CN115731744B - 一种基于数据融合轨迹预测的船舶避碰决策方法 - Google Patents

一种基于数据融合轨迹预测的船舶避碰决策方法 Download PDF

Info

Publication number
CN115731744B
CN115731744B CN202210951066.3A CN202210951066A CN115731744B CN 115731744 B CN115731744 B CN 115731744B CN 202210951066 A CN202210951066 A CN 202210951066A CN 115731744 B CN115731744 B CN 115731744B
Authority
CN
China
Prior art keywords
ship
collision avoidance
target
method based
ltoreq
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
Application number
CN202210951066.3A
Other languages
English (en)
Other versions
CN115731744A (zh
Inventor
耿增涛
张子青
丁香乾
刘迅
任福鑫
李全喜
范振琳
于树松
王炳森
魏立明
赵巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Port Technology Group Qingdao Co ltd
Original Assignee
Shandong Port Technology Group Qingdao Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Port Technology Group Qingdao Co ltd filed Critical Shandong Port Technology Group Qingdao Co ltd
Priority to CN202210951066.3A priority Critical patent/CN115731744B/zh
Publication of CN115731744A publication Critical patent/CN115731744A/zh
Application granted granted Critical
Publication of CN115731744B publication Critical patent/CN115731744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于数据融合轨迹预测的船舶避碰决策方法，包括以下步骤：S1、采集并融合多个传感器的数据得到所述船舶的导航数据；S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解。提高了预测的可靠性和准确性。满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率。

