CN114997015A - 一种基于ais历史避让行为的避碰路径规划方法 - Google Patents
一种基于ais历史避让行为的避碰路径规划方法 Download PDFInfo
- Publication number
- CN114997015A CN114997015A CN202210674474.9A CN202210674474A CN114997015A CN 114997015 A CN114997015 A CN 114997015A CN 202210674474 A CN202210674474 A CN 202210674474A CN 114997015 A CN114997015 A CN 114997015A
- Authority
- CN
- China
- Prior art keywords
- ship
- avoidance
- collision
- track
- ais
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006399 behavior Effects 0.000 claims abstract description 72
- 230000033001 locomotion Effects 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003780 insertion Methods 0.000 claims abstract description 6
- 230000037431 insertion Effects 0.000 claims abstract description 6
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 12
- QZXCCPZJCKEPSA-UHFFFAOYSA-N chlorfenac Chemical compound OC(=O)CC1=C(Cl)C=CC(Cl)=C1Cl QZXCCPZJCKEPSA-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- YBJANOUTWRTBDK-UHFFFAOYSA-N 2,4-diamino-6-[n-(2',5'-dimethoxybenzyl)-n-methylamino]quinazoline Chemical compound COC1=CC=C(OC)C(CN(C)C=2C=C3C(N)=NC(N)=NC3=CC=2)=C1 YBJANOUTWRTBDK-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于AIS历史避让行为的避碰路径规划方法,包括:采集船舶的AIS数据,对AIS数据进行预处理与轨迹重建,获取完整的船舶轨迹信息;构建时空约束模型与碰撞风险模型;基于时空约束模型与碰撞风险模型判断是否出现碰撞危险;当存在碰撞危险时,对船舶的避让行为、位置、运动趋势、碰撞风险进行分析,并构建场景相似性模型;基于逐点插入算法生成Delaunay三角网;基于场景相似性模型与Delaunay三角网获取融合避让轨迹;基于融合相似性较高会遇场景的避让轨迹生成船舶避让推荐方案。通过本发明能够指导船舶做出具备良好船艺和满足海员通常作法的避让决策,规划的路径能够保证船舶航行安全。
Description
技术领域
本发明属于船舶避让技术领域,特别是涉及一种基于AIS历史避让行为的避碰路径规划方法。
背景技术
据统计超过80%的货物运输是经海上运输完成的,海上货物运输在经济建设中扮演着重要的角色,但海上运输在促进经济发展进程中,也存在一些问题,例如海事事故频发,包括碰撞、搁浅、溢油等,这些事故的发生往往带来巨大的财产损失、人员伤害和海洋环境污染。在船舶发生的诸多海事事故中,船舶碰撞是影响最大的事故类型之一。为保证航行安全,越来越多的研究者开始关注船舶避让决策。对于船舶避让决策,如果想要真正应用于海上真实会遇场景,则绕不开国际海上避让规则、良好船艺及海员通常作法在其中的体现。针对避让规则的量化及嵌入决策的研究已经有一些学者进行并取得了一定的研究成果,如会遇态势、会遇阶段和安全距离等。但是,针对良好船艺及海员通常作法的研究,往往是针对某一人或者某些人的经验,但由于人与人之间的行为总是不同的,研究成果并不具有代表性与一致性。
发明内容
本发明的目的是提供一种基于AIS历史避让行为的避碰路径规划方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于AIS历史避让行为的避碰路径规划方法,包括:
