CN114879675A - 用于受限水域航路自动规划的数值化优化方法 - Google Patents

Abstract

本发明涉及智能控制的技术领域，具体是涉及一种用于受限水域航路自动规划的数值化优化方法，包括以下步骤：建立航行区域的可航概率模型。将可航概率模型与RRT‑Connect算法结合，生成初始航路。建立面向航路优化的GAC改进模型，对初始航路进行平滑优化，得到平滑优化航路。对平滑优化航路进行转向点二次筛选，生成适于航行的优化航路。该方法具有良好的适用性，可以根据不同的航行要求建立可航概率模型，从而解决了目前航行区域环境建模不准确的问题，通过面向航路优化的GAC改进模型实现了对航路的路径长度、路径平滑、航行通过性以及航行安全等多目标优化，提高了航路的船舶可操纵性。

Description

用于受限水域航路自动规划的数值化优化方法

技术领域

本发明涉及智能控制的技术领域，特别是涉及一种用于受限水域航路自动规划的数值化优化方法。

背景技术

目前，世界各国对海洋资源日益重视，建设海洋强国顺应世界发展趋势，是国家和民族的重大战略目标。无人船相关技术为人类大规模探索与研究海洋提供了有效手段，并作为新型智能化设备有着非常广泛的应用。而作为推动无人船发展的关键技术之一，路径规划的水平更是能在一定程度上反映无人船的智能化程度。

在此之前，无人船的路径规划算法大多是在简化航行区域环境的基础上进行路径搜索和路径优化。在航行区环境建模方面有采用Maklink图论方式构建航行网格图的；也有采用栅格法直接将海洋环境的卫星图映射为网格地图的等等。这些建模方法大多采用了简化处理的手段或者缺少对水文气象的考虑。在路径搜索和路径优化过程中多数将无人船视为质点，忽略了船舶尺寸等客观因素。在路径优化过程中常以路径长度和路径平滑作为约束条件，缺少对航行安全性的考虑，因此规划出的路径实用性不强。

发明内容

基于此，有必要针对上述技术问题，提供一种具有较强可操纵性及实用性的用于受限水域航路自动规划的数值化优化方法。

一种用于受限水域航路自动规划的数值化优化方法，所述方法包括：

建立航行区域的可航概率模型；

将所述可航概率模型与RRT-Connect算法结合，生成初始航路；

建立面向航路优化的GAC改进模型，对所述初始航路进行平滑优化，得到平滑优化航路；

对所述平滑优化航路进行转向点二次筛选，生成适于航行的优化航路。

进一步的，所述建立航行区域的可航概率模型，包括：

将所述航行区域网格化，并建立船舶的可航概率模型，为：

P_n＝min(P_d,P_o,λP_m)

式中，P_n为船舶的可航概率模型，P_d为船舶吃水可航因子，P_o为碍航物可航因子，P_m为水文气象可航因子，P_d,P_o,P_m均为与航行区域网格大小相同的矩阵，λ为水文气象因子P_m的权重，航行区域中某网格(i,j)的可航概率P_n(i,j)的值域为[0,1]，其中0表示完全不可通航，1表示完全可以通航。

进一步的，所述航行区域中某网格的船舶吃水可航因子，为：

式中，d(i,j)表示航行网格区域(i,j)的水深，h为根据船舶吃水要求设定的吃水深度阈值，P_d(i,j)＝1表示该网格满足船舶吃水深度条件可以通航，P_d(i,j)＝0表示该网格不满足船舶吃水深度条件不可通航；

所述航行区域中某网格的碍航物可航概率因子，为：

式中，P_o(i,j)＝1表示该网格没有碍航物，可以通航，P_o(i,j)＝0表示该网格有障碍物不可通航；

所述航行区域中某网格的水文气象可航因子，为：

式中，V_l＝{能见度,风,浪,流}为四种影响航行的气象水文参数，l取值为[1,4]，V_l(i,j)为网格(i,j)内各气象水文因素对应的风险等级，w(V_l)的各气象水文参数在气象水文可航概率P_m(i,j)中对应的权重。