Description

一种基于数据融合轨迹预测的船舶避碰决策方法
技术领域
本发明涉及船舶避让技术领域，具体涉及一种基于数据融合轨迹预测的船舶避碰决策方法。
背景技术
随着海运行业发展，进出港的船舶数量日益增长，船舶在航行过程中，了解自己和目标船舶在特定时间跨度内的未来位置对于有效解决碰撞情况至关关键。实践表明，更可靠、更准确的信息，能在预测船舶轨迹和做出正确决策方面提供重要依据，极大程度上影响了港口船舶作业安全性。
近年来船舶碰撞事故发生率明显增长，人为失误是海上事故的主要原因之一，成为船舶安全航行作业的潜在风险，类似事件给船舶安全生产敲响了警钟，因此，船舶驾驶员在有全面准确了解掌握如何避免船舶避碰的需求日益迫切。如何效减少避碰过程中的人为因素，提高船舶智能航行的安全性以及可靠性，减少驾驶人员的负担，为驾驶人员提供一定的建议和参考，从而降低船舶碰撞事故的发生率，已成为目前行业内主流需求。
综上，现需要设计一种基于数据融合轨迹预测的船舶避碰决策方法来解决以上现有技术中的问题。
发明内容
为解决上述现有技术中问题，本发明提供了一种基于数据融合轨迹预测的船舶避碰决策方法，通过数据融合，将多个双自主传感设备对船舶当前位置的测量考虑在内，增加了预测的可靠性和准确性；满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率。
为达到上述目的，本发明采用如下技术方案：
一种基于数据融合轨迹预测的船舶避碰决策方法，包括以下步骤：
S1、采集并融合多个传感器的数据得到所述船舶的导航数据；
S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；
S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；
S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；
S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解；
其中，所述步骤S2中的运动参数预测值通过所述自适应神经网络的响应权重确定，所述响应权重ωi的计算公式为：
其中，m为神经网络数量，𝑖为神经网络的编号，ωi为第𝑖个神经网络的响应权重，εi为第𝑖个神经网络预测误差，εmin为预测误差最小值，εmax为预测误差最大值；
所述预测误差εi根据所述步骤S1中的导航数据确定。
在本发明的一些实施例中，所述步骤S1中的导航数据由加权平均值表示：
其中，(为所述船舶在笛卡尔坐标中时刻t的位置融合值，(/>为所述船舶在笛卡尔坐标中时刻t的船速融合值，/>为融合权重矩阵，(/>为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的位置融合值，(/>为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的船速融合值。
在本发明的一些实施例中，所述融合权重矩阵Al(t)的计算公式为：
其中，Pij -1(t)为第i个和第j个传感器之间的误差互协方差矩阵。
在本发明的一些实施例中，所述误差互协方差矩阵Pij -1(t)的计算公式为：
其中，I4为矩阵，Ki(t)和Kj(t)分别为第i个和第j个传感器（1≤i≤N，1≤j≤ N）在时刻t的滤波增益矩阵，H，Φ为常数矩阵：
，/>。
在本发明的一些实施例中，所述运动几何关系包括目标船与本船的相对航速νR、相对航速的方向φR、目标船与本船的距离RT、目标船相对于本船的方位αT。
在本发明的一些实施例中，所述目标船相对于本船的方位αT的计算公式为：
式中，为确定目标船对于本船方位的辅助角，其大小根据本船与目标船的位置关系确定，即当/>时，/>，当/>时，，当当/>时，/>，当当/>时，；
其中，为目标船在X轴坐标，/>为本船在X轴坐标，/>为目标船在Y轴坐标，/>为本船在Y轴坐标。
在本发明的一些实施例中，所述步骤S4中建立避碰角决策模型包括以下步骤：
S41、计算所述本船与所述目标船的会遇距离DCPA及到达会遇点的时间TCPA；
S42、设定目标函数：
；
其中，LCOST为避碰行动造成的航程损失。
在本发明的一些实施例中，所述避碰角决策模型进行求解过程包括以下步骤：
S51、初始化种群和权重向量，并计算任意两个权重间的距离，以获得邻居；
S52、为每个子问题分配权重向量；
S53、根据聚合函数值更新父代种群；当达到停止条件则停止，输出最优解集，否则回到步骤S2重新为每个子问题分配权重向量。
在本发明的一些实施例中，所述聚合函数采用切比雪夫聚合函数，公式如下：
其中，表示/>是目标的优化向量，x是待优化变量，z为参考点。
在本发明的一些实施例中，所述停止条件为目标迭代次数。
本发明的技术方案相对现有技术具有如下技术效果：
通过将多个双自主传感器对船舶当前位置的测量数据进行融合，提高了预测的可靠性和准确性。为了最大限度地减少预测误差，设计一种算法利用了人工神经网络。同时，为了提高船舶智能避碰决策的效果与效率，建立以保障船舶航行安全为目标的避碰角决策模型，将船舶的运动参数预测值作为输入量，通过多目标优化算法对目标函数进行优化，计算出最优的转向避碰角和转向时机，满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率，为船舶航行、航道监控等提供信息支持，减少船舶航行中的安全隐患。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明船舶避碰决策方法流程图；
图2为本发明通过两个传感器判断船舶位置以及融合产生的导航数据；
图3为本发明中所述步骤S5的流程图；
图4为本发明避碰决策模型最优解集；
图5为本发明目标船仿真数据表；
图6为本发明行进过程中本船与目标船间的距离。
具体实施方式
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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。在上述实施方式的描述中，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示例中以合适的方式结合。
实施例1
参照图1所示，一种基于数据融合轨迹预测的船舶避碰决策方法，包括以下步骤：
S1、采集并融合多个传感器的数据得到所述船舶的导航数据；
