CN116166007A - 一种多源数据融合的船舶靠泊路径规划方法 - Google Patents

一种多源数据融合的船舶靠泊路径规划方法 Download PDF

Info

Publication number
CN116166007A
CN116166007A CN202211652099.4A CN202211652099A CN116166007A CN 116166007 A CN116166007 A CN 116166007A CN 202211652099 A CN202211652099 A CN 202211652099A CN 116166007 A CN116166007 A CN 116166007A
Authority
CN
China
Prior art keywords
data
ship
berthing
collected
driver
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.)
Pending
Application number
CN202211652099.4A
Other languages
English (en)
Inventor
霍之琳
刘思渠
蔡道萌
孟浩
刘东航
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.)
China Shipbuilding Corp System Engineering Research Institute
Original Assignee
China Shipbuilding Corp System Engineering Research Institute
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 China Shipbuilding Corp System Engineering Research Institute filed Critical China Shipbuilding Corp System Engineering Research Institute
Priority to CN202211652099.4A priority Critical patent/CN116166007A/zh
Publication of CN116166007A publication Critical patent/CN116166007A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供了一种多源数据融合的船舶靠泊路径规划方法，运用物联网技术、人工智能技术，融合船舶自身监测数据、环境监测数据、驾驶员行为监测数据等多源数据，建立多个因素与其靠泊路径规划之间的联系，引导船舶安全、高效靠泊。

