CN116224999A - 一种基于数据驱动的船舶全局路径规划方法 - Google Patents
一种基于数据驱动的船舶全局路径规划方法 Download PDFInfo
- Publication number
- CN116224999A CN116224999A CN202310016117.8A CN202310016117A CN116224999A CN 116224999 A CN116224999 A CN 116224999A CN 202310016117 A CN202310016117 A CN 202310016117A CN 116224999 A CN116224999 A CN 116224999A
- Authority
- CN
- China
- Prior art keywords
- ship
- target
- data
- track
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 47
- 230000003068 static effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于数据驱动的船舶全局路径规划方法,其包括:基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库;基于轨迹时空序列特征数据库构建目标水域的栅格环境模型;将获取的目标船舶的参数信息和目标点的位置信息加载到所述栅格环境模型进行栅格环境匹配;基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径。本发明将水域交通特征应用于船舶全局路径的规划中,提高了船舶航行的安全性。
Description
技术领域
本发明涉及船舶路径规划技术领域,尤其涉及一种基于数据驱动的船舶全局路径规划方法。
背景技术
随着水上交通运输持续发展,智能航运作为水上交通运输是未来发展的必然趋势,也是我国航运业发展和研究的重中之重。随着航运需求的逐渐复苏和自主航行船舶的应用,船舶的航行路径和航行环境势必更为复杂多样。因此,如何在复杂海洋环境中,为船舶规划一条既能够实现或接近最优航线又能避开影响航行安全因素的航行路径,满足船舶的航行需求,变得日渐重要。
船舶全局路径规划主要是考虑航行环境特征等静态障碍物,规划出出发点到终止点的船舶航行路径,其表达要素包括转向点和航向等内容。面向船舶航行安全和航行效率以及智能船舶的发展需求,研究船舶的全局路径规划方法对于提升船舶智能化水平和营运效率具有重要的意义。
但是,目前船舶全局路径规划算法仅仅从水域环境出发进行路径规划,未考虑水域船舶交通特征,致使规划的全局路径可能与水域习惯航线存在较多的交叉,增加了水域船舶交通的风险。
发明内容
有鉴于此,有必要提供一种基于数据驱动的船舶全局路径规划方法,用以解决现有技术中进行全局路径规划中为考虑水域船舶交通特征的问题。
本发明提供了一种基于数据驱动的船舶全局路径规划方法,包括:
基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库;
基于轨迹时空序列特征数据库构建目标水域的栅格环境模型;
将获取的目标船舶的参数信息和目标点的位置信息加载到所述栅格环境模型进行栅格环境匹配;
基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径。
在一些可能的实现方式中,所述基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库,包括:
删除或修正目标水域船舶的历史AIS数据中的噪声数据得到预处理后的AIS数据;
将所述预处理后的AIS数据按照时间序列排序形成的所述目标水域船舶的轨迹数据集合;
基于所述目标水域船舶的轨迹数据集合建立轨迹时空序列特征数据库。
在一些可能的实现方式中,基于轨迹时空序列特征数据库构建目标水域的栅格环境模型,包括:
运用像素值提取方法,提取目标水域的海图信息并建立栅格地图;
对所述轨迹时空序列特征数据库中的历史轨迹数据进行轨迹相似性度量和轨迹聚类算法得到目标水域船舶航线的不同的历史轨迹簇;
将所述历史轨迹簇进行归一化处理后分别投影至所述栅格地图中。
在一些可能的实现方式中,所述基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径,包括:
步骤一、将所述目标船舶在所述栅格环境模型中的节点设置为起始点并加入Open表中,将所述栅格环境模型中障碍点放入Closed表中;
步骤二、基于扩展的邻域节点检查Open表中的扩展节点有无目标点,若没有目标点,则跳到步骤三;若存在目标点,将目标点加入Closed表中,保存搜索路径并结束算法;
步骤三、将当前节点设置为父节点,并将其转移到Closed表中;
步骤四、根据目标船舶的评价函数计算各个扩展节点的值,并选择最小的点作为新节点,同时将其余扩展节点都存放到Closed链表中;
步骤五、确认Open表是否为空表,若不为空表,则返回步骤二,若Closed表已空,则路径不存在,算法结束。
在一些可能的实现方式中,还包括:通过目标船舶可移动方向和邻域数量确定所述扩展的邻域节点;
其中,所述目标船舶可移动方向以及邻域数量的计算公式如下:
式中,K为节点的层数,DK为所述目标船舶可移动方向,NK为邻域数量,Z表示整数。
在一些可能的实现方式中,所述目标船舶的评价函数的公式为:f(n)=g(n)+h(n);
其中,g(n)为加入了奖惩因素的成本函数,h(n)函数为加入了奖惩因素的启发函数。
在一些可能的实现方式中,所述奖惩因素包括第一惩罚因素、奖励因素和第二惩罚因素,所述奖惩因素对应的函数表达式为:
式中:Uall为所述奖惩因素的函数值,Uatt为目标点对目标船舶产生奖励因素的函数值,Urep为障碍物对所述目标船舶产生的第一惩罚因素的函数值,Uother表示所述目标船舶受除开障碍物的其他因素的第二惩罚因素的函数值,k1+k2+k3=1,k1,k2,k3分别为奖惩因素的函数、第一惩罚因素的函数和第二惩罚因素的函数的权重。
在一些可能的实现方式中,还包括:根据障碍物对所述目标船舶产生的惩罚值确定的所述第一惩罚因素的函数,根据除开障碍物的其他因素对所述目标船舶产生的惩罚值确定的第二惩罚因素的函数;
所述第一惩罚因素的函数表达式为:
式中:Urep(X)为障碍物对所述目标船舶产生的惩罚值,krep表示增益系数,X0表示障碍物的位置坐标信息,Xc为所述目标船舶的位置坐标信息,d0为碍航物影响范围,d(Xc,X0)表示所述目标船舶到障碍物的距离值;
所述第二惩罚因素的函数表达式为:
Uother=k*p(x,y)
式中:Uother表示所述目标船舶受除开障碍物的其他因素的惩罚值,p(x,y)表示所述目标船舶受除开障碍物的其他因素影响发生安全事故的概率,k表示增益系数。
在一些可能的实现方式中,所述奖励因素的函数的值等于所述历史轨迹簇进行归一化处理后密度值的相反数。
在一些可能的实现方式中,从起始点到所述目标船舶的位置实际路径成本确定的所述成本函数,从所述目标船舶的位置到目标点的位置的估计路径成本确定的所述启发函数;
到目标点的估计路径成本确定的所述启发函数;
所述启发函数计算公式为:
式中:C为水平或横向移动一个栅格的路径成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息;
所述g(n)函数计算公式为:
式中:C为水平或横向移动一个栅格的路径成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息。
采用上述实施例的有益效果是:本发明提供的一种基于数据驱动的船舶全局路径规划方法,首先将历史AIS数据进行预处理,构建基于时间序列的轨迹行为特征数据库;然后,以电子海图为基础,运用像素值提取方法构建基础栅格环境模型,结合栅格船舶交通流数据进行归一化建模,建立基于轨迹关联特征的水域栅格环境模型。最后,在水域栅格环境模型的基础上,结合船舶行为特征和航行规范等改进A*算法,从而在船舶全局路径规划中,提高了航行的安全性。
附图说明
图1为本发明提供的一种基于数据驱动的船舶全局路径规划方法一个实施例的流程图;
图2为图1中步骤S101一个实施例的流程图;
图3为图1中步骤S102一个实施例的流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
图1为提供的一种基于数据驱动的船舶全局路径规划方法的一个实施例流程示意图,如图1所示,一种基于数据驱动的船舶全局路径规划方法,包括:
S101、基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库;
S102、基于轨迹时空序列特征数据库构建目标水域的栅格环境模型;
S103、将获取的目标船舶的参数信息和目标点的位置信息加载到所述栅格环境模型进行栅格环境匹配;