具体是基于多个传感器最优信息融合卡尔曼滤波，滤波后的信号通过误差互协方差矩阵加权，然后计算平均输出信号作为导航数据，该导航数据可用于在指定时间内预测船舶的运动轨迹；
具体步骤包括：
S11、由加权平均值表示从N个传感器进行测量中获得融合的导航数据：
其中，(为所述船舶在笛卡尔坐标中时刻t的位置融合值，(/>为所述船舶在笛卡尔坐标中时刻t的船速融合值，/>为融合权重矩阵，(/>为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的位置融合值，(/>为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的船速融合值。
S12、所述融合权重矩阵Al(t)的计算公式为：
其中，Pij -1(t)为第i个和第j个传感器之间的误差互协方差矩阵。
S13、确定滤波后的所述误差互协方差矩阵Pij -1(t)的计算公式为：
其中，I4为矩阵，Ki(t)和Kj(t)分别为第i个和第j个传感器（1≤i≤N，1≤j≤ N）在时刻t的滤波增益矩阵，H，Φ为常数矩阵：
，/>。
如图2所示，以传感器记录的船舶位置数据为依据，通过船舶在直线轨道运动进行预测，来自两个传感器的预测结果不在一条直线上，且在某些时刻，传感器1存在丢失信号的情况。因最小化了预测误差矩阵的轨迹，融合后的导航数据大致在一条直线上，证明导航数据融合过程为最优。
S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；
确定预测运动参数的值的具体步骤包括：
S21：对S1中得到的导航数据，通过数据融合过程记录不同长度的字符串；
S22：通过广义回归神经网络（GRNN），采用大量由不同长度的数据串训练的神经网络，其结构包含四个功能多样化的层：输入层、模式层、求和层与输出层；其中，输入层神经元的数量等于训练数据的数量，模式层由两个神经元组成，输出层为一个；
从短字符串中训练的神经网络近似为机动船舶的运动参数值，从长字符串训练的神经网络近似为非机动船舶运动参数值，运动参数预测值是根据各神经网络的响应权重而确定。
计算运动参数预测值的具体方法为：通过改变权重，为特定神经网络的响应正确分配权重（运动参数的预测），因各神经网络的权重值是根据预测误差计算的，预测误差为基于步骤S1数据融合过程，根据船舶的导航数据而确定，其次，确定导航数据的神经网络响应，最后，基于每个神经网络的响应权重确定运动参数预测值；
其中，所述响应权重ωi的计算公式为：
其中，m为神经网络数量，𝑖为神经网络的编号，ωi为第𝑖个神经网络的响应权重，εi为第𝑖个神经网络预测误差，εmin为预测误差最小值，εmax为预测误差最大值。
具体地，船舶轨迹预测基于三个神经网络，这些神经网络由步骤S1融合后数据字符串训练，长度分别为 5、10 和 15 个元素。
S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；
所述运动几何关系包括目标船与本船的相对航速νR、相对航速的方向φR、目标船与本船的距离RT、目标船相对于本船的方位αr。
在笛卡尔直角坐标系中，本船S0的位置坐标为(x0，y0)，航向为φ0，航速为ν0，目标船ST的位置坐标为(xT，yT)，航向为φT，航速为νT，根据几何关系，本船与他船速度关系为：
S32、本船与目标船的速度在各坐标轴上的速度分量为：
其中，νx0为本船在X轴上的速度，νy0为本船在Y轴上的速度，νxT为目标船在X轴上的速度，νyT为目标船在Y轴上的速度，ν0为本船航速，νT为目标船航速；
S33、相对航速νR在各坐标轴上的分量为：
νx0为本船在X轴上的速度，νy0为本船在Y轴上的速度，νxT为目标船在X轴上的速度，νyT为目标船在Y轴上的速度；
S34、可得相对航速νR的大小为：
其中，νxR为相对航速在X轴的分量，νyR为相对航速在Y轴的分量；
S35、可得相对航速的方向φR为：
式中，为确定相对航速的方向的辅助角，其大小根据相对航速的正负值变化而变化，即：当时，/>，当/>时，/>，
当时，/>，当/>时，/>；
其中，为相对航速在X轴的分量，/>为相对航速在Y轴的分量；
S36、本船与目标船之间的距离RT为：
其中，为目标船在X轴坐标，/>为本船在X轴坐标，/>为目标船在Y轴坐标，/>为本船在Y轴坐标；
S37、所述目标船相对于本船的方位αT的计算公式为：
式中，为确定目标船对于本船方位的辅助角，其大小根据本船与目标船的位置关系确定，即当/>时，/>，当/>时，，当当/>时，/>，当当/>时，；
其中，为目标船在X轴坐标，/>为本船在X轴坐标，/>为目标船在Y轴坐标，/>为本船在Y轴坐标。
S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；
在本发明的一些实施例中，所述步骤S4中建立避碰角决策模型包括以下步骤：
S41、计算所述本船与所述目标船的会遇距离DCPA及到达会遇点的时间TCPA；
其中，本船和目标船的最近会遇距离DCPA为：
其中，其中，为本船与目标船之间的距离，/>为相对航速的方向，/>为目标船相对于本船方位；
本船和目标船抵达最近会遇点所需的时间TCPA为：
其中，为本船与目标船之间的距离，/>为相对航速的方向，/>为目标船相对于本船方位，/>为相对航速；
S42、两船会遇过程中的最小会遇距离应大于等于适合当时环境与情况的安全距离，即令目标船始终保持在安全距离上通过，本船转向避碰角为ΔC，行动时机为本船过最后一次观测点后到抵达转向点所经过的时间（这个时间段内本船保向保速行驶），为ΔT，则RTlast，νTlast为本船过最后一次观测点时两船间的相对距离和相对航速，设定目标函数：
；
其中，LCOST为避碰行动造成的航程损失。
S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解；
参照图3所示，所述避碰角决策模型进行求解过程包括以下步骤：
S51、初始化种群和权重向量，并计算任意两个权重间的距离，以获得邻居；
S52、为每个子问题分配权重向量；
S53、根据聚合函数值更新父代种群；当达到停止条件则停止，输出最优解集，否则回到步骤S2重新为每个子问题分配权重向量。
在本发明的一些实施例中，所述聚合函数采用切比雪夫聚合函数，公式如下：
其中，表示/>是目标的优化向量，x是待优化变量，z为参考点。
在本发明的一些实施例中，所述停止条件为目标迭代次数，具体地，最大迭代次数为1000，种群个体数为30，邻居种群规模为10，决策变量数目为2。
