CN114384900B - 内河水面自主船舶航行驾驶方法、装置及存储介质 - Google Patents
内河水面自主船舶航行驾驶方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114384900B CN114384900B CN202111500715.XA CN202111500715A CN114384900B CN 114384900 B CN114384900 B CN 114384900B CN 202111500715 A CN202111500715 A CN 202111500715A CN 114384900 B CN114384900 B CN 114384900B
- Authority
- CN
- China
- Prior art keywords
- driving
- autonomous
- ship
- navigation
- switching
- 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 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种内河水面自主船舶航行驾驶方法、装置和存储介质,能够对船舶的航行可靠性评估,得到驾驶权切换的时机,提高船舶驾驶模式切换的安全性和可靠性。该方法包括:获取自主船舶的第一驾驶状态数据;建立自主船舶驾驶行为模型和船舶运动模型,预测自主船舶的第二驾驶状态数据以及航行状态数据;进一步地,计算自主船舶期望轨迹;根据自主船舶的第二驾驶状态数据与可靠性评估方法,建立自主船舶航行可行域模型;根据自主船舶期望轨迹与自主船舶航行可行域模型预测的船舶可行域,预测当前驾驶模式下驾驶风险与安全裕量;根据驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,进一步,通过驾驶权切换判别器进行驾驶权切换。
Description
技术领域
本发明涉及船舶航行控制技术领域,尤其涉及一种内河水面自主船舶航行驾驶方法、装置及存储介质。
背景技术
智能船舶是近年来国际海事研究领域新热点,全球知名的船级社纷纷发布智能船舶规范或指导性文件,许多国家正大力推进智能船舶的研制与应用。相关技术中,水面自主船舶人机协作驾驶是一个离散人机共融的复杂系统,具有大时滞性、强非线性和不确定性,导致智能船舶在驾驶权切换控制的问题上存在稳定性、切换平顺性以及切换时机判别等问题。
发明内容
为了解决上述技术问题的至少之一,本发明提出一种内河水面自主船舶航行驾驶方法、装置和存储介质,能够对船舶的航行可靠性进行评估,从而较好的得到驾驶权切换的时机,提高了船舶驾驶模式切换的安全性和可靠性。
第一方面,本发明实施例提供了内河水面自主船舶航行驾驶方法,包括以下步骤:
获取所述自主船舶的第一驾驶状态数据;
根据所述第一驾驶状态数据,建立自主船舶驾驶行为模型和船舶运动模型;
根据所述自主船舶驾驶行为模型预测所述自主船舶的第二驾驶状态数据,并根据所述船舶运动模型计算航行状态数据;
根据所述航行状态数据、所述自主船舶驾驶行为模型与所述船舶运动模型,计算自主船舶期望轨迹;
根据所述自主船舶的第二驾驶状态数据与可靠性评估方法,建立自主船舶航行可行域模型;
根据所述自主船舶期望轨迹与所述自主船舶航行可行域模型预测的船舶可行域,预测当前驾驶模式下驾驶风险;
根据所述驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果;
根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换。
根据本发明的内河水面自主船舶航行驾驶方法,至少具有如下有益效果:首先对自主船舶的第一驾驶状态数据进行获取,即对自主船舶的实际驾驶状态数据进行获取,并根据获取的第一驾驶状态数据建立自主船舶驾驶行为模型和船舶运动模型。同时,通过自主船舶驾驶行为模型对自主船舶的第二驾驶状态数据进行多周期的预测,即对自主船舶的未来驾驶状态进行多周期的预测计算,并且通过船舶运动模型对航行状态数据进行相应计算。进一步地,根据船舶航行状态数据、自主船舶驾驶行为模型以及船舶运动模型,对船舶的期望轨迹进行预测计算。并且,根据自主船舶的第二驾驶状态数据与可靠性评估方法,建立自主船舶航行可行域模型。通过自主船舶期望轨迹与自主船舶航行可行域模型计算得到的船舶可行域,进行计算得到当前驾驶模式的驾驶风险与安全裕量。根据驾驶风险以及通过航行风险评估方法得到的航行风险,对当前驾驶模式下的航行可靠性进行评估计算,得到驾驶可靠性评估结果。从而,根据驾驶可靠性评估结果通过驾驶权切换判别器对驾驶权进行切换,实现对自主船舶的航行风险评估,并根据评估结果判断是否需要进行驾驶权切换,实现对切换时机较为准确的判断,从而提高了自主船舶航行中驾驶权切换的安全性与可靠性。
根据本发明的一些实施例,所述根据所述驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果,包括:
根据所述自主船舶的所述第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果。
