CN116678422A - 基于多邻域规则格网的舰船最短时间航线自动规划方法 - Google Patents
基于多邻域规则格网的舰船最短时间航线自动规划方法 Download PDFInfo
- Publication number
- CN116678422A CN116678422A CN202310849442.2A CN202310849442A CN116678422A CN 116678422 A CN116678422 A CN 116678422A CN 202310849442 A CN202310849442 A CN 202310849442A CN 116678422 A CN116678422 A CN 116678422A
- Authority
- CN
- China
- Prior art keywords
- ship
- route
- data
- hydrological
- navigation
- 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 46
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002706 hydrostatic effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多邻域规则格网的舰船最短时间航线自动规划方法,属于海洋测绘技术领域。首先读取基于多幅电子海图融合的碍航区数据集;构建规则格网划分舰船航行空间,通过多邻域链接提升空间划分的连通性;去除同碍航区相交的无效链接;读取舰船历史航迹数据,结合水文气象数据构建水文气象要素对舰船航行状态的影响模型;读取实时水文气象数据,采用航路窗口约束的改进A*算法实现航线的动态迭代;自起点开始迭代求解航线,直至终点。本发明将海洋环境信息定量引入舰船航线规划过程,克服了现有最短时间航线规划方法搜索方向单一且依赖经验公式的不足;能够智能地规避恶劣海况,在保证所规划航线安全可靠的基础上,提升所规划航线的适用性。
Description
技术领域
本发明属于海洋测绘技术领域,涉及一种基于多邻域规则格网的舰船最短时间航线自动规划方法。
背景技术
本世纪以来,人类开发海洋、建设海洋的步伐不断推进,大数据时代的来临更是直接指导了海洋时空大数据的价值实现。航线作为舰船海上活动的必备要素,一般基于电子海图、水文气象、航行经验等多种数据综合分析得出,是数据驱动的产物。当下已有许多学者分别从不同的角度对航线自动规划方法进行探索,开展了大量工作,取得了丰硕的研究成果。
Chang等提出了基于改进迷宫的最短距离航线生成算法。汪柱等针对航线自动生成中存在的贪婪性的弱点,提出了基于航路二叉树的航线自动生成方法。朱青选用自由空间下的可视图方法,将舰船航线自动规划问题等效为图论问题。张立华等通过自适应三角网的有效划分与结果优化,在保证理论严密的基础上提升了方法的效率,扩展了最短距离航线自动规划方法的实用性。但是,这些方法本质上仍局限于相对静态的海洋空间信息,未顾及动态变化的水文气象要素(主要是表面风、洋流、海浪)对舰船航行的影响,最短距离航线并不能简单地等同于最短时间航线。Vlachos等人结合风浪预报,对舰船航线动态优化开展了研究。Kosmas则在Vlachos的理论基础之上,通过拉格朗日算法及模拟退火算法提升了舰船航线在动态环境下的优化程度。吴恭兴等引入舰船失速函数,初步实现了局部气象条件下的最短时间航线规划。但是,上述方法仍存在以下两点不足:其一,在搜索格网空间时,现有方法仅考虑了同当前格网几何相接的格网,并简单地以四/八方向向前拓展,没有考虑动态环境下舰船航向对航速的直接影响,单一的搜索方向使得后续的航线规划受到了一定程度的限制;其二,现有方法在计算动态水文气象影响下的舰船航速时大多依赖经验公式,其拟合过程不仅复杂,更限于某种或某几种船型,通用性不强。
发明内容
为了克服现有舰船最短距离航线规划方法在搜索方向和航速计算中的不足,本发明提供了一种基于多邻域规则格网的舰船最短时间航线自动规划方法。
本发明为实现上述目的所采用的技术方案是:
一种基于多邻域规则格网的舰船最短时间航线自动规划方法,包括以下步骤:
a、依据电子海图数据标准解析航行海域电子海图数据,融合多幅海图数据,构建并读取多幅海图数据融合的碍航区数据集;
b、以格网方式划分舰船航行空间,并以用户指定的邻域模板构建格网间的多邻域链接网络,提升空间划分的连通性;
c、依据多幅海图数据融合的碍航区数据集,去除同融合碍航区相交的无效链接;
d、读取舰船历史航迹信息,结合水文气象历史数据构建水文气象要素对舰船航行状态的影响模型;
e、读取实时水文气象数据,在多邻域规则格网的基础上,以水文气象数据更新时效为步长,采用航路窗口约束的改进A*算法实现航线的动态迭代;
f、自起点开始迭代求解航线,直至到达预定终点,完成航线规划过程,并以坐标形式输出。
所述步骤b中所述的多邻域链接网络,其构建的基本思想是:
构建用户指定大小的邻域模板,将舰船航行空间规则划分后的任意格网与邻域模板范围内的其他格网以连线方式建立包含邻接角度和邻接距离的邻接关系,扩充当前格网链接的格网个数,增加格网拓展方向,进而形成多邻域链接网络。其中,邻域模板大小指的是多邻域格网向外拓展链接时,横/纵方向上的格网总数;当邻域模板大小为n×n时,中心格网将同周边n2-1个格网建立包含邻接角度与邻接距离在内的邻接关系。