进一步的，所述将所述可航概率模型与RRT-Connect算法结合，生成初始航路，包括：

初始化起始点、终点和障碍物，将起点、终点信息加入到起点随机树和终点随机树，并在航行区域内生成随机点；

在所述起点随机树内寻找距随机点欧氏距离最小的点，根据判断条件判断是否将所述随机点加入所述起点随机树，所述判断条件包括：

判断条件一：所述随机点和第一最近点的连线可以通过碰撞检测，所述第一最近点为所述起点随机树内距所述随机点欧式距离最小的点；

判断条件二：所述随机点与所述第一最近点之间的距离小于随机树生长步长；

判断条件三：所述随机点和所述第一最近点连线经过的网格的可通行判断条件，为：

式中，r(i,j)表示所述随机点与所述第一最近点连线所穿过的网格(i,j)是否可以通行，若值为1表示可通行，否则表示不可通行，rand(x)为[0,1]之间均匀分布的随机数，P_n(i,j)表示网格(i,j)的可航概率，即如果生成的随机数小于等于网格(i,j)的可航概率P_n(i,j)，表示该网格可通行，否则表示不可通行。

进一步的，所述根据判断条件判断是否将所述随机点加入所述起点随机树，之后包括：

判断规则如下：

判断规则一：如果满足所述判断条件一、判断条件二和判断条件三，则将所述随机点设为第一新点，并将所述第一新点加入所述起点随机树；

判断规则二：如果满足所述判断条件一和判断条件三，则在所述随机点与所述第一最近点的连线上选取与所述第一最近点的距离为所述随机树生长步长的节点作为第一新点，将所述第一新点加入所述起点随机树；

判断规则三：如果不满足所述判断条件一和判断条件三中的任何一个，则重新生成随机点。

进一步的，将所述第一新点作为所述终点随机树的随机点，在所述判断规则中求得第二最近点和第二新点并更新所述终点随机树：

判断所述起点随机树和所述终点随机树的第一新点与第二新点的距离是否小于所述随机树生长步长；

若不满足，则交换所述起点随机树和所述终点随机树，重新生成随机点，进行下一次迭代，并重复判断所述起点随机树和所述终点随机树的第一新点与第二新点的距离是否小于所述随机树生长步长；

若满足，则返回所述起点随机树与所述终点随机树的连接点信息，路径搜索结束，得出初始航路。

进一步的，所述建立面向航路优化的GAC改进模型，对所述初始航路进行平滑优化，得到平滑优化航路，包括：

根据航行需求定义航行斥力场并结合所述航行区域的可航概率模型，对GAC模型能量泛函中的特征值函数进行重新定义，并根据航路优化需求修改GAC算法中节点搜索的边界条件，得到GAC改进模型；

采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，得到所述平滑优化航路。

进一步的，所述采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，得到所述平滑优化航路，之后包括：

将所述GAC模型与水平集方法相结合将求解主动轮廓模型中的能量泛函最小值问题转换为求解黎曼空间中的测地曲线，其最小化能量泛函为：

式中，L(C)表示曲线弧长，C(q)是参数化平面曲线，I:[0,a]×[0,b]→R⁺为曲线所在区域的能量特征值矩阵，g(I)为边缘指示函数，主要作用是在对象边界处停止曲线的演化，为：

式中，

是I经高斯平滑后的结果，p是常数，一般取1或2，GAC模型应用水平集方法来模拟初始曲线沿能量下降最快的方向演化的过程,以便求得最佳的边界轮廓曲线，其梯度下降曲线演化方程的欧拉形式为：

式中，div表示散度，用于表征空间各点矢量场发散的强弱程度，此时求能量的最小值转换为求

的解；

所述面向航路优化的GAC改进模型的能量泛函特性值矩阵为：

式中，I_dist为航行斥力特征值，I_p表示可航概率模型特征值；

所述航行斥力特征值矩阵为在航行区域网格环境图基础上给航行障碍区域添加的斥力场，航行网格区域内某网格的斥力值与该网格与碍航区的最近欧式距离成反比，斥力影响半径由船舶尺寸等因素决定，单位为网格数，航行区域中某网格的障碍物斥力特征值为：