Description

一种多源数据融合的船舶靠泊路径规划方法
技术领域
本申请涉及水路交通技术领域，尤其涉及一种多源数据融合的船舶靠泊路径规划方法。
背景技术
随着经济不断发展，船舶数量日益增加，但船舶靠泊过程可视化、信息化程度不高，传统电话、手势指挥形式不能满足日益增长的船舶自主靠离泊管理。
早期船舶靠泊监测是利用声纳技术监测船舶靠泊速度，但声纳技术存在不可克服的缺陷，如声波波束过大，容易被来往的小船或被测船舶的船尾推进器驱动水流干扰，而影响监测效果，以及声纳探头必须安装在水下，且容易损坏，维修不便等缺陷而使得监测效果不理想。随着雷达和激光技术在船舶靠泊领域的发展和应用，增强了监测数据的准确性和船舶靠泊安全性，但靠泊过程依旧十分依赖驾驶员的技术和经验，在靠泊路径规划过程中可能会出现判断失误，进而引发船舶碰撞码头等一系列风险问题。
发明内容
本申请实施例提供了一种多源数据融合的船舶靠泊路径规划方法，包括：
步骤S1、数据采集：
通过多种传感器采集船舶靠泊过程中的各类信息：信息包括船舶自身数据、环境数据、驾驶员行为数据；
步骤S2、数据存储：
存储采集到的各类信息；
步骤S3、数据清洗：
剔除当前冗余和错误采集的数据；
步骤S4、数据学习：
分析船舶驾驶员在多次靠泊过程中的行为数据，将船舶自身数据、环境数据、驾驶员行为数据进行预处理后放入深度学习模型中进行训练，进一步学习驾驶员在靠泊过程中的避碰、路径规划策略。
在一些实施例中，所述存储采集到的各类信息，包括：将采集到的各类信息进行分类存储，生成船舶监测数据库、环境监测数据库、驾驶员行为数据库。
在一些实施例中，所述剔除当前冗余和错误采集的数据，包括：剔除不合理的采集数据和删除因驾驶员判断失误的靠泊路径数据。
在一些实施例中，所述将船舶自身数据、环境数据、驾驶员行为数据进行预处理后放入深度学习模型中进行训练，包括：包括建立深度学习模型，以采集到的船舶自身数据、环境数据作为模型输入，对应的船舶靠泊路径作为输出。
在一些实施例中，所述船舶自身数据包括：采集到的船舶自身长、宽、吨位、离岸距离、靠泊角度、靠泊速度及视频影像信息；
所述环境数据包括：水流速流向、潮位波浪及风速风向信息；
所述驾驶员行为数据包括：船舶靠泊路径信息。
本申请上述实施例通过设计一种多源数据融合的船舶靠泊路径规划方法，运用物联网技术、人工智能技术，融合船舶自身监测数据、环境监测数据、驾驶员行为监测数据等多源数据，建立多个因素与其靠泊路径规划之间的联系，引导船舶安全、高效靠泊。
附图说明
附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为一种多源数据融合的船舶靠泊路径规划方法示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
下面结合具体实例和附图对本发明作进一步说明。
本发明提供一种多源数据融合的船舶靠泊路径规划方法，如图1所示，本方法包括以下步骤：
S1、数据采集：
通过多种传感器采集船舶靠泊过程中的各类信息：信息包括船舶自身数据、环境数据、驾驶员行为数据。
所述的船舶自身数据包括：船舶自身长、宽、吨位、离岸距离、靠泊角度、靠泊速度、视频影像信息等，其中船舶长、宽、吨位不同可直接影响驾驶难度，数据采集可通过泊位处RFID标签识别器识别船舶身份进而得到长、宽、吨位数据；离岸距离、靠泊角度、靠泊速度对驾驶员的靠泊路径规划判断有重要影响，数据采集可通过激光雷达探测设备采集数据；视频影像可360°无死角显示船舶靠泊全过程，避免驾驶员因视线盲区判断失误，数据采集通过红外摄像设备与高清摄像设备相结合，24小时全天候监控。
所述的环境数据具体包括：水流速流向、潮位波浪、风速风向信息等，水流速流向数据和潮位波浪数据可通过流速流向仪和潮位波浪仪获取；风速风向可通过风速风向传感器监测获取。
所述的驾驶员行为数据包括：船舶靠泊路径信息，采集船舶靠泊虚拟航线。
S2、数据存储：
分类存储采集到的各类信息。船舶监测数据库、环境监测数据库、驾驶员行为数据库。
S3、数据清洗：
将靠泊过程中各类传感器采集的信息进行数据清洗，检查数据一致性，处理无效值和缺失值，提高数据处理效率；删除驶员决策失误的靠泊路径数据。
S4、数据学习：
建立深度学习模型，以采集到的船舶自身数据、环境数据作为模型输入，对应的船舶靠泊路径作为输出，大量的船舶自身数据、环境数据、驾驶员行为数据经过深度学习模型的训练，可挖掘分析出不同船舶在不同环境中安全靠泊的路径规划策略。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成。

Claims (5)

1.一种多源数据融合的船舶靠泊路径规划方法，其特征在于，所述方法包括：
步骤S1、数据采集：
通过多种传感器采集船舶靠泊过程中的各类信息：信息包括船舶自身数据、环境数据、驾驶员行为数据；
步骤S2、数据存储：
存储采集到的各类信息；
步骤S3、数据清洗：
剔除当前冗余和错误采集的数据；
步骤S4、数据学习：
分析船舶驾驶员在多次靠泊过程中的行为数据，将船舶自身数据、环境数据、驾驶员行为数据进行预处理后放入深度学习模型中进行训练，进一步学习驾驶员在靠泊过程中的避碰、路径规划策略。
2.根据权利要求1所述的方法，其特征在于，所述存储采集到的各类信息，包括：将采集到的各类信息进行分类存储，生成船舶监测数据库、环境监测数据库、驾驶员行为数据库。
3.根据权利要求1所述的方法，其特征在于，所述剔除当前冗余和错误采集的数据，包括：剔除不合理的采集数据和删除因驾驶员判断失误的靠泊路径数据。
4.根据权利要求1所述的方法，其特征在于，所述将船舶自身数据、环境数据、驾驶员行为数据进行预处理后放入深度学习模型中进行训练，包括：包括建立深度学习模型，以采集到的船舶自身数据、环境数据作为模型输入，对应的船舶靠泊路径作为输出。
5.根据权利要求1所述的方法，其特征在于，所述船舶自身数据包括：采集到的船舶自身长、宽、吨位、离岸距离、靠泊角度、靠泊速度及视频影像信息；
所述环境数据包括：水流速流向、潮位波浪及风速风向信息；
所述驾驶员行为数据包括：船舶靠泊路径信息。
CN202211652099.4A 2022-12-21 2022-12-21 一种多源数据融合的船舶靠泊路径规划方法 Pending CN116166007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211652099.4A CN116166007A (zh) 2022-12-21 2022-12-21 一种多源数据融合的船舶靠泊路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211652099.4A CN116166007A (zh) 2022-12-21 2022-12-21 一种多源数据融合的船舶靠泊路径规划方法