采集船舶的AIS数据,对所述AIS数据进行预处理与轨迹重建,获取完整的船舶轨迹信息;
基于所述船舶轨迹信息构建时空约束模型与碰撞风险模型;
基于所述时空约束模型与所述碰撞风险模型判断是否出现碰撞危险;
当存在碰撞危险时,提取船舶避让行为,并通过针对大量AIS数据进行处理,构建船舶避让行为知识库;
对船舶的避让行为、位置、运动趋势、碰撞风险进行分析,并构建场景相似性模型;
基于逐点插入算法生成Delaunay三角网,并以船舶轨迹为限制线形成基于Delaunay三角网的轨迹融合算法;
基于场景相似性模型,匹配并融合船舶避让行为知识库中的相似场景及对应的避让轨迹,生成船舶避让路径。
可选地,所述预处理包括数据分包、错误数据去除以及数据质量评估;
所述数据分包的时间设为四个小时,前后相邻的两个分包重叠一小时;
所述错误数据包括数据属性超出对应范围的数据、以及数据点信息与前后信息偏离较大,与船舶运动特征不符的数据。
可选地,所述轨迹重建的过程包括:
采用Douglas-Peucker算法对船舶轨迹进行压缩,轨迹压缩阈值设置为50m;
基于交叉取值法保留压缩后轨迹的运动参数,对压缩后时间间隔较大的点进行补点,使数据间隔保持在1-2分钟;
采用三次样条插值重建平滑的船舶轨迹,插值时间间隔为1s,并基于下式计算任意时刻船舶船速与航向:
可选地,所述时空约束模型的构建方法包括:
假设船舶Si和Sj轨迹点的时间戳集合分别为TSi={ti,ti+1,ti+2,...,ti+k}和 TSj={tj,tj+1,tj+2,...,tj+m},其中ti,tj等集合元素为对应的时间戳,TSi为船舶 Si轨迹点的时间戳集合,ti为时间戳;重叠持续时间定义如下:
I=TSi∩TSj
Λ(I)>N
其中Λ(·)表示集合中包含的元素数量;N代表时间要求的最小值,TSi和 TSj中的集合是以1s为步长的连续时间戳,持续时间计算如下:
N设置为3600s(1h)。
可选地,所述碰撞风险模型的构建方法包括:
将经度差和纬度差转换为笛卡尔坐标距离Δx(n mile)和Δy(n mile),并根据速度、航向等参数计算船舶间距离d的最近会遇距离dcpa和最近会遇时间tcpa,通过比较两者大小确定是否存在碰撞风险;碰撞风险模型如下:
可选地,所述避让行为的分析过程包括:
采用DP算法对轨迹点进行处理,确定船舶转向点的大致位置;再次,输入预处理和重建的船舶轨迹点集,通过比较船舶航向、航速的变化情况确定船舶开始避让点,并计算相邻避让点之间的距离和方位;基于所述提取结果与船舶避让行为特征确定最终的船舶避让行为结果;
基于船舶避让行为提取方法,针对大量AIS数据进行处理,构建船舶避让行为知识库。
可选地,所述位置的分析过程包括:计算会遇场景与历史场景的最近距离,基于所述最近距离与位置的关系构建位置相似性模型Sd进行位置分析;
所述运动趋势的分析过程包括:基于会遇场景的相对运动线之间的角度构建运动趋势相似性模型Sθ进行运动趋势分析;
所述碰撞风险的分析过程包括:基于会遇场景与历史场景的DCPA值、 TCPA值构建相似性模型Ss和时间风险相似性模型St进行碰撞风险分析,所述DCPA表示船舶间的碰撞风险水平,所述TCPA表示船舶碰撞风险的时间紧迫性。
可选地,所述场景相似性模型包括:
S=k1·Sd+k2·Sθ+k3·Ss+k4·St
其中,k1、k2、k3、k4为各项指标的比重。
可选地,基于逐点插入算法生成Delaunay三角网的过程包括:
S1.构建一个包含所有点的三角网,并作为初始Delaunay三角网;
S2.任意选取散点图中的一点,在所述三角网中找出所有外接圆包括所选取散点的三角形;
S3.删除包含被选取散点的三角形,提取顶点,相对于该散点按照顺时针/逆时针进行排序,构建新的拓扑关系,两两与离散点组成新的三角形并加入到原三角网中;
S4.重复S2、S3,直至所有的点都被插入;
S5.去掉包括初始Delaunay三角网顶点的所有三角形,完成构建。
可选地,基于所述场景相似性模型与所述Delaunay三角网获取融合避让轨迹的过程包括:基于场景相似性模型,匹配并融合船舶避让行为知识库中的相似场景及对应的避让轨迹;将轨迹作为Delaunay三角网的约束线,场景相似度作为融合权重值,并通过轨迹融合的方法逐步完成多条轨迹融合,获取所述融合避让轨迹。
本发明的技术效果为:
本发明提供了一种基于AIS历史避让行为的避碰路径规划方法,以指导船舶做出具备良好船艺和满足海员通常作法的避让决策。首先,对AIS 数据进行预处理和轨迹重构,恢复船舶历史航行状态,并根据船舶会遇特征构建船舶会遇识别模型;其次,形成两阶段避让提取算法,构建船舶避让行为知识库,并基于船舶位置、运动趋势和碰撞风险构建场景相似模型,对相似场景进行度量和匹配;然后,利用Delaunay三角网融合相似场景的船舶轨迹,形成船舶避让规划路径。本发明能够准确提取船舶避让行为,规划的路径能够保证船舶航行安全。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的基于AIS历史避让行为的避碰路径规划方法流程图;