式中，D(i,j)表示点到最近障碍区域的距离(不考虑D(i,j)为0的情况)，d₀表示斥力影响半径；为满足航行安全距离，要求：

式中，d_s为船舶宽度，d_w为满足船舶吃水和富余水深的最远离岸距离，d_l和d_k分别为网格长、宽对应的实际距离；

所述航行区域中某网格的可航概率模型特征值为：

式中，γ表示引入可航概率模型的权重，取值范围为[0,1]。

进一步的，所述采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，包括：

所述根据航路优化需求修改GAC算法中节点搜索的边界条件，航路序列中的起点和终点在航路曲线优化的迭代过程中不会发生位置的移动；

计算所述航行区域各网格的特征值及其梯度和水平集函数的梯度；

根据GAC梯度下降曲线演化方程移动航路曲线的航路点，每次移动一个步长；

计算前后两次迭代生成的航路曲线的能量的相对误差，并循环迭代，所述曲线能量的相对误差为：

式中，E(C(q))_m表示GAC算法第m次迭代后的曲线C(q)能量值；

当迭代次数达到设定最大迭代次数或者曲线能量相对误差小于设定阈值时，曲线演化终止，得到优化航路曲线。

进一步的，所述对所述平滑优化航路进行转向点二次筛选，生成适于航行的优化航路，包括：

将所述平滑优化航路的航路点序列从起点开始逐点检测后续航路点与所述起点的连通性，直至检测到从所述起点与第一后续航路点的连线无法通过碰撞检测时，将所述第一后续航路点的前一个航路点加入转向点序列中；

当检测到所述第一后续航路点的前一个航路点与第二后续航路点的连线无法通过碰撞检测时，将所述优化航路点序列中的所述第二后续航路点的前一个航路点加入所述转向点序列中，重复该过程遍历至曲线的末端航路点，最后将所述曲线的末端航路点加入所述转向点序列，则航路转向点二次筛选过程结束，得到适于航行的优化航路。

上述用于受限水域航路自动规划的数值化优化方法，包括以下步骤：建立航行区域的可航概率模型，可以根据不同的航行要求建立可航概率模型，从而解决了目前航行区域环境建模不准确的问题。将可航概率模型与RRT-Connect算法结合，生成初始航路。建立面向航路优化的GAC改进模型，对初始航路进行平滑优化，得到平滑优化航路。对平滑优化航路进行转向点二次筛选，生成适于航行的优化航路，进一步优化航路。该方法通过面向航路优化的GAC改进模型实现了对航路的路径长度、路径平滑、航行通过性以及航行安全等多目标优化，提高了航路的船舶可操纵性。

附图说明

图1为本发明中一个实施例的用于受限水域航路自动规划的数值化优化方法工作流程图；

图2为本实施例的航行区域可航概率计算示意图；

图3为本实施例的水文气象对初始路径选择的影响示意图；

图4为本实施例的CAG改进模板算法中特征值计算示意图；

图5为本实施例的基于RRT-GAC算法自动规划与优化示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

如图1所示，在一个实施例中，一种用于受限水域航路自动规划的数值化优化方法，包括以下步骤：

步骤S110：建立航行区域的可航概率模型。

将航行区域进行网格化，按陆地与水区以及障碍物的复杂程度和通航船舶的大小将实验区域划分为m×n的网格，网格对应的实际距离以船长的三倍为基准，并在此基础上建立矩阵大小为m×n的船舶可航概率模型P_n，该模型由船舶吃水可航因子P_d、碍航物可航因子P_o以及水文气象可航因子P_m等多种影响航行通过性的可航概率因子构成，具体表述如下：

P_n＝min(P_d,P_o,λP_m) (1)

其中，P_d、P_o、P_m均为与航行区网格大小相同的矩阵，λ为水文气象因子P_m的权重，航行区域中某网格(i,j)的可航概率P_n(i,j)的值域为[0,1]，其中0表示完全不可通航，1表示完全可以通航。

在式(1)中，定义航行区域中某网格(i,j)的吃水可航概率因子P_d(i,j)如式(2)所示：

其中，d(i,j)表示航行网格区域(i,j)的水深，h为根据船舶吃水要求设定的吃水深度阈值，P_d(i,j)＝1表示该网格满足船舶吃水深度条件可以通航，P_d(i,j)＝0表示该网格不满足船舶吃水深度条件不可通航。

在式(1)中，定义航行区域中某网格(i,j)的碍航物可航概率因子P_o(i,j)如式(3)所示：

其中，P_o(i,j)＝1表示该网格没有碍航物，可以通航，P_o(i,j)＝0表示该网格有障碍物不可通航。

在式(1)中，定义航行区域中某网格(i,j)受水文气象影响的可航概率因子P_m(i,j)如式(4)所示：

其中，V_l＝{能见度,风,浪,流}为四种影响航行的气象水文参数，l取值为1-4，V_l(i,j)为网格(i,j)内各气象水文因素对应的风险等级，w(V_l)的各气象水文参数在气象水文可航概率P_m(i,j)中对应的权重，V_l风险等级划分表如表1所示。