S104、基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径。
与现有技术相比,本实施例提供的一种基于数据驱动的船舶全局路径规划方法,首先将历史AIS数据进行预处理,构建基于时间序列的轨迹行为特征数据库;然后,以电子海图为基础,运用像素值提取方法构建基础栅格环境模型,结合栅格船舶交通流数据进行归一化建模,建立基于轨迹关联特征的水域栅格环境模型。最后,在水域栅格环境模型的基础上,结合船舶行为特征和航行规范等改进A*算法,从而在船舶全局路径规划中,提高了航行的安全性。
在步骤S103中,所述目标船舶的参数信息包括目标船舶的尺度、航速、航向、位置信息,其他相关信息诸如增益系数、算法步长和船舶最大转向角度等。
在本发明的一些实施例中,在步骤S101中所述基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库,包括:
S201、删除或修正目标水域船舶的历史AIS数据中的噪声数据得到预处理后的AIS数据;
S202、将所述预处理后的AIS数据按照时间序列排序形成的所述目标水域船舶的轨迹数据集合;
S203、基于所述目标水域船舶的轨迹数据集合建立轨迹时空序列特征数据库。
在步骤S201,得到预处理后AIS数据包括在目标水域船舶的历史AIS数据中删除水上移动通信业务标识码异常、完全相同的重复数据、数据噪声,补全修正或删除经纬度异常、航速航向数据异常数据,得到预处理后的AIS数据。预处理后AIS数据为:
Static(i)=(MMSI,callsign,IMO,type,len,bre,dra)(i=1,2,...,n)
Activity(i)=(time,MMSI,lon,lat,sog,cog,...)(i=1,2,...,N)
其中,Static(i)为第i条船舶静态信息数据,MMSI为船舶的水上移动业务识别码,callsign、IMO、type、len、bre、dra则分别表示该轨迹点所属船舶的呼号、IMO号、类型、长度、宽度、吃水。Activity(i)第i条船舶动态信息数据,MMSI为船舶的水上移动业务识别码;time、lon、lat、len、sog、cog则分别表示该点的船舶的行为特征和时空信
…
息如时间、MMSI、经纬度、对地航速和对地航向等。
在步骤S202中,获取单个船舶在一定时间段内的连续AIS数据信息,即为船舶时间序列轨迹,再对其进行合并得到一定时间段目标水域范围内船舶的轨迹数据集合。
所述轨迹数据集合包括,基于时间、航速、航向以及船舶经纬度信息进行轨迹特征点的提取和子轨迹段的分类,首先以时间和距离等参数提取轨迹分段的特征点,将时空距离过大的不同船舶轨迹段划分为若干个子轨迹段;然后,依据航速、航向以及相对位置等对每个子轨迹段的行为特征参数进行特征点提取,进一步将子轨迹段划分为停留特征轨迹段和航行特征轨迹段。
在本发明的具体实施中,选取所述目标船舶长度的一倍作为栅格的尺寸大小,使其能精确地表示碍航物位置,以此进行栅格划分和模型建立;引入所得历史轨迹信息,引导船舶避开船舶低频航行区域,减少与碍航物的碰撞风险。
在步骤S203中,对所述轨迹数据集合中的数据去重、异常筛选等处理后,分别构建AIS静态信息数据表和AIS动态信息数据表,并以MMSI为索引建立两数据表之间的关联关系。并进一步对AIS静态信息中的船型等进行语义匹配,对AIS动态信息中的行为特征数据进行进一步的分段等处理,最后将处理好的数据分别存储到AIS静态信息数据表和AIS动态信息数据表中,得到轨迹时空序列特征数据库。
在本发明的一些实施例中,在步骤S102中,所述基于轨迹时空序列特征数据库构建目标水域的栅格环境模型,包括:
S301、运用像素值提取方法,提取目标水域的海图信息并建立栅格地图;
S302、对所述轨迹时空序列特征数据库中的历史轨迹数据进行轨迹相似性度量和轨迹聚类算法得到目标水域船舶航线的不同的历史轨迹簇;
S303、将所述历史轨迹簇进行归一化处理后分别投影至所述栅格地图中。
需要说明的是,海图在船舶航线规划和船舶航行决策中提供了非常重要的信息支撑,海图能够提供船舶航行活动中包括陆地、浅滩、礁石、沉船和桥梁等碍航物和风、浪、流、水深等威胁船舶航行安全因素在内的所有信息,海图中对不同种类的通航信息进行了颜色区分,因而可通过对不同颜色的分类提取识别出海图中的碍航物和水深等信息。
在步骤S301中,在获取处理后的海图矩阵之后,在现有栅格建模方法的基础上,将网格对应的经纬度坐标与海图图像中经纬度对应的RGB值进行匹配,并将海图像素的RGB值与所对应的海图信息类型进行映射,对不同类型像素点进行赋值并作为栅格信息建立栅格地图。