根据本发明的一些实施例,所述根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换,包括以下步骤:
根据所述驾驶可靠性评估结果,建立驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数;
根据所述驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数,通过驾驶权切换机制进行驾驶权切换。
根据本发明的一些实施例,在执行所述根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换这一步骤后,还包括以下步骤:
构建自主船舶切换预测模型;
根据所述自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解;
根据所述驾驶权分配最优解进行驾驶权切换。
根据本发明的一些实施例,在执行所述根据所述自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解这一步骤之后,包括以下步骤:
构建李雅普诺夫函数;
根据建立的所述李雅普诺夫函数,设置终端约束。
根据本发明的一些实施例,所述根据所述自主船舶的所述第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果,包括:
根据所述自主船舶的第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,通过隐马尔可夫概率计算当前驾驶模式下的航行可靠性,得到当前驾驶模式下的驾驶可靠性评估结果。
根据本发明的一些实施例,所述驾驶权切换机制包括强制性切换和选择性切换。
根据本发明的一些实施例,所述驾驶权切换机制包括强制性切换和选择性切换,包括:
当驾驶人驾驶权收益或自主航行驾驶权决策收益不满足阈值,将驾驶模式由驾驶人操控模式强制性切换至自主航行模式或将所述驾驶模式由所述自主航行模式强制性切换至所述驾驶人操控模式;
当所述驾驶人驾驶权收益或所述自主航行驾驶权决策收益均满足阈值,能够将驾驶模式由所述驾驶人操控模式选择性切换至所述自主航行模式或将所述驾驶模式由所述自主航行模式选择性切换至所述驾驶人操控模式。
第二方面,本发明实施例还提供了一种内河水面自主船舶航行驾驶装置,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上述第一方面所述的内河水面自主船舶航行驾驶方法。
第三方面,本发明实施例还提供了一种计算机存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由所述处理器执行时用于实现如上述第一方面实施例所述的内河水面自主船舶航行驾驶方法。
附图说明
图1是根据本发明实施例提供的一种内河水面自主船舶航行驾驶方法流程框图;
图2是根据本发明实施例提供的另一种内河水面自主船舶航行驾驶方法流程框图;
图3是根据本发明实施例提供的另一种内河水面自主船舶航行驾驶方法流程框图;
图4是根据本发明实施例提供的另一种内河水面自主船舶航行驾驶方法流程框图;
图5是根据本发明实施例提供的另一种内河水面自主船舶航行驾驶方法流程框图;
图6是根据本发明实施例提供的另一种内河水面自主船舶航行驾驶方法流程框图;
图7是根据本发明实施例提供的驾驶权切换流程框图;
图8是根据本发明实施例提供的驾驶可靠性评估流程框图;
图9是根据本发明实施例提供的自主船舶驾驶权迁移逻辑框图;
图10是根据本发明实施例提供的基于动态博弈论的驾驶判别器框图;
图11是根据本发明实施例提供的一种内河水面自主船舶航行驾驶装置原理框图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
本发明实施例提供一种内河水面自主船舶航行驾驶方法,能够对船舶的航行可靠性进行评估,从而较好的得到驾驶权切换的时机,提高了船舶驾驶模式切换的安全性和可靠性。参照图1,本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160、步骤S170和步骤180。
S110:获取自主船舶的第一驾驶状态数据。
S120:根据第一驾驶状态数据,建立自主船舶驾驶行为模型和船舶运动模型。
S130:根据自主船舶驾驶行为模型预测自主船舶的第二驾驶状态数据,并根据船舶运动模型计算航行状态数据。
S140:根据航行状态数据、自主船舶驾驶行为模型与船舶运动模型,计算自主船舶期望轨迹。
S150:根据自主船舶的第二驾驶状态数据与可靠性评估方法,建立自主船舶航行可行域模型。
S160:根据自主船舶期望轨迹与自主船舶航行可行域模型预测的船舶可行域,预测当前驾驶模式下驾驶风险。
S170:根据驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果。
S180:根据驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换。