表1水文气象不同影响因子风险等级划分表

如图2所示，在本实施例中，航行区域水深阈值为0可航概率因子矩阵P_d和碍航物可航概率因子矩阵P_o分别如图2(a)(b)所示，水文气象因子(V_ij)_m×n对应风险等级V_l(i,j)和权重w(V_l)如式(5)所示。

将V_l(i,j)和w(V_l)带入式(4)得受水文气象影响的可航概率因子矩阵P_m如图2(c)所示，将P_d、P_o、P_m，带入式(1)，并取λ为1时，航行区可航概率如图2(d)所示。

步骤S120：将可航概率模型与RRT-Connect算法结合，生成初始航路。

将步骤S110中的航行区可航概率模型P_n与RRT-Connect方法结合生成初始航路，主要包括以下步骤：

(1)初始化起始点、终点和障碍物，将起点、终点信息加入到起点随机树

和终点随机树

并在航行区C_free内生成随机点q_rand。

(2)在

内寻找距q_rand欧氏距离最小的点即第一最近点q_nearest1，判断是否可以将q_rand加入起点随机树

需要根据如下判断条件进行判断：

判断条件一：q_rand和q_nearest1的连线可以通过碰撞检测。

判断条件二：随机点q_rand与第一最近点q_nearest1之间的距离distance(q_rand,q_nearest1)小于随机树生长步长S_step。

判断条件三：q_rand和q_nearest1连线经过的网格(i,j)是否可以通行通过式(6)的判断条件：

其中，r(i,j)表示随机点q_rand与第一最近点q_nearest1连线中穿过的网格(i,j)是否可以通行，若值为1表示可通行，否则表示不可通行。rand(x)为[0,1]之间均匀分布的随机数，P_n(i,j)表示网格(i,j)的可航概率。即如果生成的随机数小于等于网格(i,j)的可航概率P_n(i,j)，表示该网格可通行，否则表示不可通行。

根据上述判断条件，判断是否可以将q_rand加入

判断规则如下：

判断规则一：如果满足判断条件一、判断条件二和判断条件三，则将q_rand设为第一新点q_new1，并将q_new1加入

判断规则二：如果满足判断条件一和判断条件三，则在q_rand与q_nearest1的连线上选取与q_nearest1的距离为S_step的节点作为第一新点q_new1，将q_new1加入

判断规则三：如果不满足判断条件一和判断条件三中的任何一个，则重新生成q_rand。

(3)将q_new1作为

的q_rand，按步骤(2)求得第二最近点q_nearest2和第二新点q_new2并更新

之后判断

和

的最新节点距离是否小于S_step，若不满足，则交换

和

并重复上述步骤进行下一次迭代，若满足则返回

和

的连接点信息，路径搜索结束，得出初始路径点序列C_I＝{C_I(1),C_I(2),…,C_I(n)}。

如图3所示，在本实施例中，航行区可航概率模型采用图2中数据，当λ分别为0和1时，RRT-Connect搜索的结果如图3(a)(b)所示。

步骤S130：建立面向航路优化的GAC改进模型，对初始航路进行平滑优化，得到平滑优化航路。

根据航行需求定义航行斥力场并结合步骤S110中的航行区可航概率模型对GAC模型能量泛函中的特征值函数进行重新定义，并根据航路优化需求修改GAC算法中节点搜索的边界条件。在此基础上，采用面向航路优化的GAC改进模板对初始航路进行平滑优化。GAC模型结合水平集方法，将求解主动轮廓模型中的能量泛函最小值问题转换为求解黎曼空间中的测地曲线，其最小值能量泛函定义为：

其中，L(C)表示曲线弧长，C(q)是参数化平面曲线，I:[0,a]×[0,b]→R⁺为曲线所在区域的能量特征值矩阵，g(I)为边缘指示函数，主要作用是在对象边界处停止曲线的演化，如式(8)所示：

其中，

是I经高斯平滑后的结果，p是常数，一般取1或2；GAC模型应用水平集方法来模拟初始曲线沿能量下降最快的方向演化的过程,以便求得最佳的边界轮廓曲线，其梯度下降曲线演化方程的欧拉形式如式(9)所示：

其中，div表示散度，用于表征空间各点矢量场发散的强弱程度，此时求式(7)能量的最小值转换为求式(9)

