CN115617033A

CN115617033A - 一种船舶的编队方法、系统、装置及存储介质

Info

Publication number: CN115617033A
Application number: CN202211062582.7A
Authority: CN
Inventors: 刘佳仑; 游旭; 李诗杰
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2022-09-01
Filing date: 2022-09-01
Publication date: 2023-01-17
Anticipated expiration: 2042-09-01
Also published as: CN115617033B

Abstract

本发明公开了一种船舶的编队方法、系统、装置及存储介质。该方法通过获取待编队船舶的第一船舶控制信息；并获取待编队船舶的参数优化模型和观测器；随后，将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；接着，获取船舶编队信息；并根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。该方法通过参数优化模型和观测器预测待编队船舶的参数，降低了船舶参数的获取难度，能够在船舶没有装载精密传感器的情况下获取准确的船舶参数，从而生成船舶编队的控制指令。本发明可广泛应用于船舶通信技术领域内。

Description

一种船舶的编队方法、系统、装置及存储介质

技术领域

本发明涉及船舶通信技术领域，尤其是一种船舶的编队方法、系统、装置及存储介质。

背景技术

对于船舶编队控制，相关技术中，不仅仅需要领导船的位置信息，还需要领导船对应的自由度的速度信息，而对于实船而言，无法获取对应的数据，增加了编队的难度。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种船舶的编队方法、系统、装置和存储介质。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

一方面，本发明实施例提供了一种船舶的编队方法，包括以下步骤：

获取待编队船舶的第一船舶控制信息；

获取待编队船舶的参数优化模型和观测器；

将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；

获取船舶编队信息；

根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。

进一步地，所述获取待编队船舶的参数优化模型这一步骤，包括：

获取待编队船舶的初始运动学模型；

获取预设的船舶模型训练集，所述船舶模型训练集包括船舶控制信息训练集和船舶运动信息训练集；

根据所述船舶模型训练集，对所述初始运动学模型进行优化，得到参数优化模型。

进一步地，所述将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息这一步骤，包括：

将所述第一船舶控制信息，输入至所述参数优化模型中；

通过所述观测器获取参数优化模型生成的船舶的运动状态信息。

进一步地，所述根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令这一步骤，包括：

将所述运动状态信息和所述船舶编队信息输入至船舶编队模型中，得到待编队船舶的船舶输入转速和舵角数据。

进一步地，所述第一船舶控制信息包括欠驱动输入力矩，螺旋桨转速和舵角。

进一步地，所述运动状态信息包括位置信息、速度信息、加速度信息。

进一步地，所述船舶编队信息包括船舶编队结构信息，领导船的位置信息。

另一方面，本发明实施例提出了一种船舶的编队系统，包括：

第一模块，用于获取待编队船舶的第一船舶控制信息；

第二模块，用于获取待编队船舶的参数优化模型和观测器；

第三模块，用于将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；

第四模块，用于获取船舶编队信息；

第五模块，用于根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。

另一方面，本发明实施例提供了一种船舶的编队装置，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时，使得所述至少一个处理器实现所述的船舶的编队方法。

另一方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的船舶的编队方法。

本发明公开了一种船舶的编队方法，具备如下有益效果：

本实施例通过获取待编队船舶的第一船舶控制信息；并获取待编队船舶的参数优化模型和观测器；随后，将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；接着，获取船舶编队信息；并根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。该方法通过参数优化模型和观测器预测待编队船舶的参数，降低了船舶参数的获取难度，能够在船舶没有装载精密传感器的情况下获取准确的船舶参数，从而生成船舶编队的控制指令。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1为本申请实施例中提供的一种船舶的编队方法的实施环境示意图；

图2为本发明实施例提供的一种船舶的编队方法的流程示意图；

图3为本发明实施例提供的一种编队控制结构示意图；

图4为本发明实施例提供的一种编队控制效果示意图

图5为本发明实施例提供的一种船舶的编队系统的结构示意图；

图6为本发明实施例提供的一种船舶的编队装置的结构示意图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明实施例的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数，“至少一个”是指一个或者多个，“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

需要说明的是，本发明实施例中设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明实施例中的具体含义。例如，术语“连接”可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连。