图2为本发明实施例中的船舶轨迹重建过程图;
图3为本发明实施例中的坐标转换示意图;
图4为本发明实施例中的船舶避让行为提取示意图;
图5为本发明实施例中的船舶相对运动叠加图;
图6为本发明实施例中的Delaunay三角网构建示意图;
图7为本发明实施例中的基于Delaunay三角剖分的轨迹融合示意图;
图8为本发明实施例中的试验水域环境图;
图9为本发明实施例中的避让点和最小距离点相对于OS的示意图;
图10为本发明实施例中的船舶相对运动轨迹图;
图11为本发明实施例中的对遇情况下船舶避让规划路径及数值模拟结果图;
图12为本发明实施例中的交叉相遇下船舶避让规划路径及数值模拟结果图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
基于AIS历史避让行为的避碰路径规划方法的总体流程如图1所示。该流程主要包括AIS数据预处理和轨迹重构、船舶会遇识别、避让行为提取、场景相似性度量和轨迹融合。
AIS数据预处理和轨迹重建
AIS数据在时间和空间维度上存在多种形式的误差,为了提高数据可用性,从时空、物理和运动特征等方面对AIS数据进行清洗、筛选和补全。
AIS数据预处理
AIS数据预处理主要包括数据分包、误差和漂移数据的去除以及数据质量进行评估。这些步骤主要是根据船舶航行的时空、物理和运动特性来进行划分的。数据分包主要考虑在船舶配对与会遇识别时减少运算时间,分包的时间设为四个小时,前后两个分包有一个小时的重叠。错误数据主要是指数据属性超出了对应的范围,例如航向在范围[0,360]之外。漂移数据是指个别数据点的信息与前后信息偏离较大,与船舶运动特征不符,如两点间的平均速度在很大程度上发生变化。经过数据处理,可以获得AIS 原始轨迹点。
轨迹重建
一般来说,完整的轨迹点可以通过原始插值得到。船舶轨迹信息包括船舶位置,船舶位置包括经度(lng)和纬度(lat)、速度和航向。目前, AIS轨迹的插值方法主要是线性插值。然而,由于后续研究中需要诸如速度、COG、DCPA和TCPA等参数来准确识别船舶会遇情况和运动特征,所以本研究采用三次样条插值方法。
在插值之前,分别对AIS原始轨迹进行压缩和补全。由于AIS点的时间间隔不同,如图2中a所示。如果在这种情况下直接插补,船速和航向可能会发生突变,计算出的运动参数不利于运动分析。为了避免这种情况,轨迹重建方法分为三个步骤,如图2所示。
首先,采用Douglas-Peucker(DP)算法对船舶轨迹进行压缩,以保持轨迹形状。DP算法因其准确性和高效性在船舶轨迹压缩中得到广泛应用。根据海域情况和船舶交通流的特点,轨迹压缩阈值设置为50m。
然后,采用交叉取值来保留运动参数。随着压缩后的轨迹点变得稀疏,时间间隔增加,数据中隐藏的其他特征(如航速、航向)插值后可能会有较大误差。所以压缩后需要针对大时间间隔进行补点,考虑到船速变化是一个比较缓慢的过程,数据间隔保持在1-2分钟以内。
最后,与原始轨迹相比,经压缩、补全后的轨迹点均匀分布,间隔适中。采用间隔为1s的三次样条插值可以得到平滑的船舶轨迹。船速V(kn) 和航向COG(rad)可根据下式计算:
船舶会遇识别
船舶会遇是一个动态变化的过程,一个完整的船舶会遇过程最直观的表现就是船舶之间的距离由远到近,然后再逐渐离远。如果两船会遇并采取避让行动,通常有两个限制:时空约束和碰撞风险。
时空约束模型
经过AIS数据预处理和轨迹重建,得到完整的船舶轨迹信息。对于任何船舶Si,船舶轨迹是Ti={P1,P2,...,Pj,...,Pn},而Pj={ti,latti,lonti,Vti,COGti}。如果两艘船舶相遇,需要具有足够长的时间处于同一范围水域,才能完成会遇的过程。时空约束模型如下:
假设船舶Si和Sj轨迹点的时间戳集合分别为TSi={ti,ti+1,ti+2,...,ti+k}和 TSj={tj,tj+1,tj+2,...,tj+m},其中ti,tj等集合元素为对应的时间戳。重叠持续时间定义如下:
I=TSi∩TSj (4)
Λ(I)>N (5)
其中Λ(·)表示集合中包含的元素数量;N代表时间要求的最小值。由于 TSi和TSj中的集合是以1s为步长的连续时间戳,因此持续时间可计算如下:
考虑到船速较慢,N设置为3600s(1h)。
碰撞风险模型
