CN116700295A - 一种复杂水域的船舶自主避碰方法 - Google Patents
一种复杂水域的船舶自主避碰方法 Download PDFInfo
- Publication number
- CN116700295A CN116700295A CN202310908029.9A CN202310908029A CN116700295A CN 116700295 A CN116700295 A CN 116700295A CN 202310908029 A CN202310908029 A CN 202310908029A CN 116700295 A CN116700295 A CN 116700295A
- Authority
- CN
- China
- Prior art keywords
- ship
- collision
- path
- target
- collision avoidance
- 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 74
- 230000002265 prevention Effects 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 230000035772 mutation Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- QZXCCPZJCKEPSA-UHFFFAOYSA-N chlorfenac Chemical compound OC(=O)CC1=C(Cl)C=CC(Cl)=C1Cl QZXCCPZJCKEPSA-UHFFFAOYSA-N 0.000 claims 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims 3
- DOPFUKKMSDUVTQ-UHFFFAOYSA-N 5-(4-methyl-benzoylamino)-biphenyl-3,4'-dicarboxylic acid 3-dimethylamide-4'-hydroxyamide Chemical compound C=1C(C=2C=CC(=CC=2)C(=O)NO)=CC(C(=O)N(C)C)=CC=1NC(=O)C1=CC=C(C)C=C1 DOPFUKKMSDUVTQ-UHFFFAOYSA-N 0.000 claims 1
- 238000004387 environmental modeling Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种复杂水域的船舶自主避碰与路径规划方法,包括:(1)获取航行环境的全局信息;(2)运用遗传算法规划全局避碰路径,船舶根据避碰路径航行;(3)采用毫米波雷达检测动态障碍物,获取本船与动态障碍物的航行信息;(4)计算最短会遇距离、最小会遇时间和碰撞危险度,判断两者是否存在风险,若不存在碰撞风险,船舶不采取避碰行动,保持原航向航速航行;(5)若存在碰撞风险,结合会遇局面及避让规则,运用人工势场法获得避碰路径,避碰结束后,回归全局避碰路径。本发明将全局路径规划与局部路径规划相结合,运用遗传算法与人工势场法对环境中的动、静态障碍物进行自主避碰,有效减轻驾驶员的疲劳程度,保证航行安全。
Description
技术领域
本发明涉及一种复杂水域的船舶自主避碰方法。
背景技术
文献“基于遗传算法规划路径的船舶避碰系统,舰船科学技术,2019,41(12),43-45”公开了一种基于遗传算法规划路径的船舶避碰系统。采用遗传算法解决船舶避碰全局路径规划问题,寻找船舶运动的最优最短的避碰路径,通过对遗传算法的交叉对象和变异淘汰机制进行改进,提高路径安全性和求解所需时间。文献“基于改进人工势场法的船舶自动避障系统研究,船舶物资与市场,2022,30(07),4-8”公开了一种基于改进人工势场法的船舶自动避障系统。利用人工势场法安全性高,实时性等优点避让动态障碍物,构建船舶自动避障系统。文献“基于避碰规则自动驾驶船舶路径优化的研究进展,交通信息与安全,2021,39(02),1-8”指出单独应用全局规划容易在应对未知情况下的动态障碍物时发生碰撞。单独使用局部路径规划,易于造成船舶进入无法复航的“死角”,只限于全局规划或局部规划无法有效保证船舶行驶的安全性,在离线的全局优化中加入在线的局部路径规划,完成已知和未知情况下对动静态障碍物避碰将成为未来船舶避碰路径规划的发展趋势。
发明内容
为了解决单独的全局避碰路径规划或局部避碰路径规划存在局限的问题,面对内河等复杂水域,本发明提出一种复杂水域的船舶自主避碰方法,可减轻船舶操作人员的疲劳程度,降低碰撞事故的发生,有效保证航行安全。