的解。

如图4所示，在本实施例中，根据航行需求定义斥力场并结合步骤S110建立的可航概率模型，如图4(d)面向航路优化的GAC改进模型的能量泛函特征值矩阵I定义如式(10)所示：

如图4(a)式(10)中航行斥力特征值矩阵I_dist，定义为在航行区网格环境图基础上给航行障碍区域添加的斥力场，航行网格区域内某网格的斥力值与该网格与碍航区的最近欧式距离成反比，斥力影响半径d₀由船舶尺寸等因素决定，单位为网格数。如图4(b)航行区域中某网格(i,j)的障碍物斥力特征值I_dist(i,j)定义如式(11)所示：

其中，D(i,j)表示点到最近障碍区域的距离(不考虑D(i,j)为0的情况)，d₀表示斥力影响半径，为满足航行安全距离，要求：

其中，d_s为船舶宽度，d_w为满足船舶吃水和富余水深的最远离岸距离，d_l和d_k分别为网格长、宽对应的实际距离。

如图4(c)式(11)中航行区域中某网格(i,j)的可航概率模型特征值I_p(i,j)定义如式(13)所示：

I_p(i,j)＝1-γP_n(i,j) (13)

其中，γ表示引入可航概率模型的权重，取值范围为[0,1]。

如图5(a)(b)所示，面向航行的GAC改进模型对步骤S120输出的初始路径点序列C_I＝{C_I(1),C_I(2),…,C_I(n)}进行初始路径平滑优化包括以下步骤：

(1)根据航路优化需求修改GAC算法中节点搜索的边界条件，通过施加边界条件，要求航路序列中起点C_I(1)和终点C_I(n)在航路曲线优化的迭代过程中不会随着算法的进行发生位置的移动。

(2)根据式(7)至式(13)计算航行区域各网格的特征值I及其梯度

和水平集函数Φ的梯度

(3)根据GAC梯度下降曲线演化方程，即式(9)，移动航路曲线的航路点，每次移动一个步长。

(4)计算前后两次迭代生成的航路曲线的能量的相对误差δ，并循环迭代，δ的定义如式(14)所示：

其中，E(C(q))_m表示GAC算法第m次迭代后的曲线C(q)能量值。

(5)当迭代次数达到设定最大迭代次数N或曲线能量相对误差δ小于设定阈值Δ，曲线演化终止，得到优化航路曲线C_II＝{C_II(1),C_II(2),…,C_II(n)}。

步骤S140：对平滑优化航路进行转向点二次筛选，生成适于航行的优化航路。

在本实施例中，在保障航行安全的前提下,为提高船舶航行的操作性，按照航行习惯对步骤S130生成的平滑优化路进行转向点二次筛选，具体步骤如下：

(1)如图5(c)所示，设二次筛选的转向点序列为C_III，并设置C_III的初始航路点序列为C_III＝{C_II(1)}，将步骤S130生成的优化航路点序列C_II＝{C_II(1),C_II(2),…,C_II(29)}。如图5(d)所示，从起点C_II(1)开始逐点检测后续路径点与C_II(1)的连通性，直至检测到从C_II(1)与C_II(19)的连线第一次无法通过碰撞检测，将C_II序列中C_II(19)的前一个点C_II(18)加入C_III中。此处的碰撞检测不仅保证了路径与障碍物不会发生碰撞，还保证了离最近障碍物大于0.1个网格的安全距离。因为从C_II(1)到C_II(19)的连线离最近障碍物距离为0.096，从C_II(1)到C_II(18)的连线离最近障碍物距离为0.116，所以将C_II(18)加入C_III，此时C_III＝{C_II(1),C_II(18)}。

(2)如图5(e)所示，从C_II(18)继续重复步骤(1)的过程遍历至C_II(29)，并以C_II(18)作为新的碰撞检测线的起点，由于在此过程中没有新的碰撞出现，因此将C_II序列中的末端航路点C_II(29)加入C_III，航路转向点二次筛选过程结束，C_III＝{C_II(1),C_II(18),C_II(29)}。

上述用于受限水域航路自动规划的数值化优化方法，包括以下步骤：建立航行区域的可航概率模型。将可航概率模型与RRT-Connect算法结合，生成初始航路。建立面向航路优化的GAC改进模型，对初始航路进行平滑优化，得到平滑优化航路。对平滑优化航路进行转向点二次筛选，生成适于航行的优化航路。该方法具有良好的适用性，且可以根据不同的航行要求建立可航概率模型，从而解决了目前航行区域环境建模不准确的问题，通过面向航路优化的GAC改进模型实现了对航路的路径长度、路径平滑、航行通过性以及航行安全等多目标优化，提高了航路的船舶可操纵性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于受限水域航路自动规划的数值化优化方法，其特征在于，所述方法包括：