在上述具体实施例工作过程中,首先对水面上的自主船舶的第一驾驶状态数据进行获取,其中,第一驾驶状态数据为自主船舶实际的驾驶状态数据,并根据获取到的驾驶状态数据建立自主船舶驾驶行为模型和船舶运动模型。进一步地,通过建立的自主船舶驾驶行为模型对水面自主船舶驾驶状态进行多周期预测,得到自主船舶的第二驾驶状态。同时,根据船模运动模型得到航行状态数据。结合自主船舶的航行状态数据、自主船舶驾驶行为模型以及船舶运动模型,计算得到自主船舶的期望轨迹。然后,根据预测的第二驾驶状态与可靠性评估方法,建立自主船舶航行可行域模型,并对自主船舶航行的可行域进行预测,得到船舶可行域。进一步地,根据自主船舶期望轨迹与船舶可行域,对当前模式下的驾驶风险和安全裕量进行计算。另外,通过航行风险评估方法得到航行风险。根据驾驶风险和航行风险,进行当前驾驶模式下航行可靠性的评估,得到驾驶可靠性评估结果,从而根据驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换,实现对自主船舶的航行风险评估以及根据评估结果进行相应的驾驶权切换,提高了自主船舶航行中驾驶权切换的安全性和切换时机的判断准确性。
在上述具体实施例中,通过获取实际状态下的自主船舶的驾驶状态数据,即第一驾驶状态数据。根据获取的第一驾驶状态数据,建立自主船舶驾驶行为模型和船舶运动模型,能够对自主船舶的驾驶状态进行预测,得到自主船舶的第二驾驶状态。进一步地,根据船舶运动模型得到自主船舶的航行状态数据。然后,根据船舶航行状态数据、自主船舶驾驶行为模型以及船舶运动模型预测自主船舶期望轨迹。进一步地,通过自主船舶的第二驾驶状态和可靠性评估方法,建立自主船舶可行域模型,并对自主船舶的可行域进行预测,实现对自主船舶航行可行域的预测和评估。然后结合自主船舶期望轨迹以及自主船舶的可行域进行推演计算,实现对当前驾驶模式下驾驶风险与安全裕量的评估。具体地,通过以下方法实现驾驶状态的预测。首先,为了描述自主航行模式和驾驶人操控模式的驾驶状态,定义自主船舶驾驶状态向量为M=[p,x,y,ψ,u,v,r,s,δ,o1,o2]T。其中,p表示驾驶模式(p=1为自主航行模式,p=2为驾驶人操控模式);x和y分别表示船舶在全局坐标系下的正北和正东方向坐标;ψ表示船首向;u和v分别表示船舶纵向和横向速度;r表示船舶首摇角速度;s表示船舶当前驾驶状态处于可行域的安全裕量(s>0表示处于可行域安全裕量,s越大,安全裕量越高;s=0表示处于不可行域);δ表示船舶实际舵角;o1和o2分别表示船舶左车钟和右车钟指令(对于单桨船舶,o1=o2)。对驾驶状态进行采样,得到k时刻船舶驾驶状态序列[Mk-n,Mk-n+1,...,Mk],即第一驾驶状态数据。其中,Mk表示k时刻采集的船舶驾驶状态数据,n为正整数。通过驾驶行为模型和船舶运动模型,对k时刻船舶第二驾驶状态进行多周期预测,即如下式(1)所示:
需要说明的是,可靠性评估方法通过结合驾驶风险和航行风险,利用隐马尔可夫概率评估当前驾驶模式下的航行可靠性。进一步地,根据驾驶风险和航行风险,对当前驾驶模式下的航行可靠性进行评估,得到驾驶可靠性评估结果,实现对当前驾驶模式的可靠性分析与评估。然后根据得到的驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换,从而实现对驾驶权的切换,并且能够较好地判断出驾驶权切换的时机,提高了船舶驾驶模式切换的安全性和可靠性。
参照图2,根据本发明的一些实施例,根据驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果,包括但不限于以下步骤:
S210:根据自主船舶的第一驾驶状态数据、第二驾驶状态数据以及航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果。
在上述具体实施例工作过程中,根据自主船舶的第一驾驶状态数据、第二驾驶状态数据以及航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果。具体地,通过驾驶者可靠性和航行可靠性分别描述驾驶状态和航行风险对驾驶可靠性的影响。通过船舶驾驶状态序列,即第一驾驶状态序列第二驾驶状态数据/>和航行风险R(k)可实现对驾驶可靠性的评估,得到当前驾驶模式下的驾驶可靠性评估结果。
参照图6,根据本发明的一些实施例,根据自主船舶的第一驾驶状态数据、第二驾驶状态数据以及航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果,包括但不限于以下步骤:
S610:根据自主船舶的第一驾驶状态数据、第二驾驶状态数据以及航行风险,通过隐马尔可夫概率计算当前驾驶模式下的航行可靠性,得到当前驾驶模式下的驾驶可靠性评估结果。