本发明解决问题所采用的技术方案是:一种复杂水域的船舶自主避碰方法,包括的步骤如下:
1.获取航行全局环境信息,建立二维模型;
2.利用遗传算法进行全局路径优化;
3.利用毫米波雷达检测动态船舶,并获取动态船舶的位置坐标、航速、航向等动态航行信息;
4.计算最短会遇距离DCPA(Distance Closest Point of Approach)、最小会遇时间TCPA(Time Closest Point of Approach)与船舶碰撞危险度CRI(Collision RiskIndex),判断是否存在碰撞风险;若不存在碰撞风险,则船舶不采取避碰措施,保持原航速航向行驶;
5.若存在碰撞风险,选择全局路径上合适的节点作为局部障碍物避碰的目标点,采用人工势场法结合《内河避碰规则》寻找最佳的避碰策略进行避碰;
6.避碰结束回归原始路径,并检测是否到达终点,若到达终点,避碰结束;若未到达终点,重复上述步骤,直至到达终点。
进一步地,步骤1的详细说明如下:
1.1根据地理信息系统GIS(Geographic Information System)和船舶自动识别系统AIS(Automatic Identification System)获取从起点到终点水域的环境信息,主要包括岛屿、浅滩等静态障碍物;
1.2采用栅格法对获取的环境信息进行二维建模。
进一步地,所述步骤2中运用遗传算法,以安全性和经济性为目标,获得避碰路径,船舶按避碰路径进行航行,具体实施过程如下:
2.1编码,用每条路径的坐标(x,y)对染色体进行编码,染色体就是一条船舶的路径;
2.2种群初始化,设置船舶起始位置和目标位置的栅格序号,初始化种群随机产生多条不与障碍栅格相碰撞的可行路径;
2.3适应度函数计算分为两部分,分别用来判断路径长短和路径平滑度,其中路径长短用L表示,满足经济性的要求为路径最短,路径平滑度用S表示,对适应度函数的两部分添加权重比例,得到的适应度函数如下:
fit=βL+γS (1)
2.4选择操作采用简单的基于概率的轮盘赌选择:
2.5交叉和变异算子:采用单点交叉算子,交叉概率随着迭代次数减小;采用基本位变异,随机产生一个点替换原来的点,同时变异概率随着迭代次数增加,交叉与变异算子如下:
Pc=e-0.5×N/M (3)
Pm=e0.1×N/M-1 (4)
其中N为当前进化次数,M为总进化次数;重复上述选择、交叉和变异过程,直至达到最大迭代次数,算法停止,输出此时的路径作为最优全局路径。
进一步地,步骤3的具体信息如下:
采用毫米波雷达检测动态障碍物,将获取到的动态船舶位置坐标记为(Xt,Yt);航速记为Vt;航向记为
本船的位置坐标记为(Xo,Yo);航速记为Vo;航向记为
进一步地,步骤4中的DCPA、TCPA和CRI的计算公式如下:
4.1计算最近会遇距离DCPA与最小会遇时间TCPA:
其中,为目标船相对于本船的航向(两船相对速度方向),TB为目标船相对本船的方位,VR表示相对速度大小;
4.2计算船舶碰撞危险度CRI:
其中d1为船舶安全会遇距离,d2为船舶安全通过距离;
其中,t1为船舶最晚进行避碰操作的时间,t2为障碍物与本船相对距离为d2时的航行时间;
船舶碰撞危险度的隶属函数如下所示:
进一步地,步骤5的具体实施过程如下:
5.1选取全局路径上的点作为局部避碰的目标点,按照《内河避碰规则》将目标船与本船的会遇局面分为对遇、追越和交叉相遇三种,并对各种会遇局面下船舶的避让行为进行了明确划分,再采用人工势场法按避让行为进行避碰;
5.2通过添加本船与目标点的欧氏距离来改进斥力函数,船舶靠近目标点的过程中,斥力会随着两者间的距离渐近而变小,解决了目标不可达的问题;
5.3在斥力函数计算中增加速度分量,结合《内河避碰规则》,用于解决动态船舶避碰路径规划问题,当本船与目标船的会遇局面为对遇和交叉相遇A区域且存在碰撞风险时,本船为让路船或具有同等避让责任,此时斥力势场函数为:
其中,ηd为本船与动态障碍物相对位置的斥力场系数,ηv为本船与动态障碍物相对速度的斥力场系数,ρ0为目标船的斥力场影响半径,d为我船与目标船间的距离,dg是我船与目标间的距离,eot为本船指向目标船方向的单位向量;
5.4到达目标点,局部避碰结束,回归原始全局路径。
较现有技术相比,本发明的有益效果为:
1、本发明采用毫米波雷达检测目标船和动态障碍物,毫米波具有极强的穿透率,分辨率高,抗干扰能力好,鲁棒性强;毫米波雷达能够准确检测障碍物的有无,并能完成障碍物距离、速度与方位的测量,本发明运用毫米波雷达弥补摄像头、红外线等传感器在船载应用中所不具备的使用场景,用于船舶航行时的状态监控;