建立航行区域的可航概率模型；

将所述可航概率模型与RRT-Connect算法结合，生成初始航路；

建立面向航路优化的GAC改进模型，对所述初始航路进行平滑优化，得到平滑优化航路；

对所述平滑优化航路进行转向点二次筛选，生成适于航行的优化航路。

2.根据权利要求1所述的方法，其特征在于，所述建立航行区域的可航概率模型，包括：

将所述航行区域网格化，并建立船舶的可航概率模型，为：

P_n＝min(P_d,P_o,λP_m)

式中，P_n为船舶的可航概率模型，P_d为船舶吃水可航因子，P_o为碍航物可航因子，P_m为水文气象可航因子，P_d,P_o,P_m均为与航行区域网格大小相同的矩阵，λ为水文气象因子P_m的权重，航行区域中某网格(i,j)的可航概率P_n(i,j)的值域为[0,1]，其中0表示完全不可通航，1表示完全可以通航。

3.根据权利要求2所述的方法，其特征在于，所述航行区域中某网格的船舶吃水可航因子，为：

式中，d(i,j)表示航行网格区域(i,j)的水深，h为根据船舶吃水要求设定的吃水深度阈值，P_d(i,j)＝1表示该网格满足船舶吃水深度条件可以通航，P_d(i,j)＝0表示该网格不满足船舶吃水深度条件不可通航；

所述航行区域中某网格的碍航物可航概率因子，为：

式中，P_o(i,j)＝1表示该网格没有碍航物，可以通航，P_o(i,j)＝0表示该网格有障碍物不可通航；

所述航行区域中某网格的水文气象可航因子，为：

式中，V_l＝{能见度,风,浪,流}为四种影响航行的气象水文参数，l取值为[1,4]，V_l(i,j)为网格(i,j)内各气象水文因素对应的风险等级，w(V_l)的各气象水文参数在气象水文可航概率P_m(i,j)中对应的权重。

4.根据权利要求1所述的方法，其特征在于，所述将所述可航概率模型与RRT-Connect算法结合，生成初始航路，包括：

初始化起始点、终点和障碍物，将起点、终点信息加入到起点随机树和终点随机树，并在航行区域内生成随机点；

在所述起点随机树内寻找距随机点欧氏距离最小的点，根据判断条件判断是否将所述随机点加入所述起点随机树，所述判断条件包括：

判断条件一：所述随机点和第一最近点的连线可以通过碰撞检测，所述第一最近点为所述起点随机树内距所述随机点欧式距离最小的点；

判断条件二：所述随机点与所述第一最近点之间的距离小于随机树生长步长；

判断条件三：所述随机点和所述第一最近点连线经过的网格的可通行判断条件，为：

式中，r(i,j)表示所述随机点与所述第一最近点连线所穿过的网格(i,j)是否可以通行，若值为1表示可通行，否则表示不可通行，rand(x)为[0,1]之间均匀分布的随机数，P_n(i,j)表示网格(i,j)的可航概率，即如果生成的随机数小于等于网格(i,j)的可航概率P_n(i,j)，表示该网格可通行，否则表示不可通行。

5.根据权利要求4所述的方法，其特征在于，所述根据判断条件判断是否将所述随机点加入所述起点随机树，之后包括：

判断规则如下：

判断规则一：如果满足所述判断条件一、判断条件二和判断条件三，则将所述随机点设为第一新点，并将所述第一新点加入所述起点随机树；

判断规则二：如果满足所述判断条件一和判断条件三，则在所述随机点与所述第一最近点的连线上选取与所述第一最近点的距离为所述随机树生长步长的节点作为第一新点，将所述第一新点加入所述起点随机树；

判断规则三：如果不满足所述判断条件一和判断条件三中的任何一个，则重新生成随机点。

6.根据权利要求5所述的方法，其特征在于，将所述第一新点作为所述终点随机树的随机点，在所述判断规则中求得第二最近点和第二新点并更新所述终点随机树；

判断所述起点随机树和所述终点随机树的第一新点与第二新点的距离是否小于所述随机树生长步长；

若不满足，则交换所述起点随机树和所述终点随机树，重新生成随机点，进行下一次迭代，并重复判断所述起点随机树和所述终点随机树的第一新点与第二新点的距离是否小于所述随机树生长步长；