需要说明的是,动态时间规整(Dynamic Time Warping,DTW)是一种广泛应用于语音识别的技术,其基本思想是通过对两个轨迹序列的时间进行扭曲和调整,采取重复点在时间轴上进行局部的缩放对齐等,以使得两条轨迹形态尽可能一致,然后通过动态规划的方法求得两条轨迹间总距离最小的变换路径。由于DTW算法对轨迹的长度限制较小,符合船舶轨迹采样离散的特征,且能够区分不同方向的轨迹,因此在步骤S302中取DTW算法对历史轨迹数据进行轨迹相似性度量,具体如下,对两条轨迹Traj1和Traj2,其动态时间规整计算公式如下所示:
式中:DTW(Traj1,Traj2)为轨迹Traj1和Traj2两条轨迹间的所有轨迹点的DTW距离,Head(Traj)表示该轨迹的第一个点,rest(Traj)表示该轨迹中除第一个点之外的所有轨迹点。
需要说明的是,层次的聚类算法依据其聚类顺序可分为从下至上和从上至下的两类,前者是从最底层开始,计算聚类目标之间的距离并逐步合并最相似的聚类目标形成新一层数据,然后计算新形成的层内各簇之间的距离,循环迭代直至全部数据聚为一类或者达到中止条件。后者则与前者相反,将所有聚类目标设为同一个簇,然后将初始的簇分裂为子簇,再将子簇继续进行分裂,迭代至单节点簇为止。基于层次的聚类算法具有较强的解释性,但是算法时间复杂度较高。因此在步骤S302选择轨迹聚类算法中的层次的聚类算法对历史轨迹数据进行聚类。
为了引导所述目标船舶避开船舶低频航行区域,减少与碍航物的碰撞风险,在步骤S303中,将历史轨迹数据的栅格归一化处理,通过对历史轨迹数据聚类可以得出船舶的习惯航线,可以为船舶路径的规划提供一定的参考和借鉴意义,因此将历史船舶的航线视为吸引区域。同时对船舶的轨迹点密度进行归一化处理,并将归一后的栅格密度值赋值给所在栅格,使其符合栅格环境信息。轨迹点密度的归一化公式如下:
式中:x为该点的密度,xmax为密度的最大值。
需要说明的是,A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。A*(A-Star)算法的公式表示为f(n)=g(n)+h(n),其中f(n)是从初始状态经由状态n到目标状态的最小代价估计,g(n)表示初始状态到状态n的最小代价,h(n)表示状态n到目标状态的路径的最小估计代价。在A*(A-Star)算法中使用了两个状态表,分别称为Open表和Closed表。Open表由待考察的节点组成,Closed表由已经考察过的节点组成。本实施例使用的A*(A-Star)算法,f(n)表示从出发点经过当前点n到达目标点的路径成本,g(n)从出发点到当前点n的实际路径成本表示,h(n)表示到当前点n到达目标点的估计成本。
在本发明的一些实施例中,所述基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径,包括:
步骤一、将所述目标船舶在所述栅格环境模型中的节点设置为起始点并加入Open表中,将所述栅格环境模型中障碍点放入Closed表中;
步骤二、基于扩展的邻域节点检查Open表中的扩展节点有无目标点,若没有目标点,则跳到步骤三;若存在目标点,将目标点加入Closed表中,保存搜索路径并结束算法;
步骤三、将当前节点设置为父节点,并将其转移到Closed表中;
步骤四、根据目标船舶的评价函数计算各个扩展节点的值,并选择最小的点作为新节点,同时将其余扩展节点都存放到Closed链表中;
步骤五、确认Open表是否为空表,若不为空表,则返回步骤二,若Closed表已空,则路径不存在,算法结束。
为了能够有效地提升规划的全局路径的可行性,同时能够降低全局路径长度和路径中节点个数,使得规划的全局路径趋于平滑,将A*(A-Star)算法中的邻域节点进行扩展。在本发明的一些实施例中,还包括:通过目标船舶可移动方向和邻域数量确定所述扩展的邻域节点;
其中,所述目标船舶可移动方向以及邻域数量的计算公式如下:
式中,K为节点的层数,DK为所述目标船舶可移动方向,NK为邻域数量,Z表示整数。
船舶在运动过程中,若船舶与岸堤之间距离过近则会产生岸壁效应,出现岸吸岸推现象,使得船舶的操纵性降低,进而提升事故发生的概率,不利于船舶的航行安全。船舶在航行过程中需要考虑与障碍物之间存在的碰撞风险,应当与障碍物保持安全距离,因此设计了惩罚因素函数。在本发明的一些实施例中,所述目标船舶的评价函数的公式为:f(n)=g(n)+h(n);其中,g(n)为加入了奖惩因素的成本函数,h(n)函数为加入了奖惩因素的启发函数。