对步骤S4和步骤S5，为验证方法有效性，以本船起点(0, 0)，初始航向045°，速度12kn，通过仿真，参见图4，最优解集中，参考线以下的解为所有DCPA≥D的解，选取该集合中航程损失最小的解为最优解，目标船仿真数据参见图5，行进过程中本船与目标船间的距离，参见图6，以上仿真表明本发明提出的避碰决策，可使两船在安全距离通过。
本发明的技术方案相对现有技术具有如下技术效果：
通过将多个双自主传感器对船舶当前位置的测量数据进行融合，提高了预测的可靠性和准确性。为了最大限度地减少预测误差，设计一种算法利用了人工神经网络。同时，为了提高船舶智能避碰决策的效果与效率，建立以保障船舶航行安全为目标的避碰角决策模型，将船舶的运动参数预测值作为输入量，通过多目标优化算法对目标函数进行优化，计算出最优的转向避碰角和转向时机，满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率，为船舶航行、航道监控等提供信息支持，减少船舶航行中的安全隐患。
在上述实施方式的描述中，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示例中以合适的方式结合。
以上仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，包括以下步骤：
S1、采集并融合多个传感器的数据得到所述船舶的导航数据；
S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；
S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；
S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；
S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解；
其中，所述步骤S2中的运动参数预测值通过所述自适应神经网络的响应权重确定，所述响应权重ωi的计算公式为：
其中，m为神经网络数量，i为神经网络的编号，ωi为第i个神经网络的响应权重，εi为第i个神经网络预测误差，εmin为预测误差最小值，εmax为预测误差最大值；所述步骤S1中的导航数据由加权平均值表示：
其中，为所述船舶在笛卡尔坐标中时刻t的位置融合值，/>为所述船舶在笛卡尔坐标中时刻t的船速融合值，Al(t)为融合权重矩阵，/>为对于第i个传感器(1≤i≤N)在笛卡尔坐标中时刻t的位置融合值，/>为对于第i个传感器(1≤i≤N)在笛卡尔坐标中时刻t的船速融合值。
2.根据权利要求1所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述融合权重矩阵Al(t)的计算公式为：
其中，Pij -1(t)为第i个和第j个传感器之间的误差互协方差矩阵。
3.根据权利要求2所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述误差互协方差矩阵Pij -1(t)的计算公式为：
Pij(t)＝[I4-Ki(t)·H]·[Φ·Pij(t-1)·ΦT]·[I4-Kj(t)·H]T
其中，I4为4×4矩阵，Ki(t)和Kj(t)分别为第i个和第j个传感器(1≤i≤N，1≤j≤N)在时刻t的滤波增益矩阵，H，Φ为常数矩阵：
4.根据权利要求1所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述运动几何关系包括目标船与本船的相对航速νR、相对航速的方向目标船与本船的距离RT、目标船相对于本船的方位αT。
5.根据权利要求4所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述目标船相对于本船的方位αT的计算公式为：
式中，β为确定目标船对于本船方位的辅助角，其大小根据本船与目标船的位置关系确定，即当xT-x0>0，yT-y0>0时，β＝0°，当xT-x0>0，yT-y0<0时，β＝180°，当当xT-x0<0，yT-y0<0时，β＝180°，当当xT-x0<0，yT-y0>0时，β＝360°；
其中，xT为目标船在X轴坐标，x0为本船在X轴坐标，yT为目标船在Y轴坐标，y0为本船在Y轴坐标。
6.根据权利要求1所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述步骤S4中建立避碰角决策模型包括以下步骤：
S41、计算本船与目标船的会遇距离DCPA及到达会遇点的时间TCPA；
S42、设定目标函数：
其中，LCOST为避碰行动造成的航程损失。
7.根据权利要求1所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述避碰角决策模型进行求解过程包括以下步骤：
S51、初始化种群和权重向量，并计算任意两个权重间的距离，以获得邻居；
S52、为每个子问题分配权重向量；
S53、根据聚合函数值更新父代种群；当达到停止条件则停止，输出最优解集，否则回到步骤S2重新为每个子问题分配权重向量。
8.根据权利要求7所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述聚合函数采用切比雪夫聚合函数，公式如下：
mingte(x|λ,z*)＝max1≤j≤m{λj|fj(x)-z* j|}
其中，gte(x|λ,z*)表示λ是目标的优化向量，x是待优化变量，z为参考点。
9.根据权利要求7所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述停止条件为目标迭代次数。
CN202210951066.3A 2022-08-09 2022-08-09 一种基于数据融合轨迹预测的船舶避碰决策方法 Active CN115731744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210951066.3A CN115731744B (zh) 2022-08-09 2022-08-09 一种基于数据融合轨迹预测的船舶避碰决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210951066.3A CN115731744B (zh) 2022-08-09 2022-08-09 一种基于数据融合轨迹预测的船舶避碰决策方法