在上述具体实施例的工作过程中,结合自主船舶的第一驾驶状态数据、第二驾驶状态数据以及航行风险,根据隐马尔可夫概率对当前驾驶模式下的航行可靠性进行计算,得到当前驾驶模式下的驾驶可靠性评估结果。具体地,驾驶可靠性评估主要通过以下方法实现。首先,利用船舶驾驶状态序列即第一驾驶状态数据、第二驾驶状态数据和航行风险R(k)对驾驶可靠性的评估。其中,航行风险/>通过航行风险评估方法得到。通过隐马尔可夫概率理论对驾驶者可靠性进行建模与评估,定义驾驶者可靠性状态系列矩阵为/>其中S1∈[s1,s2],s1和s2分别表示驾驶状态正常和不正常。驾驶者可靠性状态/>不能直接观测,属于隐含状态。驾驶状态系列矩阵为/>属于观测状态。于是,驾驶者可靠性隐马尔可夫模型定义为/>其中A为驾驶状态转移矩阵;B为混淆矩阵,表示不同状态/>下状态/>出现的概率;π为初始状态概率分布。驾驶状态序列[M1,M2,...,Mn]出现的条件下,根据贝叶斯条件概率计算方法计算得到驾驶者可靠性状态概率为P(q1,q2,...,qn|M1,M2,...,Mn)。其中,qk∈[s1,s2]。根据驾驶者可靠性状态概率可预测未来时刻船舶驾驶者可靠性概率[PD1,...,PDn]。再根据未来预测时刻的船舶航行可靠性概率[PN1,...,PNn],得到当前驾驶模式下的驾驶可靠性概率R=F(PD1,...,PDn,PN1,...,PNn)。
参照图8,根据本发明的一些实施例,驾驶可靠性的评估流程中,首先进行数据的初始化,初始化z时刻和x时刻,即z=0,x=0。然后分别实时获取z时刻驾驶状态矩阵以及x时刻驾驶者可靠性矩阵/>进一步地,根据驾驶状态矩阵计算每个驾驶状态出现的概率P(M)。同时,对每个驾驶状态与驾驶者可靠性同时出现的概率P(M,S)。然后,根据每个驾驶状态出现的概率P(M)计算条件概率P(q1,q2,...,qn|S1,S2,...,Sn)。进一步地,根据计算得到的概率P(M,S)结合条件概率P(q1,q2,...,qn|S1,S2,...,Sn),对所有驾驶状态出现的概率之和PT进行计算。根据所有驾驶状态出现的概率之和PT对未来预测时刻驾驶者可靠性概率[PD1,...,PDn]进行预测。同时,对未来预测时刻的航行可靠性概率[PN1,...,PNn]进行预测。从而根据未来预测时刻驾驶者可靠性概率[PD1,...,PDn]以及未来预测时刻的航行可靠性概率[PN1,...,PNn],得到驾驶可靠性评价R,即驾驶可靠性概率R=F(PN1,...,PNn,PD1,...,PDn),实现对驾驶可靠性的评估。
参照图3,根据本发明的一些实施例,根据驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换,包括但不限于以下步骤:
S310:根据驾驶可靠性评估结果,建立驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数。
S320:根据驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数,通过驾驶权切换机制进行驾驶权切换。
在上述具体实施例工作过程中,首先根据驾驶可靠性评估结果,建立驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数。然后根据驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数,通过驾驶权切换机制进行驾驶权切换。具体地,将自主船舶驾驶权切换过程定义为一种动态博弈过程,建立起驾驶人驾驶权收益函数eH与自主航行驾驶权决策收益函数eA,根据驾驶权收益函数以及驾驶权切换机制进行驾驶权切换。相应地,驾驶权切换逻辑如图9所示,αH和αA分别表示驾驶人和自主航行控制系统对船舶控制的控制权因子,即表示对驾驶任务的控制权重。虽然,驾驶人在船舶驾驶过程中具有主导地位,但当驾驶人出现生理或心理障碍以及远程驾驶通信受限等情况时,自主航行控制系统也会强制夺回驾驶权。当驾驶人与自主航行控制系统都发出切换请求时,驾驶人的切换优先级高于自主航行控制系统。同时,基于动态博弈论的驾驶权判别器判别逻辑如图10所示。首先,将水面自主船舶驾驶权切换过程定义为一种动态博弈过程,即当前时刻船舶驾驶权主体(驾驶人或自主航行控制系统)与未来时刻船舶驾驶权主体之间是一种竞争关系。在驾驶权切换过程中,驾驶人驾驶权策略包括{保持,强制交出,选择交出,强制接管},分别表示为{KE,CG,OG,CA}。同样,自主航行控制系统驾驶权策略包括{保持,强制交出,强制接管},分别表示为{KE,CG,CA}。在水面自主船舶正常航行过程中,交换驾驶权始终会带来一定的风险和不确定性。因此,驾驶人驾驶权决策收益函数eH如下式(2)所示:
eH=rA-rC-rH (2)
式中,rA为自主航行控制系统驾驶风险(不可靠性);rC为驾驶权切换风险;rH为驾驶人驾驶风险。
同样地,自主航行驾驶权决策收益函数eA如下式(3)所示:
eA=rH-rC-rA (3)
式中,rH为驾驶人驾驶风险(不可靠性);rC为驾驶权切换风险;rA为自主航行控制系统驾驶风险。根据驾驶权收益函数以及驾驶权切换机制,得到基于动态博弈论的驾驶权切换判别器。
根据本发明的一些实施例,驾驶权切换机制包括强制性切换和选择性切换。具体地,当驾驶人和自主航行系统均能胜任驾驶任务时,可以进行驾驶模式的选择性切换。当驾驶人或者自主航行系统无法胜任驾驶任务时,则进行驾驶权的强制性切换。
根本发明的一些实施例,驾驶权切换机制包括强制性切换和选择性切换,包括但不限于以下步骤:
S910:当驾驶人驾驶权收益或自主航行驾驶权决策收益不满足阈值,将驾驶模式由驾驶人操控模式强制性切换至自主航行模式或将驾驶模式由自主航行模式强制性切换至驾驶人操控模式。