在本发明实施例的描述中，参考术语“一个实施例/实施方式”、“另一实施例/实施方式”或“某些实施例/实施方式”、“在上述实施例/实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本公开的至少两个实施例或实施方式中。在本公开中，对上述术语的示意性表述不一定指的是相同的示实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式中以合适的方式结合。

需要说明的是，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

由于单只船舶携带能源有限、任务负载能力有限，不适合大范围区域的活动，且鲁棒性较差，即一旦船体发生故障将导致任务失败。因此，执行任务一般采用多船舶协同作业，多船舶编队作业可提供更强的适用性，例如多船协同作业扩大整个群体的感知区域；单船故障不影响整体任务，具有更高的可靠性；不同类型的船舶可携带不同的传感器和执行器，通过彼此协调合作，完成复杂的任务，弥补单船舶性能上的缺陷，具备更好的扩展性。因此，多条船舶协同作用共同完成复杂的任务具有重要的应用价值。

目前的船舶编队控制，首先是对于船舶数据的精度要求较高，往往需要较多类型的数据，在领导跟随编队结构的框架下，不仅仅需要领导船的位置信息还需要对应的自由度的速度信息，而对于实船而言，除架设有准确的速度传感器和姿态传感器的实验船舶外，其他船舶相对而言没有上述设备，无法获取对应的数据，因此增加了形成编队的难度。并且，对于普通船型的船舶参数较难获取，导致无法迅速稳定地进行船舶编队。

为此，本申请提出了一种船舶的编队方法、系统、装备及存储介质，通过获取待编队船舶的第一船舶控制信息；并获取待编队船舶的参数优化模型和观测器；随后，将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；接着，获取船舶编队信息；并根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。该方法通过参数优化模型和观测器预测待编队船舶的参数，降低了船舶参数的获取难度，能够在船舶没有装载精密传感器的情况下获取准确的船舶参数，从而生成船舶编队的控制指令。

图1是本申请实施例提供的一种船舶的编队方法的实施环境示意图。参照图1，该实施环境的软硬件主体主要包括操作终端101和服务器102，操作终端101与服务器102通信连接。其中，该船舶的编队方法可以单独配置于操作终端101执行，也可以单独配置于服务器 102执行，或者基于操作终端101与服务器102二者之间的交互来执行，具体可以根据实际应用情况进行适当的选择，本实施例对此并不作具体限定。此外，操作终端101与服务器102 可以为区块链中的节点，本实施例对此并不作具体限定。

具体地，本申请中的操作终端101可以包括但不限于智能手表、智能手机、电脑、个人数字助理(Personal Digital Assistant，PDA)、智能语音交互设备、智能家电或者车载终端中的任意一种或者多种。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。操作终端101与服务器102之间可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网 (Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。

图2是本申请实施例提供的一种船舶的编队方法的流程图，该方法的执行主体可以是操作终端或者服务器中的至少一者，图2中以该船舶的编队方法配置于操作终端执行为例进行说明。参照图2，该船舶的编队方法包括但不限于步骤110至步骤150。

步骤110：获取待编队船舶的第一船舶控制信息；

步骤120：获取待编队船舶的参数优化模型和观测器；

步骤130：将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；

步骤140：获取船舶编队信息；

步骤150：根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。

进一步作为可选的实施方式，所述获取待编队船舶的参数优化模型这一步骤，包括：

获取待编队船舶的初始运动学模型；

具体地，本实施例可以首先通过设计体现船舶操纵性的实验，结合模型，针对性地从uvr 三个自由度方向设计输入控制数据，输入控制信息包括欠驱动输入力矩，欠驱动输入下的螺旋桨转速和舵角等信息；获得uvr三个自由度的船舶运动状态数据，船舶运动状态数据包括位置信息、速度信息、加速度信息。其次，设计参数优化模型，根据给定的模型，寻找影响最大的参数，然后构建模型，在此基础上，利用获得的输入数据和输出数据构成数据集，根据优化算法形成优化过程，进行参数最优化的过程。对于给定的船舶模型，设计合适的控制输入数据，根据船舶本身的运动特性(表现为模型)可以获取对应的运动状态(一般至少包括uvr三个自由度的速度和加速度)，通过采用在给定已知模型的前提下，利用优化算法进行求解，逼近真实模型参数。