船舶只有存在碰撞危险的情况下才会采取避让行动,所以识别的会遇场景需要存在碰撞风险。所以,在满足时空约束的基础上,计算船舶的最近会遇距离dcpa和最近会遇时间tcpa,通过两者的大小来确定是否碰撞风险。在计算的过程中,需要将经度差Δλ(°)和纬度差转换为笛卡尔坐标中的距离Δx(n mile)和Δy(n mile),如图3所示,可根据公式1进行近似转换。
基于碰撞风险的会遇约束模型如下:
综上,联合时空约束和碰撞危险共同来识别船舶危险会遇识别模型。
船舶避让行为提取
在针对船舶避让过程的基础上,为了获得准确的航向变化时间和幅度,行为提取算法分为两个阶段。第一阶段用于获得避让时机的大致范围,第二阶段比较周期前后的船舶运动特征,获得精确的避让时机和范围。
船舶避让过程分析
当船舶间存在碰撞危险,船舶应在适当的时候采取避让行动以保持安全航行。如图4中a所示,船舶避让过程可分为四个步骤。
第一步:转向阶段。根据避让方案,船舶采取避让行动;
第二步:新航向航行阶段。船舶完成转向后,船舶直线行驶;
第三步:复航阶段。船舶恢复原航向/航线;
第四步:继续航行。船舶继续按原航向/航线航行。
避让行为提取第一阶段
船舶采取转向的避让方式将偏离原航线,且转向幅度越大,避让时间越长,偏离距离也越大。因此,针对转向动作会导致偏离的特点,采用DP 算法对轨迹点进行处理,确定船舶转向点的大致位置,如图4中b所示。然后,计算每个相邻提取点之间的距离和方位。基于DP算法的船舶避让行为第一阶段算法如表1所示。
该算法的输入是预处理和重建的船舶轨迹点集Ti={P1,P2,...,Pj,...,Pn},以及DP算法所需的阈值Thrt。首先对轨迹点进行DP算法处理(第1-15行),然后根据处理后保留的轨迹点计算航行距离和方位(第16~19行),最后输出第一阶段行为提取结果C={c1,c2,...,cm}(第20行)。考虑到船舶避让行为的持续时间和以往研究的模拟试验结果,偏离阈值Thrt设置为0.054n mile (100m)。
表1
避让行为提取第二阶段
由于船舶具有惯性大、转向角速度较慢的特点,船舶需要完成一段时间的转向才能转向目标航向。因此,第一阶段结果提出的避让点与实际转向点之间存在一定的时间差,需要进一步处理以确定精确的避让行为。
为了获得准确的避让点,构建了基于船舶操纵性的船舶避让行为第二阶段算法(如表2所示)。输入是避让行为第一阶段提取的结果 C={c1,c2,...,cm},船舶轨迹点集Ti={P1,P2,...,Pj,...,Pn},搜寻区域h,平均转向角速度rot连续增量的数目ns及平均转向角速度的倍数mr,输出为精确的船舶避让行为结果Ai={a1,a2,...,at}。该算法由以下两部分组成:
(1)如果在第一阶段提取的避让行为点Pj的前后有ns个角速度大于 mr倍整个轨迹平均角速度rave的连续点,则认为存在一个避让行为点,并将连续点的第一个点更新为避让行为点;否则删除该点(第1-14行)。
(2)由于船舶很少在短时间内针对同一方向采取多次避让行动,所以将距离小于1n mile的同方向避让行动组合以形成最终的行为提取结果 Ai={a1,a2,...,at}并输出(第15~26行)。
由于船舶航行状态变化缓慢,轨迹形状的明显变化需要一定的时间,将h、ns、mr分别设为5min(300s)、60、1.75。
表2
场景相似性度量
场景相似性度量应考虑相对位置、运动趋势和碰撞风险,并应考虑会遇演化。例如,当一个场景可以通过基于当前航行状态的预测或回溯而变成另一个场景时,它应该被认为是一个场景的不同时刻。假设TS相对于 OS的位置为(dx,dy),TS与OS的航向差为dc,OS与TS的速度比为rv, OS的速度为vo。根据轨迹融合算法,可以得到避让时的相对位置(dx_a, dy_a)和船舶运动参数(dc_a,rv_a,vo_a)。通过比较会遇场景的相对位置和运动参数,可以反映出相似性。为了准确度量场景相似度,分别提出了位置相似度、运动趋势相似度和碰撞风险相似度。
位置相似性模型
位置相似性模型用于比较不同会遇场景之间的空间位置差异。为了衡量船舶会遇场景间的相似度,通过计算TS相对于OS的运动运动参数,并将其与所提取的船舶避让场景的相对运动进行叠加。叠加基点是坐标原点 (OS/OS_a的位置),如图5所示。如图5中a所示,可以计算目前会遇场景距离历史场景最近的距离d。会遇场景位置相识度应具有随着距离d的增大,位置相似度减小的特点,且位置相似度大小与d的关系不是线性的。当两个场景的相对运动线重合时,即d等于0时,位置相似度最高。当d 足够大时,位置相似度应该会迅速下降,接近或等于0。基于该特征,位置相似性模型Sd被构建如下:
Sd=1/exp(d·5) (8)
运动趋势相似性模型