S920:当驾驶人驾驶权收益或自主航行驾驶权决策收益均满足阈值,能够将驾驶模式由驾驶人操控模式选择性切换至自主航行模式或将驾驶模式由自主航行模式选择性切换至驾驶人操控模式。
在上述具体实施例工作过程中,参照图9,当前驾驶模式为驾驶人操控模式时,驾驶人对船舶控制的控制权因子αH为1,即表示驾驶人对驾驶任务的控制权重为1。当前驾驶模式为自主航行模式时,自主航行控制系统对船舶控制的控制权因子αA为1,即表示自主航行控制系统对驾驶任务的控制权重为1。相应地,驾驶权切换过程中,αA+αH=1,即驾驶人和自主航行控制系统对船舶控制的控制权因子总和为1。例如,当由驾驶人操控模式切换为自主航行模式过程中,驾驶人对驾驶任务的控制权重逐渐减小至0,自主航行控制系统对驾驶任务的控制权重逐渐增大至1。当驾驶人驾驶权收益不满足阈值时,则表示驾驶人无法胜任驾驶任务,此时进行强制切换,将驾驶权由驾驶人强制切换到自主航行控制系统,即从驾驶人操控模式切换至自主航行模式。同样地,当发现自主航行驾驶权决策收益不满足阈值,则说明自主航行系统无法胜任驾驶任务,此时,将驾驶模式由自主航行模式强行切换至驾驶人操控模式。需要说明的是,当驾驶人无法胜任驾驶任务或者发现自主航行系统无法胜任驾驶任务时,驾驶人可以发起强制切换,将驾驶模式由驾驶人操控模式切换至自主航行模式或者将自主航行模式切换至驾驶人操控模式。同样地,当自主航行系统检测到驾驶人无法胜任驾驶任务或者自主航行系统无法胜任驾驶任务时,自主航行系统也会发起强制性切换,将驾驶模式由驾驶人操控模式切换至自主航行模式或者将自主航行模式切换至驾驶人操控模式,从而提高了船舶驾驶模式切换的安全性以及可靠性。
参照图4,根据本发明的一些实施例,在执行根据驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换这一步骤后,还包括但不限于以下步骤:
S410:构建自主船舶切换预测模型。
S420:根据自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解。
S430:根据驾驶权分配最优解进行驾驶权切换。
在上述具体实施例工作过程中,首先构建自主船舶切换预测模型,并根据自主船舶切换预测模型,对多约束条件下的驾驶权分配最优解进行计算。进一步地根据计算得到的驾驶权分配最优解进行驾驶权切换,从而实现驾驶权柔性切换,并且提高了驾驶权切换的稳定性。具体地,首先构建自主船舶切换预测模型,定义自主船舶航行预设状态为船舶驾驶权切换基准行为,即BD={TD,OD},其中TD表示船舶预设轨迹,OD表示船舶预设操控指令。以驾驶权控制因子αH和αA为控制变量,建立船舶切换行为预测模型,如下式(4)所示:
BP=g(BD,τ,αH,αA) (4)
式中,Bp表示船舶预测行为,g(·)为船舶行为预测函数,τ为通信时延。
进一步地,对多约束下的驾驶权分配最优解进行计算。具体地,定义自主船舶切换过程的动态时间窗口长度为N个周期,根据船舶切换行为预测模型,可以得到k时刻预测行为集,即{BP(k+1),...,BP(k+N)}。驾驶权切换过程存在输入饱和、可行域限制等多种约束,即αH∈[0,1],αA∈[0,1],其中,/>为行为约束。以自主航行模式切换至驾驶人操控为例,构建驾驶权分配最优问题如下式(5):
满足下式(6):
式中,Q和R为权重矩阵。通过求解最优化问题得到最优驾驶权分配序列,如下式(7)所示:
参照图5,根据本发明的一些实施例,在执行根据自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解这一步骤之后,包括但不限于以下步骤:
S510:构建李雅普诺夫函数。
S520:根据建立的李雅普诺夫函数,设置终端约束。
在上述具体实施例工作过程中,通过构建李雅普诺夫函数,设置终端约束,缓解干扰对切换控制过程的影响。具体地,驾驶权切换控制的稳定性受驾驶行为、不确定性干扰等因素的影响。通过鲁棒控制思想和终端约束设置能够有效抵抗干扰对切换控制过程的影响,再通过设置终端约束和建立李雅普诺夫函数从数学上提高切换过程的稳定性。
参照图7,根据本发明的一些实施例,驾驶权切换过程如图7所示。具体地,自主船舶驾驶分为机驾阶段和人驾阶段,即自主航行模式和驾驶人操控模式。驾驶权接管发出时刻至驾驶权接管时刻过程中耗费的时间为切换时间,即驾驶权切换时间。在驾驶权切换过程中,首先通过建立驾驶行为模型和船舶运动模型,对自主船舶驾驶状态进行多周期预测,得到自主船舶的第二驾驶状态以及航行状态数据。进一步地,根据船舶航行状态数据、自主船舶驾驶行为模型以及船舶运动模型,计算自主船舶期望轨迹。同时,根据自主船舶的第二驾驶状态数据以及可靠性评估方法,构建自主船舶航行可行域模型,并对自主船舶的航行可行域进行计算。进一步地,通过自主船舶期望轨迹与航行可行域,预测当前驾驶模式下的驾驶风险以及安全裕量。并根据得到的驾驶风险以及通过航行风险评估方法得到的航行风险,进行当前驾驶模式下航行可靠性的评估,得到驾驶可靠性评估结果。然后根据驾驶可靠性评估结果进行切换判别。同时,通过构建自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解,然后根据计算得到的驾驶权分配最优解进行驾驶权切换,实现驾驶权的柔性切换。