船舶的航行安全也受风、浪、流以及潮汐等气象情况影响,比如当航行水域存在台风,则船舶应避免进入台风影响范围以保证船舶航行安全;当港口水域存在大雾等能见度不良天气,则船舶应当谨慎驾驶甚至滞航。对于以上影响,本实施例设计了第二惩罚因素函数来表示。在本发明的一些实施例中,所述奖惩因素包括第一惩罚因素、奖励因素和第二惩罚因素,所述奖惩因素对应的函数表达式为:
式中:Uall为所述奖惩因素的函数值,Uatt为目标点对目标船舶产生奖励因素的函数值,Urep为障碍物对所述目标船舶产生的第一惩罚因素的函数值,Uother表示所述目标船舶受除开障碍物的其他因素的第二惩罚因素的函数值,k1+k2+k3=1,k1,k2,k3分别为奖惩因素的函数、第一惩罚因素的函数和第二惩罚因素的函数的权重。
在本发明的一些实施例中,根据障碍物对所述目标船舶产生的惩罚值确定的所述第一惩罚因素的函数,根据除开障碍物的其他因素对所述目标船舶产生的惩罚值确定的第二惩罚因素的函数;
所述第一惩罚因素的函数表达式为:
式中:Urep(X)为障碍物对所述目标船舶产生的惩罚值,krep表示增益系数,X0表示障碍物的位置坐标信息,Xc为所述目标船舶的位置坐标信息,d0为碍航物影响范围,d(Xc,X0)表示所述目标船舶到障碍物的距离值;
所述第二惩罚因素的函数表达式为:
Uother=k*p(x,y)
式中:Uother表示所述目标船舶受除开障碍物的其他因素的惩罚值,p(x,y)表示所述目标船舶受除开障碍物的其他因素影响发生安全事故的概率,k表示增益系数。
在本发明的一些实施例中,所述奖励因素的函数的值等于所述历史轨迹簇进行归一化处理后密度值的相反数。
为了使所述目标船舶与障碍物之间存在安全距离,以保证所述目标船舶的航行安全,因此需要将奖惩函数引入船舶移动的实际成本中,即加入在g(n)函数中,相应的为了提高启发函数h(n)预估实际移动成本的精确性,保证算法的效率,启发函数h(n)中也需要将奖惩因素函数纳入预估成本中。在本发明的一些实施例中,还包括:从起始点到所述目标船舶的位置实际路径成本确定的所述成本函数,从所述目标船舶的位置到目标点的估计路径成本确定的所述启发函数;
所述启发函数计算公式为:
式中:C为水平或横向移动一个栅格的成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息;
所述成本函数计算公式为:
式中:C为水平或横向移动一个栅格的路径成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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。
Claims (10)
1.一种基于数据驱动的船舶全局路径规划方法,其特征在于,包括:
基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库;
基于轨迹时空序列特征数据库构建目标水域的栅格环境模型;
将获取的目标船舶的参数信息和目标点的位置信息加载到所述栅格环境模型进行栅格环境匹配;
基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径。
2.根据权利要求1所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,所述基于预处理后的AIS数据得到船舶轨迹数据,基于船舶轨迹数据构建轨迹时空序列特征数据库,包括:
删除或修正目标水域船舶的历史AIS数据中的噪声数据得到预处理后的AIS数据;
将所述预处理后的AIS数据按照时间序列排序形成的所述目标水域船舶的轨迹数据集合;
基于所述目标水域船舶的轨迹数据集合建立轨迹时空序列特征数据库。
3.根据权利要求1所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,基于轨迹时空序列特征数据库构建目标水域的栅格环境模型,包括:
运用像素值提取方法,提取目标水域的海图信息并建立栅格地图;
对所述轨迹时空序列特征数据库中的历史轨迹数据进行轨迹相似性度量和轨迹聚类算法得到目标水域船舶航线的不同的历史轨迹簇;
将所述历史轨迹簇进行归一化处理后分别投影至所述栅格地图中。