船舶运动趋势是指根据当前运动参数对船舶航行状态的估计,船舶运动趋势可以通过相对运动参数来衡量。当船舶以恒定的航向和速度航行时,船舶之间的相对运动航向和速度也是固定的,即船舶之间的相对运动线是一条直线。如图5中b所示,会遇场景的相对运动线之间的角度为θ。场景之间越相似,角度θ越小。由于船舶大小和惯性的影响,避让操作需要较大的空间来完成,因此角度θ在较小的范围内是有意义的。通过使用θ构建船舶运动趋势相似模型Sθ如下:
Sθ=1-sin(min(18·|θ|,90)) (9)
当θ小于5°时,船舶运动趋势相似模型的值大于0,否则等于0。
碰撞风险相似性模型
船舶之间存在碰撞风险是采取避让行动的先决条件。在实践中,船舶驾驶人员对碰撞风险的评估最直观和容易利用的参数为DCPA和TCPA,同时也可作为避让效果评估和安全检查的依据。DCPA的值与避让幅度有关。DCPA 反映了船舶间的碰撞风险水平,TCPA反映了船舶碰撞风险的时间紧迫性。 DCPA和TCPA用于构建相似性模型Ss和时间风险相似性模型St,如下所示:
Ss=1/exp(|dcpa_a-dcpa|·2) (10)
St=1/exp(|tcpa_a-tcpa|·4) (11)
其中,dcpa_a、dcpa分别代表历史场景和目前会遇场景的DCPA;tcpa_a 和tcpa分别表示历史场景和目前会遇场景的tcpa。
场景相似性模型
基于位置、运动趋势和碰撞风险等相似度模型,考虑它们的相对重要性,建立了场景相似性模型如下:
S=k1·Sd+k2·Sθ+k3·Ss+k4·St (12)
其中,k1、k2、k3、k4为各项指标的比重。考虑到船舶避让决策主要基于会遇情况和会遇态势的演变,提取的避让行为是真实历史情景中的船舶轨迹,可以保证船间距离。因此,位置和运动趋势相似性模型的比例被设置为高于碰撞风险相似性,k1、k2、k3和k4分别对应于0.40、0.40、0.10 和0.10。
基于Delaunay三角网的轨迹融合算法
Delaunay三角网
Delaunay三角网可以通过多种算法来实现,如三角网生成算法、分治算法和逐点插入算法。三角网生成法的时间效率最低,分治算法进行递归运算需要较大的内存空间,且结果优化的工作量也比较大。逐点插入算法实现相对简单,时间效率比较高,占用内存空间较小。综合考虑,研究中选择逐点插入算法来生成Delaunay三角网。针对如图6中a所示的散点图,构建一个Delaunay三角网的步骤如下:
①构建一个包含所有点的三角网,把它作为初始Delaunay三角网,如图6中b;
②任取散点图中的一点,在三角网中找出所有外接圆包含该散点的三角形,如图6中c;
③删除包含该散点的三角形,提取顶点,相对于该散点按照顺时针/ 逆时针进行排序,构建新的拓扑关系,两两与离散点组成新的三角形并加入到原三角网中,如图6中d;
④重复第②、③步,直到所有的点都被插入,如图6中e;
⑤最后去掉包含初始Delaunay三角网顶点的所有三角形,如图6中f。
轨迹融合算法
根据上述内容,可以针对某一研究水域特定时间内的船舶AIS数据进行处理,从而形成船舶避让行为知识库。同时,依据相识度度量模型可以选择出船舶避让行为知识库中的相似场景。通过融合相似度较高场景下的船舶避让轨迹,可以形成符合船舶驾驶员行为特征和海员通常作法的避让轨迹,从而作为船舶避让推荐方案。
针对多条船舶轨迹融合问题,为减少融合算法的复杂度,通过两条轨迹融合的方法逐步完成多条轨迹融合。在融合的过程中,将两条轨迹作为 Delaunay三角网的约束线,场景相似度作为融合权重值,具体步骤如下:
①针对如图7中a所示的两条轨迹,首先判断是否存在交点,如果存在交点,求取交点坐标,并将轨迹进行分割,如图7中b;
②针对分割后的点集,分别构建Delaunay三角网,如图7中c;
③将轨迹点依次连接,并作为约束线,对Delaunay三角网进行修正,如图7中d;
④选择连接两条轨迹的三角形边,假设黑色轨迹相似度为n,浅灰色轨迹相似度为m,根据如图7中e所示比例确定融合后的轨迹点;
⑤依次连接融合后的轨迹点和交点,形成融合后的轨迹,如图7中f 深灰色轨迹,融合后轨迹相似度为n+m;
⑥重复①~⑤过程,直到所有相似轨迹融合完毕。
实施例二
如图8-12所示,本实施例提供基于AIS历史避让行为的避碰路径规划方法的实验与数据分析实例。
以宁波-舟山港附近水域为例,如图8所示,该水域位于 122°18'~122°50'E和北纬29°35'至29°52'N之间。选取2020年6月该水域的AIS数据,通过预处理、会遇识别和避让行为提取,构建避让行为知识库。然后,设定对遇和交叉相遇,选择相似会遇场景,融合相似避让轨迹,形成避碰路径规划;通过对避让过程的分析和决策性能的评估,验证了该模型的有效性。
避让行为知识库