参照图11,本发明的一个实施例还提供了一种内河水面自主船舶航行驾驶装置,包括:至少一个处理器710;至少一个存储器720,用于存储至少一个程序;该至少一个存储器720上存储有可执行程序,该可执行程序被该至少一个处理器710执行,例如执行以上实施例描述的步骤。
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,例如,执行以上实施例描述的步骤。
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。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (7)
1.一种内河水面自主船舶航行驾驶方法,其特征在于,包括以下步骤:
获取所述自主船舶的第一驾驶状态数据;
根据所述第一驾驶状态数据,建立自主船舶驾驶行为模型和船舶运动模型;
根据所述自主船舶驾驶行为模型预测所述自主船舶的第二驾驶状态数据,并根据所述船舶运动模型计算航行状态数据;
根据所述航行状态数据、所述自主船舶驾驶行为模型与所述船舶运动模型,计算自主船舶期望轨迹;
根据所述自主船舶的第二驾驶状态数据与可靠性评估方法,建立自主船舶航行可行域模型;
根据所述自主船舶期望轨迹与所述自主船舶航行可行域模型预测的船舶可行域,预测当前驾驶模式下驾驶风险;
根据所述驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果;
根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换;
其中,所述根据所述驾驶风险与航行风险,评估当前驾驶模式下航行可靠性,得到驾驶可靠性评估结果,包括:
根据所述自主船舶的所述第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果;
其中,所述根据所述自主船舶的所述第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,对当前模式下的驾驶可靠性进行评估,得到当前驾驶模式下的驾驶可靠性评估结果,包括:
根据所述自主船舶的第一驾驶状态数据、所述第二驾驶状态数据以及所述航行风险,通过隐马尔可夫概率计算当前驾驶模式下的航行可靠性,得到当前驾驶模式下的驾驶可靠性评估结果;
其中,k时刻所述自主船舶的所述第一驾驶状态数据如下式:
[Mk-n,Mk-n+1,…,Mk]
其中,式中Mk表示k时刻采集的船舶驾驶状态数据,n为正整数;
其中,所述根据所述自主船舶驾驶行为模型预测所述自主船舶的第二驾驶状态数据,包括:
定义自主船舶驾驶状态向量如下式:
M=[p,x,y,ψ,u,v,r,s,δ,o1,o2]T
其中,式中p表示驾驶模式;x和y分别表示船舶在全局坐标系下的正北和正东方向坐标;ψ表示船首向;u和v分别表示船舶纵向和横向速度;r表示船舶首摇角速度;s表示船舶当前驾驶状态处于可行域的安全裕量;δ表示船舶实际舵角;o1和o2分别表示船舶左车钟和右车钟指令;
通过所述自主船舶驾驶行为模型和船舶运动模型,对k时刻所述自主船舶的所述第二驾驶状态进行多周期预测,如下式:
其中,所述根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换,包括以下步骤:
根据所述驾驶可靠性评估结果,建立驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数;
根据所述驾驶人驾驶权收益函数与自主航行驾驶权决策收益函数,通过驾驶权切换机制进行驾驶权切换。
2.根据权利要求1所述的内河水面自主船舶航行驾驶方法,其特征在于,在执行所述根据所述驾驶可靠性评估结果,通过驾驶权切换判别器进行驾驶权切换这一步骤后,还包括以下步骤:
构建自主船舶切换预测模型;
根据所述自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解;
根据所述驾驶权分配最优解进行驾驶权切换。
3.根据权利要求2所述的内河水面自主船舶航行驾驶方法,其特征在于,在执行所述根据所述自主船舶切换预测模型,计算多约束条件下的驾驶权分配最优解这一步骤之后,包括以下步骤:
构建李雅普诺夫函数;
根据建立的所述李雅普诺夫函数,设置终端约束。
4.根据权利要求1所述的内河水面自主船舶航行驾驶方法,其特征在于,所述驾驶权切换机制包括强制性切换和选择性切换。
5.根据权利要求4所述的内河水面自主船舶航行驾驶方法,其特征在于,所述驾驶权切换机制包括强制性切换和选择性切换,包括:
当驾驶人驾驶权收益或自主航行驾驶权决策收益不满足阈值,将驾驶模式由驾驶人操控模式强制性切换至自主航行模式或将所述驾驶模式由所述自主航行模式强制性切换至所述驾驶人操控模式;
当所述驾驶人驾驶权收益或所述自主航行驾驶权决策收益均满足阈值,能够将驾驶模式由所述驾驶人操控模式选择性切换至所述自主航行模式或将所述驾驶模式由所述自主航行模式选择性切换至所述驾驶人操控模式。
6.一种内河水面自主船舶航行驾驶装置,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5任一项所述的内河水面自主船舶航行驾驶方法。