对于一个常见的船舶模型，有如下典型运动学模型：

其中η＝[x,y,ψ]^T为位置信息，v＝[u,v,r]^T为速度信息，τ＝[τ₁,0,τ₃]^T为欠驱动输入力矩，δ(t)＝[δ₁,δ₂,δ₃]^T为外部误差。其他参数定义如下：

对于公式(2)有：

共计：22个参数。

可以理解的是，体现船舶操纵性的实验可以分别单独从u，v，r三个自由度进行单独控制，为解耦运动，设定输入力矩为三个方向最大允许的力矩的[40％60％80％]并保持，初始状态为静止状态，运动时间为达到稳定后持续30s，共计9个运动过程。之后开展u，v，r三个方向的耦合运动，一般为三个自由度下的[40％60％80％]的组合，共计9种，运动时间和解耦的运动时间一致，所有实验共计18个单独实验。

通过设计18个单独实验，根据不同的输入设定以及对应的停止条件，获取控制输入数据和位置姿态数据。根据输入和输出作为参数优化模型计算的输入数据。

根据参数优化模型的计算方法设计如下计算过程，优化模型如下所示：

其中}为实际实验获取的数据，

为求解出模型参数中，针对其中一组模型参数，给定相同的控制输入根据相同的模型结构算出来的对应实验结果获取的数据，其中在上述约束下最小化实际数据和待定模型参数下的计算结果，能够有效地获取到较为准确的结果。值得注意的是，由于是较为大规模的数据，在已知模型结构下的参数优化求解过程，需要对其进行限定，

表示对于每个实验过程的初始结果需要一致，这个是必须条件。 w_lb≤w≤w_ub表示为其他约束条件，如计算的结果和实际的结果偏差设定存在一定的上下界。 g(})＝0表示为，在更新下一时刻的计算过程，根据上一个时刻的输入和上一个时刻的当前状态，根据已知模型计算出下一个时刻的状态，这个过程的数据必须相等。h(w)≤0为附加不等式条件，为寻找最优解过程中的约束条件，在船舶中，可表示为阻尼矩阵的正定性。上述约束条件针对不同的船舶可存在不同的优化求解内容，包括不限于上述要求，上述要求仅仅为其中的一种形式。其本质是设置不同的求解条件，让求解过程更加快速、求解结果更加精确。

最小化方程

是以岭回归为基础的参数最优化求解过程。用上述实例，对于18个过程，每个过程都需要求解三个自由度上的结果需要达到有权重参数下的最小值，同时加入了对所求参数的大致范围约束。其中Nj和J分别表示单次实验数据的采样个数(和采样时间以及对应停止条件下的实验时间有关)和实验次数(本次案例为18)。λ为参数用于约束，岭回归下所有参数二范数R(P)的和值。

约束条件h(w)为：D(v)矩阵为正定矩阵，可简化为：

对于上述18个实验过程，不同的实验过程的权重参数W不同，对于Surge(u方向)，Sway (v方向)，Yaw(r方向)以及All耦合方向有如下的权重参数：

求解方法可以采用非线性规划NLP中的IPOPT方法，其他求解最优值的优化方法同样可以适用。通过求解不同权重下的实验，能够获取逼近准确值的船舶参数。综上所述，在选择合适的结构以及对应的求解方法，根据输入控制数据，实际船舶的运动姿态数据，在多重约束条件下，通过优化算法求解模型参数。一般而言，不同的优化算法在计算效率上存在一定的差异。

进一步作为可选的实施方式，所述将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息这一步骤，包括：

将所述第一船舶控制信息，输入至所述参数优化模型中；

本实施例中，通过设计观测器对速度数据和加速度数据进行观测。对于已经获取的模型及参数数据，在实际航行中，对于给定的输入数据，通过导入该模型以及设计的观测器中，获取其uvr三个自由度的速度、加速度信息、符合误差等信息。

可以理解的是，设计的观测器具备一定的抗干扰能力，即在给定输入数据后，存在外部未知扰动以及内部船舶模型非线性高阶项的情况下，仍然可以给出较为准确地速度、加速度等信息。

设计观测器的主要目的是对于较为准确的模型，在没有精确的传感器下，能够通过模型本身以及外部有界扰动等因素下，能够获取准确的三个自由度的速度等信息，以替代速度、加速度等传感器，从而为船舶编队的控制算法提供有效数据。