为了消除地理因素的影响,获得无量纲化的避让行为,采用相对运动方式,将本船设定在中心位置且船首向上,以评估和观察来船的运动状态和相对位置。图9为避让点和最近距离点分布图。图10显示了来船的相对运动轨迹。在图9中,箭头长度和方向表示船的速度和当前航向,中心附近的点是到来船相对本船的最近距离分布。通过分析和存储相对轨迹,可以形成避让行为知识库。
为了验证基于船舶避让行为知识库的路径规划的有效性,设置了两种会遇场景,对遇和交叉相遇。船舶初始位置、航向和速度显示在表7中。
表7
图11和图12为提出的方法求出的避让路径以及基于船舶避让行为知识库的对遇和交叉相遇中的参数变化。图11中a是来自具有高相似性的知识库的相对运动轨迹。其中,实线为高相似性场景的运动轨迹;弯曲虚线是基于相似性度量值融合的相对运动轨迹,用于指导避让;直虚线为初始相对运动线。在图11中b中,使用AIS数据轨迹重建方法来模拟船舶航行,并将相对运动轨迹点转换成坐标轨迹点。图11中c是避让过程中船舶航向和转首角速度Rot的曲线,图11中d是船舶间距离、DCPA和TCPA 的曲线。
根据图11可知,DCPA在初始时刻为零,当距离为4.7n mile时,OS 向右转向并稳定在32°。在这个阶段,DCPA逐渐增加到1.27n mile。在 OS驶过让清TS后,OS返回其原始航线,并在TS的左舷以最小距离0.45n mile平行通过TS。通过比较会遇的相对轨迹,其运动趋势与相似场景中的船只一致,符合COLREGs的要求。在OS避开TS后,及时恢复原来的航向,减少船舶偏航,提高效率。同时,OS的航向和会遇参数曲线变化平滑,符合船舶航行的实际情况。
在图12中,DCPA在初始时刻是0.04n mile。当相对距离为4.11n mile 时,OS右转34°并稳定在283°,DCPA逐渐达到1.35n mile。OS在TS 的船尾通过,船舶之间的最近距离为0.91n mile。船舶运动轨迹和航向变化平稳,符合交叉相遇下船舶避让动作的特点。
规划的船舶避让路径由相似场景轨迹融合算法生成。然后,基于历史轨迹融合生成避让轨迹,通过计算船舶间的相遇参数分析避让效果。仿真结果表明,所规划的路径能够保证航行安全,对遇和交叉相遇下的最小距离分别为0.45n mile和0.91n mile。船舶避让路径是基于相似的历史场景生成的,它综合了多种船舶特征和多名驾驶员的航行经验。在对遇情况下OS向右转向并穿过TS左舷,在交叉会遇从TS的船尾通过。船舶运动轨迹和航向变化平缓,符合实际船舶避让行为的特点。总的来说,基于AIS 历史避让行为的避碰路径规划符合良好船艺及COLREGs相关行动规则的要求,并考虑了海员通常做法。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于AIS历史避让行为的避碰路径规划方法,其特征在于,包括以下步骤:
采集船舶的AIS数据,对所述AIS数据进行预处理与轨迹重建,获取完整的船舶轨迹信息;
基于所述船舶轨迹信息构建时空约束模型与碰撞风险模型;
基于所述时空约束模型与所述碰撞风险模型判断是否出现碰撞危险;
当存在碰撞危险时,提取船舶避让行为,并通过针对大量AIS数据进行处理,构建船舶避让行为知识库;
对船舶的避让行为、位置、运动趋势、碰撞风险进行分析,并构建场景相似性模型;
基于逐点插入算法生成Delaunay三角网,并以船舶轨迹为限制线形成基于Delaunay三角网的轨迹融合算法;
基于场景相似性模型,匹配并融合船舶避让行为知识库中的相似场景及对应的避让轨迹,生成船舶避让路径。
2.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,所述预处理包括数据分包、错误数据去除以及数据质量评估;
所述数据分包的时间设为四个小时,前后相邻的两个分包重叠一小时;
所述错误数据包括数据属性超出对应范围的数据、以及数据点信息与前后信息偏离较大,与船舶运动特征不符的数据。
6.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,所述避让行为的分析过程包括:
采用DP算法对轨迹点进行处理,确定船舶转向点的大致位置;再次,输入预处理和重建的船舶轨迹点集,通过比较船舶航向、航速的变化情况确定船舶开始避让点,并计算相邻避让点之间的距离和方位;基于所述提取结果与船舶避让行为特征确定最终的船舶避让行为结果;
基于船舶避让行为提取方法,针对大量AIS数据进行处理,构建船舶避让行为知识库。
7.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,所述位置的分析过程包括:计算会遇场景与历史场景的最近距离,基于所述最近距离与位置的关系构建位置相似性模型Sd进行位置分析;