7.一种计算机存储介质,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在由所述处理器执行时用于实现如权利要求1至5任一项所述的内河水面自主船舶航行驾驶方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500715.XA CN114384900B (zh) | 2021-12-09 | 2021-12-09 | 内河水面自主船舶航行驾驶方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500715.XA CN114384900B (zh) | 2021-12-09 | 2021-12-09 | 内河水面自主船舶航行驾驶方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114384900A CN114384900A (zh) | 2022-04-22 |
CN114384900B true CN114384900B (zh) | 2023-12-12 |
Family
ID=81195602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111500715.XA Active CN114384900B (zh) | 2021-12-09 | 2021-12-09 | 内河水面自主船舶航行驾驶方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384900B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544295B (zh) * | 2022-10-13 | 2023-07-28 | 大连海事大学 | 一种支持船舶安全/自主航行的船载智能海图系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871418A (zh) * | 2017-12-27 | 2018-04-03 | 吉林大学 | 一种用于评价人机共驾可靠性的实验平台 |
CN109272148A (zh) * | 2018-08-24 | 2019-01-25 | 四川大学 | 煤化工园区集成水资源和排污权分配的二层决策优化方法 |
DE102018116633A1 (de) * | 2018-02-21 | 2019-08-22 | Hyundai Motor Company | Vorrichtung und verfahren zum steuern einer fahrmodusumschaltung eines fahrzeugs und fahrzeugsystem |
CN110544380A (zh) * | 2019-09-17 | 2019-12-06 | 东南大学 | 一种面向道路合流区域的实时车道级安全态势评估方法 |
CN113682302A (zh) * | 2021-08-03 | 2021-11-23 | 中汽创智科技有限公司 | 一种驾驶状态估计方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10710590B2 (en) * | 2017-12-19 | 2020-07-14 | PlusAI Corp | Method and system for risk based driving mode switching in hybrid driving |
-
2021
- 2021-12-09 CN CN202111500715.XA patent/CN114384900B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871418A (zh) * | 2017-12-27 | 2018-04-03 | 吉林大学 | 一种用于评价人机共驾可靠性的实验平台 |
DE102018116633A1 (de) * | 2018-02-21 | 2019-08-22 | Hyundai Motor Company | Vorrichtung und verfahren zum steuern einer fahrmodusumschaltung eines fahrzeugs und fahrzeugsystem |
CN109272148A (zh) * | 2018-08-24 | 2019-01-25 | 四川大学 | 煤化工园区集成水资源和排污权分配的二层决策优化方法 |
CN110544380A (zh) * | 2019-09-17 | 2019-12-06 | 东南大学 | 一种面向道路合流区域的实时车道级安全态势评估方法 |
CN113682302A (zh) * | 2021-08-03 | 2021-11-23 | 中汽创智科技有限公司 | 一种驾驶状态估计方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Cooperative ship formation system and control methods in the ship lock waterway;柳晨光;《Ocean Engineering》;全文 * |