Publications (1)

Publication Number Publication Date
CN116166007A true CN116166007A (zh) 2023-05-26

Family

ID=86410502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211652099.4A Pending CN116166007A (zh) 2022-12-21 2022-12-21 一种多源数据融合的船舶靠泊路径规划方法

Country Status (1)

Country Link
CN (1) CN116166007A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311354A (zh) * 2023-10-12 2023-12-29 大连海事大学 一种基于精确任务导向的港作船自主路径规划及靠泊方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311354A (zh) * 2023-10-12 2023-12-29 大连海事大学 一种基于精确任务导向的港作船自主路径规划及靠泊方法
CN117311354B (zh) * 2023-10-12 2024-03-29 大连海事大学 一种基于精确任务导向的港作船自主路径规划及靠泊方法

Similar Documents

Publication Publication Date Title
CN110414396B (zh) 一种基于深度学习的无人艇感知融合算法
US10936907B2 (en) Training a deep learning system for maritime applications
CN101214851B (zh) 船舶行驶智能型全天候主动安全预警系统及其预警方法
US20200050202A1 (en) Deep Learning and Intelligent Sensing System Integration
US7221621B2 (en) System and method for identification and quantification of sonar targets in a liquid medium
Martin-Abadal et al. Deep semantic segmentation in an AUV for online posidonia oceanica meadows identification
Kvasić et al. Convolutional neural network architectures for sonar-based diver detection and tracking
Maki et al. Tracking a sea turtle by an AUV with a multibeam imaging sonar: Toward robotic observation of marine life
CN115147594A (zh) 一种基于船艏向识别的船舶图像轨迹跟踪与预测方法
CN116166007A (zh) 一种多源数据融合的船舶靠泊路径规划方法
Zhang et al. A object detection and tracking method for security in intelligence of unmanned surface vehicles
CN115346399B (zh) 基于相控阵雷达、ais和lstm网络的大桥防船撞预警系统
Reed et al. The detection and disposal of IED devices within harbor regions using AUVs, smart ROVs and data processing/fusion technology
Hansen et al. Colregs-based situation awareness for marine vessels-a discrete event systems approach
CN112185171B (zh) 一种融合船舶驾驶员经验的船舶路径规划方法
CN116469276A (zh) 水域安全预警方法、装置、设备及存储介质
JP7086475B2 (ja) 操船支援装置
CN113705503A (zh) 一种基于多模态信息融合的异常行为检测系统及方法
CN116087984B (zh) 一种基于激光雷达的作业船防碰撞平台
CN113837213A (zh) 一种基于贝叶斯的深潜器多变量融合及漏水检测方法
TWM603177U (zh) 基於深度學習之船舶識別邊緣運算裝置
Foresti et al. Autonomous underwater vehicle guidance by integrating neural networks and geometric reasoning
CN117152530A (zh) 一种基于多模态信息融合的海面目标跟踪系统
Kimura Large-Scale Landslides Detection from Satellite Images with Incomplete Labels
Handayani et al. Robot Boat Prototype System Based on Image Processing for Maritime Patrol Area

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