所述运动趋势的分析过程包括:基于会遇场景的相对运动线之间的角度构建运动趋势相似性模型Sθ进行运动趋势分析;
所述碰撞风险的分析过程包括:基于会遇场景与历史场景的DCPA值、TCPA值构建相似性模型Ss和时间风险相似性模型St进行碰撞风险分析,所述DCPA表示船舶间的碰撞风险水平,所述TCPA表示船舶碰撞风险的时间紧迫性。
8.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,所述场景相似性模型包括:
S=k1·Sd+k2·Sθ+k3·Ss+k4·St
其中,k1、k2、k3、k4为各项指标的比重。
9.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,基于逐点插入算法生成Delaunay三角网的过程包括:
S1.构建一个包含所有点的三角网,并作为初始Delaunay三角网;
S2.任意选取散点图中的一点,在所述三角网中找出所有外接圆包括所选取散点的三角形;
S3.删除包含被选取散点的三角形,提取顶点,相对于该散点按照顺时针/逆时针进行排序,构建新的拓扑关系,两两与离散点组成新的三角形并加入到原三角网中;
S4.重复S2、S3,直至所有的点都被插入;
S5.去掉包括初始Delaunay三角网顶点的所有三角形,完成构建。
10.根据权利要求1所述的基于AIS历史避让行为的避碰路径规划方法,其特征在于,基于所述场景相似性模型与所述Delaunay三角网获取融合避让轨迹的过程包括:基于场景相似性模型,匹配并融合船舶避让行为知识库中的相似场景及对应的避让轨迹;将轨迹作为Delaunay三角网的约束线,场景相似度作为融合权重值,并通过轨迹融合的方法逐步完成多条轨迹融合,获取所述融合避让轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210674474.9A CN114997015B (zh) | 2022-06-15 | 2022-06-15 | 一种基于ais历史避让行为的避碰路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210674474.9A CN114997015B (zh) | 2022-06-15 | 2022-06-15 | 一种基于ais历史避让行为的避碰路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997015A true CN114997015A (zh) | 2022-09-02 |
CN114997015B CN114997015B (zh) | 2024-08-09 |
Family
ID=83034343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210674474.9A Active CN114997015B (zh) | 2022-06-15 | 2022-06-15 | 一种基于ais历史避让行为的避碰路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997015B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630133A (zh) * | 2022-12-22 | 2023-01-20 | 亿海蓝(北京)数据技术股份公司 | 基于轨迹知识图谱的异常船舶查找方法和装置 |
CN117647812A (zh) * | 2023-11-24 | 2024-03-05 | 中国船舶集团有限公司第七一六研究所 | 基于导航雷达的船舶行驶路线检测预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156947A (zh) * | 2021-04-14 | 2021-07-23 | 武汉理工大学 | 一种船舶在动态环境下的路径规划的方法 |
US20220036738A1 (en) * | 2020-07-29 | 2022-02-03 | Wuhan University Of Technology | Method and system for assessing and early warning ship collision risk |
-
2022