根据设计的模型，以及对应的输入控制数据，在考虑外部扰动因素存在的前提条件下，可以观测到当前船舶的运动状态信息。

通过对(1)求导可得：

定义误差为：

有

其中f为复合误差，包含内部未知项和外部扰动。

f(t,x₁,x₂)＝M^-1(x₁)(δ(t)-C(x₁,x₂)x₂-D(x₁,x₂)x₂) (11)

已知该复合误差应该是连续可导有界的，其导数也是有界的。

设计观测状态方程为：

此时，设计有限时间扩展观测器(FESO)为：

且β_i＝diag[β_i1,β_i2,β_i3]>0,i＝1,2,3，且观测误差为∈_i:＝[∈₁,∈₂,∈₃]，定义为：∈_i＝z_i-x_i。其观测误差导数为：

观测器的稳定性证明：对于一个非线性系统满足如下条件：

sig^α(x)∶＝|x|^αsign(x)，h是连续可导有界的，0<n<1，

β₁,β₂,β₃是合适的参数，因此该系统是稳定的，由上述定理可得，观测器误差是有限时间稳定的。综上所述，在上述基础上，通过给定输入控制，以及有界的干扰及一些位置模型非线性项的前提下，通过设计上述观测器可以获取速度等信息，这些观测到的数据已经被证明是误差有界稳定的，即误差的范围不会扩大，会固定在一定的范围内。

进一步作为可选的实施方式，所述根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令这一步骤，包括：

参考图3，具体地，根据上述给出的跟随船uvr三个自由度的信息，作为输入数据的其中一项，其他输入包括给定的船舶编队结构信息，领导船的位置信息，通过编队控制算法得到跟随船舶的控制输入信息，并最终作为跟随船的控制输入。

编队结构本身采用虚拟船舶作为跟随船舶的位置参考，并将其导入实际跟随船的控制输入求解过程中，通过设置坐标变换等多种方法结合的形式，得到了稳定可靠的编队结构。

对于编队控制器设计过程中需要考虑外部干扰和内部高阶项的误差影响，采用自适应算法和RBF神经网络分别进行逼近，然后进行融入编队控制器中，从而获得所需的跟随船的输入力矩，最终通过动力分配计算为船舶输入转速和舵角数据。

设计控制器，其中编队控制结构为领导跟随法，对于给定领导船的位置信息(x_L,y_L,ψ_L)，认为其本身及其一阶、二阶导数均为光滑连续。

参考图3，根据编队结构参数(ρ_d,λ_d)确定跟随船所需要到达的位置(x_d,y_d)，对于其中一条跟随船(x_F,y_F,ψ_F)(下文中以(x,y,ψ)形式进行算法推导)，设置合适的速度，从而实现跟踪所需要跟随的位置，跟随船的目标位置获取公式如下所示：