2、本发明所提供的基于遗传算法与人工势场法的船舶自主避碰方法,采用遗传算法根据GIS与AIS中获取的环境信息规划全局避碰路径;采用毫米波雷达检测环境信息中未涉及到动态障碍物;采用改进的人工势场法对检测到动态障碍物进行避碰;将遗传算法与人工势场法相结合,实现智能船舶自主避碰,符合船舶航行安全性与经济性的要求。
附图说明
下面将结合附图对本发明作进一步说明,附图中,
图1为本发明实施例的流程图。
图2为长江内河某航段的栅格地图。
图3为本发明实施例提供的船舶相对运动示意图。
图4为改进人工势场法斥力势场中本船受力示意图。
图5为本发明实施例提供的一种实验结果仿真曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合具体实施方法及参考附图对本发明进行进一步详细说明。
如图1所示,本发明提供了一种复杂水域的船舶自主避碰方法,包括如下步骤:
1.获取航行全局环境信息,建立二维模型;
2.利用遗传算法进行全局路径优化;
3.利用毫米波雷达检测动态船舶,并获取动态船舶的位置坐标、航速、航向等动态航行信息;
4.计算最短会遇距离DCPA、最小会遇时间TCPA与船舶碰撞危险度CRI,判断是否存在碰撞风险;不存在碰撞风险,则船舶不采取避碰措施,保持原航速航向行驶;
5.若存在碰撞风险,选择全局路径上合适的节点作为局部障碍物避碰的目标点,采用人工势场法结合《内河避碰规则》寻找最佳的避碰策略进行避碰;
6.避碰结束回归原始路径后,检测是否到达终点,若到达终点,避碰结束;若未到达终点,重复上述步骤,直至到达终点。
具体实施时,作为本发明优选的实施方式,所述步骤1的具体实施过程如下:
1.1根据GIS和AIS获取从起点到终点水域的环境信息,主要包括岛屿、浅滩等静态障碍物;
1.2采用栅格法对获取的环境信息进行二维建模;本文选取长江内河航段作为航行区域,对其进行细化得到的栅格图如图2所示,其中白色区域为可航行区域,黑色区域为障碍物区域。
具体实施时,所述步骤2中运用遗传算法,以安全性和经济性为目标,获得避碰路径,船舶按避碰路径进行航行,具体实施过程如下:
2.1编码,用每条路径的坐标(x,y)对染色体进行编码,染色体就是一条船舶的路径;
2.2种群初始化,设置船舶起始位置和目标位置的栅格序号,初始化种群随机产生多条不与障碍栅格相碰撞的可行路径;
2.3适应度函数计算分为两部分,分别用来判断路径长短和路径平滑度;其中路径长短用L表示,满足经济性的要求为路径最短:
船舶由于运动学与动力学的约束,拐弯幅度不宜过大,相对平滑的路径更易于船舶行驶,通过计算路径上相邻三点间的角度来确定平滑度,对路径平滑度设置惩罚系数,筛选出相对平滑的路径;
路径上相邻三点间的角度(angle)计算公式:
路径平滑度用S表示:
最后,对适应度函数的两部分添加权重比例,得到的适应度函数如下:
fit=βL+γS (1)
2.4选择操作采用简单的基于概率的轮盘赌选择:
2.5交叉和变异算子:交叉采用单点交叉算子,交叉概率随着迭代次数减小;变异采用基本位变异,随机产生一个点替换原来的点,同时变异概率随着迭代次数增加,交叉与变异算子如下:
Pc=e-0.5×N/M (3)
Pm=e0.1×N/M-1 (4)
其中N为当前进化次数,M为总进化次数;重复上述选择、交叉和变异过程,直至达到最大迭代次数,算法停止,输出此时的路径作为最优全局路径。
具体实施时,步骤3的详细信息如下:
采用毫米波雷达检测动态障碍物,将获取到的动态船舶位置坐标记为(Xt,Yt);航速记为Vt;航向记为
本船的位置坐标记为(Xo,Yo);航速记为Vo;航向记为
具体实施时,如图3所示,通过随船坐标系对获取的信息建立船舶相对运动坐标系,步骤4中的DCPA、TCPA和CRI的计算公式如下:
4.1计算最近会遇距离DCPA与最小会遇时间TCPA:
其中,为目标船相对于本船的航向(两船相对速度方向),TB为目标船相对本船的方位,VR表示相对速度大小;
4.2计算船舶碰撞危险度CRI:
其中d1为船舶安全会遇距离,d2为船舶安全通过距离;
其中,t1为船舶最晚进行避碰操作的时间,t2为障碍物与本船相对距离为d2时的航行时间;
船舶碰撞危险度的隶属函数如下所示:
具体实施时,所述步骤5选取全局路径上的点作为局部避碰的目标点,按照《内河避碰规则》与会遇局面确定避让责任,再采用人工势场法按避让行为进行避碰;
5.1按照《内河避碰规则》将目标船与本船的会遇局面分为对遇、追越和交叉相遇三种,并对各种会遇局面下船舶的避让行为进行了明确划分,具体的会遇局面及避让责任映射关系如表1所示,结合表1即可得到本船与他船的会遇局面及避让责任;
表1会遇局面及避让责任表
5.2选取合适的全局路径上的点作为子目标点(g),构建引力势场函数:
εp为正比例权重系数,p(pos,pg)为我船与目标点中间的相对距离;
对引力势场函数求负梯度得到引力Fatt(p)的表达式为:
Fatt(p)=εpρ(pos,pg)nog (15)