以图2中(a)所示的5×5邻接模板构建为例,不失一般性地,可将模板中心规则格网的中心点(x0,y0)视为局部坐标原点构建模板坐标系,在该坐标系的第一象限内,格网(x0,y0)将同箭头所指的6个格网中心以连线方式建立包含邻接角度(如图2(a)中θ(1,2)即为格网(x0,y0)与格网(x1,y2)所构成的邻接角度)与邻接距离的邻接关系。依据坐标系的对称特性,容易构建剩余3个象限的格网邻接关系,进而形成链接网络图。
在欧式平面几何空间中,所构建链接网络图的邻接距离如图2中(b)表示,而在真实海洋地理信息数据环境下,链接网络图中的距离权重将被替换为格网间的真实椭球面距离L。
所述步骤c中,去除同融合碍航区相交的无效链接的具体方法为:
利用规则格网的离散特性,基于Bresenham算法与格网间的邻接关系快速获取链接所经过的格网编号,判断这些格网是否含有碍航区或被碍航区覆盖,若是,则认为该链接与碍航区相交并予以去除;若否,则认为该链接可航并保留。
所述步骤d中,水文气象要素对舰船航行状态的影响模型构建方法为:
(1)读取船舶自动识别系统(Automatic Identification System,AIS)中记录的舰船历史航迹数据,依据ITU-RM.585-7号文件对AIS数据进行解析、清洗与完整性核验等预处理,获取符合该文件要求的舰船轨迹信息(包括舰船位置、对地航速、对地航向)与静态的舰船参数信息(包括舰船长度、宽度、吃水);
(2)读取静态水文气象历史数据,获取风向、风速、浪高、浪周期、流向、流速等水文气象信息;
(3)为了得到AIS数据与水文气象数据之间的对应关系,对输入的AIS数据与水文气象数据进行归一化时空插值,获取任意舰船位置下的水文气象信息,并按比例将数据随机地分为训练样本和测试样本。
(4)作为优选,分别将训练样本和测试样本输入基于正则优化的多层极限学习机(Multi-layer Extreme Learning MachinewithRegularization,MR-ELM),获得各隐含层的输出权值矩阵,构建水文气象要素对舰船航速影响的非线性模型,并以此为依据计算不同水文气象下舰船能够达到的最大航速。
在MR-ELM模型中,第i个隐含层的输出和第i-1个隐含层输出的关系如下式表示:
其中,Hi表示第i个隐含层的输出,Hi-1表示第i-1个隐含层的输出,若i=1,则此时的Hi-1代表的就是输入MR-ELM的训练样本;g(x)表示隐含层中的激活函数;βi表示通过正则优化计算的输出权值矩阵,βi的具体计算方式表示为:
其中,C为正则化调控参数,N为归一化训练样本个数,n为隐含层神经元个数,I为单位矩阵,Y为训练样本中的目标矩阵。
所述步骤e中,在节点搜索时,改进A*算法中启发函数F(n)的计算方式为:
其中,T(n)为自起始点到当前节点所累积的航行时间,L(n)为当前节点到终点最短距离航线的椭球面距离,V0为用户给定的舰船静水航速,p为计算航速时使用的水文气象数据的空间特征,t为水文气象数据的时间特征,θ地为依据格网邻接角度关系计算的舰船对地航向,L(p,θ地)为依据格网邻接距离关系计算的节点间椭球面距离,V(p,θ地,t)为依据水文气象要素对舰船航行状态影响模型计算的舰船船速。
所述步骤e中,航路窗口约束的概念为:
建立航线起终点之间的最短距离航线,将该连线扩充一定范围后形成的缓冲区称为航路窗口,航路窗口内所包含的链接网络节点为路径搜索算法的搜索节点。不失一般性地,在节点搜索前,本发明利用已有的高效算法(如:误差可控、兼顾效率的自适应三角网舰船航线自动规划方法)建立航线规划起终点间的最短距离航线,并以用户预设阈值为缓冲半径构建最短距离航线的缓冲区Buffer,将该Buffer视为航路窗口约束,其范围视为节点搜索范围,当所搜节点越出约束边界时,跳过该节点。利用航路窗口约束可以减少纳入计算的网络节点数量,提升航路规划效率。
本发明的有益效果:本发明将水文气象信息定量引入舰船航线规划过程,克服了现有舰船最短距离航线规划方法在搜索方向和航速计算中的不足,已有实验表明,本发明所述方法能够在海洋时空数据的支撑下,智能地规避恶劣海况,在保证所规划航线安全可靠的基础上,提升了所规划航线的适用性。
附图说明
图1是本发明提出的一种基于多邻域规则格网的舰船最短时间航线规划方法主流程框图。
图2是本发明构建的邻域模板示意图;其中,(a)为5×5邻域模板的邻接关系构建示意图,(b)为欧式平面几何空间中,5×5邻域模板所构建链接网络图的邻接距离。
图3是本发明提出的利用MR-ELM构建水文气象要素对舰船航速影响的非线性模型的流程框图。
图4是本发明实施例中所使用航路窗口约束的及所规划的最短时间航线示意图。
具体实施方式
下面结合附图和具体实施例对本发明进一步说明。本实施例以本发明技术方案为前提实施,给出了具体的实施方案和具体操作流程,但本发明的保护范围不仅限于以下实施例。
本发明提出的舰船最短时间航线自动规划方法,实现过程是采用计算机实现基于真实海洋时空数据的舰船航线自动规划,假设现需规划某海域中起终点S、E间的航线,实施例所用舰船参数如表1所示,设定起航时间为北京时间2017年8月1日0900,采用本发明所述方法进行航线高效自动规划,包括以下步骤,如图1所示:
表1实施例所用舰船参数
步骤a,依据电子海图数据标准解析航行海域电子海图数据,融合多幅海图数据,构建并读取多幅海图数据融合的碍航区数据集O={o1,o2,o3…on}。
步骤b,以格网方式划分舰船航行空间,形成格网数据集G={g1,g2,g3…gm};构建5×5大小下的邻域模板,将舰船航行空间规则划分后的任意格网与邻域模板范围内的其他格网以连线方式建立包含邻接角度和邻接距离的邻接关系,构建格网间的多邻域链接网络。
步骤c,依据碍航区数据集O={o1,o2,o3…on},基于Bresenham算法与格网间的邻接关系快速获取格网链接所经过的格网编号,若这些格网中含有碍航区或被碍航区覆盖,则去除该链接。
步骤d,读取舰船历史航迹信息,结合水文气象历史数据构建水文气象要素对舰船航行状态的影响模型;本发明优选MR-ELM用于该模型的构建,其流程如图3所示:
首先,读取船舶自动识别系统(Automatic Identification System,AIS)中记录的舰船历史航迹数据,对AIS数据进行解析、清洗与完整性核验等预处理,获取符合ITU-RM.585-7文件要求的舰船轨迹信息(包括舰船位置、对地航速、对地航向)与静态的舰船参数信息(包括舰船长度、宽度、吃水);其次,读取静态水文气象历史数据,获取风向、风速、浪高、浪周期、流向、流速等水文气象信息;再次,对输入的AIS数据与水文气象数据进行归一化预处理,针对AIS轨迹数据与水文气象数据进行时空插值,获取任意舰船位置下的水文气象信息,并按80%和20%的比例将数据随机地分为训练样本和测试样本;最后,分别将训练样本和测试样本输入MR-ELM,获得各隐含层的输出权值矩阵,构建水文气象要素对舰船航速影响的非线性模型,并以此为依据计算不同水文气象下舰船能够达到的最大航速。本实施例中,所用MR-ELM模型的隐含层层数为5,各隐含层中的神经元数量均为300,正则化调控参数为10-3。
步骤e,读取实时水文气象数据,在多邻域规则格网的基础上,以水文气象数据更新时效为步长(本实施例中设定步长为72小时),采用航路窗口约束的改进A*算法实现航线的动态迭代,具体地:
在节点搜索前,利用误差可控且兼顾效率的自适应三角网舰船航线自动规划方法(专利202110510128.2)建立航线规划起终点间的最短距离航线RouteD,并以用户预设阈值R为缓冲半径构建最短距离航线的缓冲区Buffer,将该Buffer视为航路窗口约束,该Buffer的范围视为节点搜索范围,当所搜节点越出约束边界时,跳过该节点。
在节点搜索中,改进A*算法中启发函数F(n)的计算方式为:
其中,T(n)为自起始点到当前节点所累积的航行时间,L(n)为当前节点到终点最短距离航线的椭球面距离,V0为用户给定的舰船静水航速,p为计算航速时使用的水文气象数据的空间特征,t为水文气象数据的时间特征,θ地为依据格网邻接角度关系计算的舰船对地航向,L(p,θ地)为依据格网邻接距离关系计算的节点间椭球面距离,V(p,θ地,t)为依据水文气象要素对舰船航行状态影响模型计算的舰船船速。
步骤f,自起点S开始迭代求解航线,直至到达预定终点E,完成航线规划过程,获取起终点间所有航路点,最终得到一条完整的最短时间航线RouteT,并以坐标形式输出。
将起终点间的最短距离航线、航线规划过程中的航路窗口约束、起终点间的最短时间航线一同绘制在电子海图平台下,其结果如图4所示。为了更为直观地对比最短距离航线和最短时间航线之间的差异,分别计算两者的航程、静水航速下的航行时间,并以式(6)为基础计算水文气象影响下的实际航行时间,具体数值对比如表2所示。
表2实施例航线航程及航行耗时对比
从表中可以明显看出,虽然最短距离航线的航程较最短时间航线的航程更短,静水航速条件下的航行时间也自然较短,但在考虑水文气象信息后,沿最短距离航线航行所耗费的时间比沿最短时间航线航行的时间更长。且最短距离航线不能随时间变化动态调整,有可能面临恶劣海况,存在一定的安全风险,这充分体现了本发明提出的基于多邻域规则格网的舰船最短时间航线规划方法的有效性。
本发明是通过实施例进行描述的,本领域技术人员知悉,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (7)
1.一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,该方法包括以下步骤:
a、依据电子海图数据标准解析航行海域电子海图数据,融合多幅海图数据,构建并读取多幅海图数据融合的碍航区数据集;
b、以格网方式划分舰船航行空间,并以用户指定的邻域模板构建格网间的多邻域链接网络,提升空间划分的连通性;
c、依据多幅海图数据融合的碍航区数据集,去除同融合碍航区相交的无效链接;
d、读取舰船历史航迹信息,结合水文气象历史数据构建水文气象要素对舰船航行状态的影响模型;
e、读取实时水文气象数据,在多邻域规则格网的基础上,以水文气象数据更新时效为步长,采用航路窗口约束的改进A*算法实现航线的动态迭代;
f、自起点开始迭代求解航线,直至到达预定终点,完成航线规划过程,并以坐标形式输出。
2.根据权利要求1所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,所述步骤b中,多邻域链接网络的构建方式为:
构建用户指定大小的邻域模板,将舰船航行空间规则划分后的任意格网与邻域模板范围内的其他格网以连线方式建立包含邻接角度和邻接距离的邻接关系,扩充当前格网链接的格网个数,从而增加拓展方向;其中,邻域模板大小指的是多邻域格网向外拓展链接时,横/纵方向上的格网数;当邻域模板大小为n×n时,中心格网将同周边n2-1个格网建立包含邻接角度与邻接距离在内的邻接关系。
3.根据权利要求1或2所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,所述步骤c的具体方法为:
依据碍航区数据集,基于Bresenham算法与格网间的邻接关系快速获取链接所经过的格网编号,判断这些格网是否含有碍航区或被碍航区覆盖,若是,则该链接与碍航区相交并予以去除;若否,则该链接可航并保留。
4.根据权利要求1或2所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,所述步骤d中,水文气象要素对舰船航行状态影响模型的具体构建方法为:
(1)读取船舶自动识别系统AIS中记录的舰船历史航迹数据,依据ITU-RM.585-7号文件对AIS数据进行解析、清洗与预处理,获取符合该文件要求的包括舰船位置、对地航速、对地航向在内的舰船轨迹信息与包括舰船长度、宽度、吃水在内的静态的舰船参数信息;
(2)读取静态水文气象历史数据,获取包括风向、风速、浪高、浪周期、流向、流速在内的水文气象信息;
(3)对输入的AIS数据与水文气象数据进行归一化时空插值,获取任意舰船位置下的水文气象信息,并按比例将数据随机地分为训练样本和测试样本;
(4)分别将训练样本和测试样本输入基于正则优化的多层极限学习机MR-ELM,获得各隐含层的输出权值矩阵,构建水文气象要素对舰船航速影响的非线性模型,并以此为依据计算不同水文气象下舰船能够达到的最大航速。
5.根据权利要求4所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,MR-ELM中正则优化方法为:
在MR-ELM模型中,第i个隐含层的输出和第i-1个隐含层输出的关系如下式表示:
其中,Hi表示第i个隐含层的输出,Hi-1表示第i-1个隐含层的输出,若i=1,则此时的Hi-1代表的就是输入MR-ELM的训练样本;g(x)表示隐含层中的激活函数;βi表示通过正则优化计算的输出权值矩阵,βi的具体计算方式表示为:
其中,C为正则化调控参数,N为归一化训练样本个数,n为隐含层神经元个数,I为单位矩阵,Y为训练样本中的目标矩阵。
6.根据权利要求1、2或5所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,所述步骤e中,在节点搜索前,航路窗口约束的构建方法为:
建立航线规划起终点间的最短距离航线RouteD,并以用户预设阈值R为缓冲半径构建最短距离航线的缓冲区Buffer,将该Buffer视为航路窗口约束,Buffer的范围视为节点搜索范围,当所搜节点越出约束边界时,跳过该节点。
7.根据权利要求6所述的一种基于多邻域规则格网的舰船最短时间航线自动规划方法,其特征在于,所述步骤e中,在节点搜索时,改进A*算法中启发函数F(n)的计算方式为:
其中,T(n)为自起始点到当前节点所累积的航行时间,L(n)为当前节点到终点最短距离航线的椭球面距离,V0为用户给定的舰船静水航速,p为计算航速时使用的水文气象数据的空间特征,t为水文气象数据的时间特征,θ地为依据格网邻接角度关系计算的舰船对地航向,L(p,θ地)为依据格网邻接距离关系计算的节点间椭球面距离,V(p,θ地,t)为依据水文气象要素对舰船航行状态影响模型计算的舰船船速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849442.2A CN116678422A (zh) | 2023-07-11 | 2023-07-11 | 基于多邻域规则格网的舰船最短时间航线自动规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849442.2A CN116678422A (zh) | 2023-07-11 | 2023-07-11 | 基于多邻域规则格网的舰船最短时间航线自动规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116678422A true CN116678422A (zh) | 2023-09-01 |
Family
ID=87791104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310849442.2A Pending CN116678422A (zh) | 2023-07-11 | 2023-07-11 | 基于多邻域规则格网的舰船最短时间航线自动规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116678422A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433540A (zh) * | 2023-12-20 | 2024-01-23 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
