化固定长度的特征信息。

4.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤S2的具体实现过程如下：

S21、将状态向量e_i作为第二层MLP的输入，得出本船和目标船成对的航行状态特征向量v_i，计算公式如下：

v_i＝φ_v(e_i；W_v)

式中，W_v为MLP网络φ_v的训练权重；

S22、计算状态向量e_i的平均期望值e_m，计算公式如下：

S23、依据注意力机制所涉及的关键元素Value、Key和Query，将每个目标船的航行状态向量w_i，i∈{1,2,3...n}作为状态向量集合N_i中的查询向量Query，利用神经网络计算相似性向量ω_i，计算公式如下：

ω_i＝φ_ω(e_i,e_m；W_ω)

式中，W_ω为MLP网络φ_ω的训练权重。

5.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤S3的具体实现过程如下：

S31、利用类Softmax对获得的相似性向量ω_i进行归一化处理，计算出本船相对各个目标船的碰撞风险权重分布，得到每个Key对应Value的权重系数，计算公式如下：

S32、利用权求和公式计算碰撞风险向量α_i，计算公式如下：

Images