5.3通过添加本船与目标点的欧氏距离来改进斥力函数,船舶靠近目标点的过程中,斥力会随着两者间的距离渐近而变小,解决了目标不可达的问题;在斥力函数计算中增加速度分量,结合《内河避碰规则》,用于解决动态船舶避碰路径规划问题,当本船与目标船的会遇局面为对遇和交叉相遇A区域且存在碰撞风险时,本船为让路船或具有同等避让责任,此时斥力势场函数为:
其中,ηd为本船与动态障碍物相对位置的斥力场系数,ηv为本船与动态障碍物相对速度的斥力场系数,ρ0为目标船的斥力势场影响半径,d为我船与目标船间的距离,dg是我船与目标间的距离,eot为本船指向目标船方向的单位向量;
加入速度分量后,本船的斥力受力如图4所示,斥力大小可以分解为:
船舶受到的斥力合力为:
Frd=Frd1+Frd2+Frv1+Frv2 (20)
5.4到达目标点,局部避碰结束,回归原始全局路径。
为了验证本发明方法的有效性,本实施例利用MATLAB进行计算机仿真研究,船舶参数如下所示:
遗传算法中,迭代次数U=100,种群大小N=200,适应度函数中经济性L与路径平滑度S的权重分别为β=3,γ=7,人工势场法中,障碍物斥力势场影响半径ρ0=4n mile,引力函数正比例权重系数εp=15,本船与动态障碍物相对位置的斥力场系数ηd=50,相对速度的斥力场系数ηv=15。
我船的初始航速VO=10kn,初始位置(0,0),行驶过程中遇到的动态船舶的初始输入如表2所示。
表2目标船信息表
初始位置 | 航向 | 航速 | |
目标船1(S1) | (1,3) | 60° | 6kn |
目标船2(S2) | (12,10) | 180° | 12kn |
目标船3(S3) | (16,22) | 270° | 8kn |
遗传算法根据步骤2得到的环境地图规划一条全局路径,如图5中红线所示。本船按红线所示的全局路径行驶同时利用毫米波雷达检测动态障碍物,行驶过程中共检测到3条目标船,其航行信息如表2所示,分别对三条目标船进行危险度计算、会遇局面与避碰行为分析得到的结果为:目标船1与本船的会遇局面为追越,本船为让路船,向左转向避让目标船1;目标船2与本船的会遇局面为交叉相遇:A,本船为让路船,向右转向避让目标船2;目标船3与本船没有碰撞风险,不进行避让行为,最终航行结果如图5所示。仿真结果表明,一种复杂水域的船舶自主避碰方法符合避碰规则,取得了良好的避碰效果。
以上所述的实施例仅表达了本发明的实施方法,其描述较为具体和详细,但不能因此而理解为对本发明专利的范围限制。对于本领域的普通技术人员来说,在不脱离本发明构思的情况下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种复杂水域的船舶自主避碰方法,其特征在于,包括以下步骤:
1)获取从起点至终点的航行全局环境信息,建立二维环境模型;
2)利用遗传算法进行全局路径优化;
3)利用毫米波雷达检测动态船舶,并获取动态船舶的位置坐标、航速、航向等动态航行信息;
将获取到的动态船舶位置坐标记为(Xt,Yt);航速记为Vt;航向记为
本船的位置坐标记为(Xo,Yo);航速记为Vo;航向记为
4)计算最短会遇距离DCPA、最小会遇时间TCPA与船舶碰撞危险度CRI,判断是否存在碰撞风险;不存在碰撞风险,则船舶不采取避碰措施,保持原航速航向行驶;
5)若存在碰撞风险,选择全局路径上合适的节点作为局部障碍物避碰的目标点,采用人工势场法结合《内河避碰规则》寻找最佳的避碰策略进行避碰.避碰结束回归原始路径后,检测是否到达终点,若到达终点,避碰结束;若未到达终点,重复上述步骤,直至到达终点。
2.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤1)所述的环境信息为根据GIS和AIS获取从起点到终点水域的环境信息,包括岛屿、浅滩等静态障碍物。
3.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤1)所述的二维环境建模采用格栅法。
4.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤2)采用遗传算法,以安全性和经济性为目标,获得避碰路径,所述遗传算法的步骤如下:
2.1)编码,用每条路径的坐标(x,y)对染色体进行编码,染色体就是一条船舶的路径;
2.2)种群初始化,设置船舶起始位置和目标位置的栅格序号,初始化种群随机产生多条不与障碍栅格相碰撞的可行路径;
2.3)适应度函数计算分为两部分,分别用来判断路径长短和路径平滑度,其中路径长短用L表示,满足经济性的要求为路径最短,路径平滑度用S表示,对适应度函数的两部分添加权重比例,得到的适应度函数如下:
fit=βL+γS (1)
2.4)选择操作采用简单的基于概率的轮盘赌选择