CN117560789A (zh) * | 2024-01-11 | 2024-02-13 | 中国水产科学研究院南海水产研究所 | 一种基于多路径传输的海上作业信道接入方法及系统 |
-
2023
- 2023-07-11 CN CN202310849442.2A patent/CN116678422A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433540A (zh) * | 2023-12-20 | 2024-01-23 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
CN117433540B (zh) * | 2023-12-20 | 2024-04-02 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
CN117560789A (zh) * | 2024-01-11 | 2024-02-13 | 中国水产科学研究院南海水产研究所 | 一种基于多路径传输的海上作业信道接入方法及系统 |
CN117560789B (zh) * | 2024-01-11 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种基于多路径传输的海上作业信道接入方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
Wang et al. | Application of real-coded genetic algorithm in ship weather routing | |
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
CN108680163A (zh) | 一种基于拓扑地图的无人艇路径搜索系统及方法 | |
CN107798185A (zh) | 一种基于ecdis的航线自动设计系统及其构建方法 | |
CN113378686B (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
CN111914462B (zh) | 一种海上搜救目标漂移预测方法及装置 | |
CN111721296B (zh) | 一种水下无人航行器数据驱动路径规划方法 | |
CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
CN112819255B (zh) | 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 | |
CN110906935A (zh) | 一种无人艇路径规划方法 | |
CN110525602A (zh) | 一种船舶航迹航速整体规划方法 | |
US11941553B1 (en) | Methods, electronic devices and storage media for ship route optimization | |
CN114387822B (zh) | 船舶避碰方法 | |
CN109799820A (zh) | 基于比较式随机路标图法的无人船舶局部路径规划方法 | |
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 | |
Wu et al. | An autonomous coverage path planning algorithm for maritime search and rescue of persons-in-water based on deep reinforcement learning | |
Xu et al. | Improved Vessel Trajectory Prediction Model Based on Stacked‐BiGRUs | |
Zaccone et al. | An optimization tool for ship route planning in real weather scenarios | |
Seo et al. | Ship collision avoidance route planning using CRI-based A∗ algorithm | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 | |
CN116300913A (zh) | 一种基于视觉信息的无人艇多约束局部路径规划方法 | |
Cheng et al. | Local perception-based intelligent building outline aggregation approach with back propagation neural network |
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 |