Ship predictive collision avoidance method based on an improved beetle antennae search algorithm;Xie Shuo;《Ocean Engineering》;全文 * |
基于预测控制的无人船运动控制方法研究;柳晨光;《工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114384900A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11914376B2 (en) | USV formation path-following method based on deep reinforcement learning | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
Zinchenko et al. | Automatic collision avoidance system with many targets, including maneuvering ones | |
CN112100917B (zh) | 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法 | |
CN114194211B (zh) | 一种自动驾驶方法、装置及电子设备和存储介质 | |
CN113128826B (zh) | 通航风险预测方法、装置和存储介质 | |
CN114384900B (zh) | 内河水面自主船舶航行驾驶方法、装置及存储介质 | |
CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
CN113156947A (zh) | 一种船舶在动态环境下的路径规划的方法 | |
Rongcai et al. | Autonomous collision avoidance system in a multi-ship environment based on proximal policy optimization method | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
CN112596393B (zh) | 船舶路径跟踪的控制方法、系统和存储介质 | |
Dickson et al. | Uncertainty in marine weather routing | |
Xue et al. | Online identification of a ship maneuvering model using a fast noisy input Gaussian process | |
Wang et al. | Quantifying multicollinearity in ship manoeuvring modeling by variance inflation factor | |
CN112977412A (zh) | 一种车辆控制方法、装置、设备及计算机存储介质 | |
CN116476863A (zh) | 基于深度强化学习的自动驾驶横纵向一体化决策方法 | |
Zheng et al. | Research on autonomous collision avoidance of merchant ship based on inverse reinforcement learning | |
Liu et al. | Autonomous highway merging in mixed traffic using reinforcement learning and motion predictive safety controller | |
CN117406756B (zh) | 一种运动轨迹参数的确定方法、装置、设备和存储介质 | |
CN113741176A (zh) | 基于Koopman分析的船舶靠离泊控制方法、装置及存储介质 | |
CN114030488B (zh) | 实现自动驾驶决策的方法、装置、计算机存储介质及终端 | |
CN116461507A (zh) | 一种车辆驾驶决策方法、装置、设备和存储介质 | |
Yuan et al. | EMPMR berthing scheme: A novel event-triggered motion planning and motion replanning scheme for unmanned surface vessels | |
Jose et al. | Navigating the Ocean with DRL: Path following for marine vessels |
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 |