由于给定领导船的位置信息是光滑连续的，因此给定的目标位置及其一阶、二阶导数也是光滑连续的。

对于跟随船，首先从运动学的角度进行推算，要使得跟随船能够跟随目标位置，那么需要给定合适的速度，因此通过设计Lyapunov方程获取目标速度为：

其中，

C，k为设计正参数。

证明过程如下，设计Lyapunov方程如下：

设计位置导数为：

带入Lyapunov方程(18)求导方程得：

证毕。

由于实际速度难以由精确的传感器获取，因此采用观测器的值作为实际速度进行控制。设速度误差为：

进一步设置滑模控制律：

求导可得；

其中：

这里采用动态面(dynamic surface control，DSC)技术进行导数的计算，从而减少计算量。

对于虚拟速度，假设有：

对其求导：

同时利用神经网络进行去估计未知参数，因此可得：

其中：

式(29)为神经网络的输入，h(z_i)为输出，ζ₁,ζ₂为逼近误差，它们均有上限：ζ₁≤ζ_U,ζ₂≤ζ_R。W_i为权重系数，满足：

由于权重系数难以直接求得，因此，用它们的估计值来进行代替，假设其有上界：

那么控制力矩可以求得为：

其中η₁>0,η₂>0为设计的正常数，

为外部扰动上界为：

其中γ₁>0,γ₂>0,σ₁>0,σ₂>0为控制设计常数。

对于预设航行轨迹和编队结构的编队系统，领导船跟随设定航行轨迹，编队中跟随船保持编队结构，其相关的编队参数为：

表1船舶参数仿真示例

表2环境扰动和未知模型不确定性设置示例

τ<sub>wu</sub>＝10<sup>4</sup>[sin(0.2t)+cos(0.5t)]	τ<sub>wv</sub>＝10<sup>2</sup>[sin(0.1t)+cos(0.4t)]	τ<sub>wr</sub>＝10<sup>5</sup>[sin(0.5t)+cos(0.3t)]
			f<sub>u</sub>＝0.2d<sub>11</sub>u<sup>2</sup>+0.1d<sub>11</sub>u<sup>3</sup>	f<sub>v</sub>＝0.2d<sub>22</sub>v<sup>2</sup>+0.1d<sub>22</sub>v<sup>3</sup>	f<sub>r</sub>＝0.2d<sub>33</sub>r<sup>2</sup>+0.1d<sub>33</sub>r<sup>3</sup>

表3控制参数

编队控制效果如图4所示。

对于本实施例中的船舶编队模型的构建，可以首先进行随机采集样本，在随机采样得到训练数据集后，可以将训练数据集输入到初始化后的船舶的编队模型中进行训练。具体地，将训练数据集中的数据输入到初始化后的船舶的编队模型后，可以得到模型输出的识别结果，即船舶编队结果，可以根据船舶编队结果和前述的标签来评估识别模型预测的准确性，从而对模型的参数进行更新。对于船舶的编队模型来说，模型预测结果的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如 0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本申请实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的船舶的编队模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。

进一步作为可选的实施方式，所述第一船舶控制信息包括欠驱动输入力矩，螺旋桨转速和舵角。

进一步作为可选的实施方式，所述运动状态信息包括位置信息、速度信息、加速度信息。

进一步作为可选的实施方式，所述船舶编队信息包括船舶编队结构信息，领导船的位置信息。

参照图5，本发明实施例提出的一种船舶的编队系统，包括：

第一模块501，用于获取待编队船舶的第一船舶控制信息；

第二模块502，用于获取待编队船舶的参数优化模型和观测器；

第三模块503，用于将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息；

第四模块504，用于获取船舶编队信息；

第五模块505，用于根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图6，本发明实施例提供了一种船舶的编队装置，包括：

至少一个处理器601；

至少一个存储器602，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601执行时，使得所述至少一个处理器601 实现图2所示的船舶的编队方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现图2所示船舶的编队方法。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，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做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申请权利要求所限定的范围内。

Claims

1.一种船舶的编队方法，其特征在于，包括以下步骤：

获取待编队船舶的第一船舶控制信息；

获取待编队船舶的参数优化模型和观测器；

获取船舶编队信息；

2.根据权利要求1所述的船舶的编队方法，其特征在于，所述获取待编队船舶的参数优化模型这一步骤，包括：

获取待编队船舶的初始运动学模型；

3.根据权利要求1所述的船舶的编队方法，其特征在于，所述将所述第一船舶控制信息，输入至所述参数优化模型和所述观测器中，得到船舶的运动状态信息这一步骤，包括：

将所述第一船舶控制信息，输入至所述参数优化模型中；

4.根据权利要求1所述的船舶的编队方法，其特征在于，所述根据所述运动状态信息和所述船舶编队信息，生成所述待编队船舶的控制指令这一步骤，包括：

5.根据权利要求1所述的船舶的编队方法，其特征在于，所述第一船舶控制信息包括欠驱动输入力矩，螺旋桨转速和舵角。

6.根据权利要求1所述的船舶的编队方法，其特征在于，所述运动状态信息包括位置信息、速度信息、加速度信息。

7.根据权利要求1所述的船舶的编队方法，其特征在于，所述船舶编队信息包括船舶编队结构信息，领导船的位置信息。

8.一种船舶的编队系统，其特征在于，包括：

第一模块，用于获取待编队船舶的第一船舶控制信息；

第二模块，用于获取待编队船舶的参数优化模型和观测器；

第四模块，用于获取船舶编队信息；

9.一种船舶的编队装置，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，使得所述至少一个处理器实现如权利要求1-7中任一项所述的船舶的编队方法。

10.一种计算机可读存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7中任一项所述的船舶的编队方法。