4.根据权利要求1所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,所述基于改进的A*算法确定所述目标船舶在所述栅格环境模型中到达所述目标点的全局最优路径,包括:
步骤一、将所述目标船舶在所述栅格环境模型中的节点设置为起始点并加入Open表中,将所述栅格环境模型中障碍点放入Closed表中;
步骤二、基于扩展的邻域节点检查Open表中的扩展节点有无目标点,若没有目标点,则跳到步骤三;若存在目标点,将目标点加入Closed表中,保存搜索路径并结束算法;
步骤三、将当前节点设置为父节点,并将其转移到Closed表中;
步骤四、根据目标船舶的评价函数计算各个扩展节点的值,并选择最小的点作为新节点,同时将其余扩展节点都存放到Closed链表中;
步骤五、确认Open表是否为空表,若不为空表,则返回步骤二,若Closed表已空,则路径不存在,算法结束。
6.根据权利要求4所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,所述目标船舶的评价函数的公式为:f(n)=g(n)+h(n);
其中,g(n)为加入了奖惩因素的成本函数,h(n)函数为加入了奖惩因素的启发函数。
8.根据权利要求6所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,还包括:根据障碍物对所述目标船舶产生的惩罚值确定的所述第一惩罚因素的函数,根据除开障碍物的其他因素对所述目标船舶产生的惩罚值确定的第二惩罚因素的函数;
所述第一惩罚因素的函数表达式为:
式中:Urep(X)为障碍物对所述目标船舶产生的惩罚值,krep表示增益系数,X0表示障碍物的位置坐标信息,Xc为所述目标船舶的位置坐标信息,d0为碍航物影响范围,d(Xc,X0)表示所述目标船舶到障碍物的距离值;
所述第二惩罚因素的函数表达式为:
Uother=k*p(x,y)
式中:Uother表示所述目标船舶受除开障碍物的其他因素的惩罚值,p(x,y)表示所述目标船舶受除开障碍物的其他因素影响发生安全事故的概率,k表示增益系数。
9.根据权利要求6所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,所述奖励因素的函数的值等于所述历史轨迹簇进行归一化处理后密度值的相反数。
10.根据权利要求6所述的一种基于数据驱动的船舶全局路径规划方法,其特征在于,还包括:从起始点到所述目标船舶的位置实际路径成本确定的所述成本函数,从所述目标船舶的位置到目标点的位置的估计路径成本确定的所述启发函数;
所述启发函数计算公式为:
式中:C为水平或横向移动一个栅格的路径成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息;
所述成本函数计算公式为:
式中:C为水平或横向移动一个栅格的路径成本,min(Uall)为最小奖惩值,xn、yn和xgoal、ygoal分别为所述目标船舶的位置坐标信息和目标点的位置坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016117.8A CN116224999A (zh) | 2023-01-06 | 2023-01-06 | 一种基于数据驱动的船舶全局路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016117.8A CN116224999A (zh) | 2023-01-06 | 2023-01-06 | 一种基于数据驱动的船舶全局路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116224999A true CN116224999A (zh) | 2023-06-06 |
Family
ID=86577840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310016117.8A Pending CN116224999A (zh) | 2023-01-06 | 2023-01-06 | 一种基于数据驱动的船舶全局路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224999A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839594A (zh) * | 2023-08-29 | 2023-10-03 | 成都蓉奥科技有限公司 | 基于优化双向A-Star算法的潜艇全局航迹规划方法及装置 |