若满足，则返回所述起点随机树与所述终点随机树的连接点信息，路径搜索结束，得出初始航路。

7.根据权利要求1所述的方法，其特征在于，所述建立面向航路优化的GAC改进模型，对所述初始航路进行平滑优化，得到平滑优化航路，包括：

根据航行需求定义航行斥力场并结合所述航行区域的可航概率模型，对GAC模型能量泛函中的特征值函数进行重新定义，并根据航路优化需求修改GAC算法中节点搜索的边界条件，得到GAC改进模型；

采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，得到所述平滑优化航路。

8.根据权利要求7所述的方法，其特征在于，所述采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，得到所述平滑优化航路，之后包括：

将所述GAC模型与水平集方法相结合将求解主动轮廓模型中的能量泛函最小值问题转换为求解黎曼空间中的测地曲线，其最小化能量泛函为：

式中，L(C)表示曲线弧长，C(q)是参数化平面曲线，I:[0,a]×[0,b]→R⁺为曲线所在区域的能量特征值矩阵，g(I)为边缘指示函数，主要作用是在对象边界处停止曲线的演化，为：

式中，

是I经高斯平滑后的结果，p是常数，一般取1或2，GAC模型应用水平集方法来模拟初始曲线沿能量下降最快的方向演化的过程,以便求得最佳的边界轮廓曲线，其梯度下降曲线演化方程的欧拉形式为：

式中，div表示散度，用于表征空间各点矢量场发散的强弱程度，此时求能量的最小值转换为求

的解；

所述面向航路优化的GAC改进模型的能量泛函特性值矩阵为：

式中，I_dist为航行斥力特征值，I_p表示可航概率模型特征值；

所述航行斥力特征值矩阵为在航行区域网格环境图基础上给航行障碍区域添加的斥力场，航行网格区域内某网格的斥力值与该网格与碍航区的最近欧式距离成反比，斥力影响半径由船舶尺寸等因素决定，单位为网格数，航行区域中某网格的障碍物斥力特征值为：

式中，D(i,j)表示点到最近障碍区域的距离(不考虑D(i,j)为0的情况)，d₀表示斥力影响半径；为满足航行安全距离，要求：

式中，d_s为船舶宽度，d_w为满足船舶吃水和富余水深的最远离岸距离，d_l和d_k分别为网格长、宽对应的实际距离；

所述航行区域中某网格的可航概率模型特征值为：

I_p(i,j)＝1-γP_n(i,j)

式中，γ表示引入可航概率模型的权重，取值范围为[0,1]。

9.根据权利要求7所述的方法，其特征在于，所述采用所述面向航路优化的GAC改进模型对所述初始航路进行平滑优化，包括：

所述根据航路优化需求修改GAC算法中节点搜索的边界条件，航路序列中的起点和终点在航路曲线优化的迭代过程中不会发生位置的移动；

计算所述航行区域各网格的特征值及其梯度和水平集函数的梯度；

根据GAC梯度下降曲线演化方程移动航路曲线的航路点，每次移动一个步长；

计算前后两次迭代生成的航路曲线的能量的相对误差，并循环迭代，所述曲线的能量的相对误差为：

式中，E(C(q))_m表示GAC算法第m次迭代后的曲线C(q)能量值；

当迭代次数达到设定最大迭代次数或者曲线能量相对误差小于设定阈值时，曲线演化终止，得到优化航路曲线。

10.根据权利要求1所述的数值化优化方法，其特征在于，所述对所述平滑优化航路进行转向点二次筛选，生成适于航行的优化航路，包括：

将所述平滑优化航路的航路点序列从起点开始逐点检测后续航路点与所述起点的连通性，直至检测到从所述起点与第一后续航路点的连线无法通过碰撞检测时，将所述第一后续航路点的前一个航路点加入转向点序列中；

当检测到所述第一后续航路点的前一个航路点与第二后续航路点的连线无法通过碰撞检测时，将所述优化航路点序列中的所述第二后续航路点的前一个航路点加入所述转向点序列中，重复该过程遍历至曲线的末端航路点，最后将所述曲线的末端航路点加入所述转向点序列，则航路转向点二次筛选过程结束，得到适于航行的优化航路。

Images