- 2022-06-15 CN CN202210674474.9A patent/CN114997015B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220036738A1 (en) * | 2020-07-29 | 2022-02-03 | Wuhan University Of Technology | Method and system for assessing and early warning ship collision risk |
CN113156947A (zh) * | 2021-04-14 | 2021-07-23 | 武汉理工大学 | 一种船舶在动态环境下的路径规划的方法 |
Non-Patent Citations (1)
Title |
---|
罗贤程;尹建川;李宏宾;: "基于动态分阶势场法的船舶自动避碰系统", 上海海事大学学报, no. 01, 26 March 2020 (2020-03-26) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630133A (zh) * | 2022-12-22 | 2023-01-20 | 亿海蓝(北京)数据技术股份公司 | 基于轨迹知识图谱的异常船舶查找方法和装置 |
CN117647812A (zh) * | 2023-11-24 | 2024-03-05 | 中国船舶集团有限公司第七一六研究所 | 基于导航雷达的船舶行驶路线检测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114997015B (zh) | 2024-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN114997015A (zh) | 一种基于ais历史避让行为的避碰路径规划方法 | |
CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
CN112966332B (zh) | 基于多船运动不确定性的冲突侦测方法、存储器及处理器 | |
CN114022847A (zh) | 一种智能体轨迹预测方法、系统、设备和存储介质 | |
CN105866790A (zh) | 一种考虑激光发射强度的激光雷达障碍物识别方法及系统 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
Lin et al. | Maritime environment perception based on deep learning | |
CN113092807B (zh) | 基于多目标跟踪算法的城市高架道路车辆测速方法 | |
Wang et al. | Map-enhanced ego-lane detection in the missing feature scenarios | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN113032896A (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN114419877A (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
Wang et al. | Big data driven vessel trajectory prediction based on sparse multi-graph convolutional hybrid network with spatio-temporal awareness | |
CN116029554B (zh) | 基于受限水域船舶风险评估模型参数校正的风险评估方法 | |
CN115629374B (zh) | 基于毫米波雷达的无人船桥下定位方法及相关设备 | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
CN111613052A (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
JP7174111B2 (ja) | 内陸水運船舶ライダー識別システム及びその運用方法 | |
CN112350733B (zh) | 一种基于有效距离的快速轨迹压缩方法 | |
CN114926813A (zh) | 车道线融合方法、装置、设备及存储介质 | |
CN114690772A (zh) | 用于海域非循迹航行船舶的会遇时空预测方法及系统 | |
CN118314770B (zh) | 一种船舶水路航行风险预警方法及系统 |
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 |