Publications (2)

Publication Number Publication Date
CN115731744A CN115731744A (zh) 2023-03-03
CN115731744B true CN115731744B (zh) 2023-09-08

Family

ID=85292720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210951066.3A Active CN115731744B (zh) 2022-08-09 2022-08-09 一种基于数据融合轨迹预测的船舶避碰决策方法

Country Status (1)

Country Link
CN (1) CN115731744B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10250681A (ja) * 1997-03-14 1998-09-22 Mitsui Eng & Shipbuild Co Ltd 船舶の危険行動評価装置
JPH11272999A (ja) * 1998-03-24 1999-10-08 Tokimec Inc 船舶衝突予防援助装置及び船舶衝突予防援助方法
CN112906858A (zh) * 2021-01-26 2021-06-04 武汉工程大学 一种船舶运动轨迹实时预测方法
CN113744569A (zh) * 2021-11-03 2021-12-03 武汉理工大学 开阔水域船舶自主避碰方法、系统、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10250681A (ja) * 1997-03-14 1998-09-22 Mitsui Eng & Shipbuild Co Ltd 船舶の危険行動評価装置
JPH11272999A (ja) * 1998-03-24 1999-10-08 Tokimec Inc 船舶衝突予防援助装置及び船舶衝突予防援助方法
CN112906858A (zh) * 2021-01-26 2021-06-04 武汉工程大学 一种船舶运动轨迹实时预测方法
CN113744569A (zh) * 2021-11-03 2021-12-03 武汉理工大学 开阔水域船舶自主避碰方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115731744A (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
CN109753068B (zh) 一种考虑通信情况的多usv群体协同避碰规划方法
CN109933067B (zh) 一种基于遗传算法和粒子群算法的无人艇避碰方法
CN108711312B (zh) 基于bp神经网络的船舶与静态物标碰撞风险预判方法
CA3067573A1 (en) Target tracking systems and methods for uuv
Lin et al. An improved recurrent neural network for unmanned underwater vehicle online obstacle avoidance
CN108319293B (zh) 一种基于lstm网络的uuv实时避碰规划方法
CN112100917A (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
CN110837255B (zh) 一种适用于高速水面无人艇的自主危险规避方法
CN113093804B (zh) 基于反演滑模控制的无人艇编队控制方法和控制系统
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
CN113467231A (zh) 基于侧滑补偿ilos制导律的无人艇路径跟踪方法
CN113538973B (zh) 一种基于改进粒子群算法的船舶自动避碰方法
CN115258093B (zh) 一种欠驱商船自主靠离泊测试方法及系统
CN113848974A (zh) 一种基于深度强化学习的飞行器轨迹规划方法及系统
CN115421483B (zh) 一种无人船操纵运动预报方法
CN113283653A (zh) 一种基于机器学习和ais数据的船舶轨迹预测方法
CN112181002A (zh) 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法
Davari et al. Real-time outlier detection applied to a Doppler velocity log sensor based on hybrid autoencoder and recurrent neural network
CN113032896A (zh) 一种基于船舶驾驶员偏好的避碰辅助决策方法
CN110320907B (zh) 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法
CN115265532A (zh) 一种用于船用组合导航中的辅助滤波方法
CN115731744B (zh) 一种基于数据融合轨迹预测的船舶避碰决策方法
CN117850416A (zh) 一种水面无人船智能操纵方法
CN108459614B (zh) 一种基于cw-rnn网络的uuv实时避碰规划方法
CN116859933A (zh) 新型的超大型欠驱动船舶路径跟踪预测los制导方法

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