-
2023
- 2023-01-06 CN CN202310016117.8A patent/CN116224999A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839594A (zh) * | 2023-08-29 | 2023-10-03 | 成都蓉奥科技有限公司 | 基于优化双向A-Star算法的潜艇全局航迹规划方法及装置 |
CN116839594B (zh) * | 2023-08-29 | 2023-11-24 | 成都蓉奥科技有限公司 | 基于优化双向A-Star算法的潜艇全局航迹规划方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933067B (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
KR102279376B1 (ko) | CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
CN112464994B (zh) | 基于PointNet网络的船艇尾浪识别与去除方法 | |
KR102279388B1 (ko) | 차선 모델을 이용하여 차선을 검출할 수 있는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
Yan et al. | Vessel movement analysis and pattern discovery using density-based clustering approach | |
JP2020068013A (ja) | 障害物の下段ラインを基準にroiを検出する学習方法及び学習装置、そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting roi on the basis of bottom lines of obstacles and testing method,testing device using the same} | |
CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
KR102182037B1 (ko) | 선박의 이동경로 네트워크 생성 장치 및 방법 | |
CN116224999A (zh) | 一种基于数据驱动的船舶全局路径规划方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN116448115B (zh) | 基于导航雷达和光电的无人艇概率距离地图构建方法 | |
US11941553B1 (en) | Methods, electronic devices and storage media for ship route optimization | |
CN115983627B (zh) | 船舶航行环境风险预测方法、装置、电子设备和介质 | |
CN113962473A (zh) | 船舶航线规划方法、装置、电子设备和存储介质 | |
CN116678422A (zh) | 基于多邻域规则格网的舰船最短时间航线自动规划方法 | |
Charalambopoulos et al. | Efficient ship weather routing using probabilistic roadmaps | |
US11049319B2 (en) | Method for implementing virtual reality roaming path control | |
CN113805178A (zh) | 一种水面静态碍航物探测方法 | |
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 | |
CN117516558A (zh) | 路网生成方法、装置、计算机设备和计算机可读存储介质 | |
CN112767445A (zh) | 一种用于视频中船舶目标跟踪的方法 | |
CN113077520A (zh) | 碰撞预测方法、装置及边缘计算服务器 |
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 |