2.5)交叉和变异算子:采用单点交叉算子,交叉概率随着迭代次数减小;采用基本位变异,随机产生一个点替换原来的点,同时变异概率随着迭代次数增加,交叉与变异算子如下,其中N为当前进化次数,M为总进化次数:
Pc=e-0.5×N/M (3)
Pm=e0.1×N/M-1 (4)
2.6)重复上述选择、交叉和变异过程,直至达到最大迭代次数,算法停止,输出此时的路径作为最优全局路径。
5.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤3所述的动态航行信息包括:采用毫米波雷达检测动态障碍物,将获取到的动态船舶位置坐标记为(Xt,Yt);航速记为Vt;航向记为本船的位置坐标记为(Xo,Yo);航速记为Vo;航向记为/>
6.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤4)中的避碰参数包括:DCPA、TCPA和CRI,其计算方法如下:
4.1计算最近会遇距离DCPA与最小会遇时间TCPA:
其中,为目标船相对于本船的航向(两船相对速度方向),TB为目标船相对本船的方位,VR表示相对速度大小;
4.2计算船舶碰撞危险度CRI:
其中d1为船舶安全会遇距离,d2为船舶安全通过距离;
其中,t1为船舶最晚进行避碰操作的时间,t2为障碍物与本船相对距离为d2时的航行时间;
船舶碰撞危险度的隶属函数如下所示:
7.根据权利要求1所述的基于遗传算法与人工势场法的船舶自主避碰方法,其特征在于,步骤5)用改进的人工势场法避碰检测到的动态障碍物,具体步骤如下:
5.1)选取全局路径上的点作为局部避碰的目标点,按照《内河避碰规则》将目标船与本船的会遇局面分为对遇、追越和交叉相遇三种,并对各种会遇局面下船舶的避让行为进行了明确划分,再采用人工势场法按避让行为进行避碰;
5.2)通过添加本船与目标点的欧氏距离来改进斥力函数,船舶靠近目标点的过程中,斥力会随着两者间的距离渐近而变小,解决了目标不可达的问题;
5.3)在斥力函数计算中增加速度分量,结合《内河避碰规则》,用于解决动态船舶避碰路径规划问题,当本船与目标船的会遇局面为对遇和交叉相遇A区域且存在碰撞风险时,本船为让路船或具有同等避让责任,此时斥力势场函数为:
ηd为本船与动态障碍物相对位置的斥力场系数,ηv为本船与动态障碍物相对距离的斥力场系数,ρ0为目标船的斥力势场影响范围的半径,d为我船与目标船间的距离,dg是我船与目标间的距离,eot为本船指向目标船方向的单位向量;
5.4)到达目标点,局部避碰结束,回归原始全局路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310908029.9A CN116700295A (zh) | 2023-07-24 | 2023-07-24 | 一种复杂水域的船舶自主避碰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310908029.9A CN116700295A (zh) | 2023-07-24 | 2023-07-24 | 一种复杂水域的船舶自主避碰方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116700295A true CN116700295A (zh) | 2023-09-05 |
Family
ID=87832418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310908029.9A Pending CN116700295A (zh) | 2023-07-24 | 2023-07-24 | 一种复杂水域的船舶自主避碰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314301A (zh) * | 2023-11-29 | 2023-12-29 | 广州一链通互联网科技有限公司 | 内贸集运的运输路线规划方法、系统及计算机设备 |
CN117346796A (zh) * | 2023-12-05 | 2024-01-05 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
-
2023
- 2023-07-24 CN CN202310908029.9A patent/CN116700295A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314301A (zh) * | 2023-11-29 | 2023-12-29 | 广州一链通互联网科技有限公司 | 内贸集运的运输路线规划方法、系统及计算机设备 |
CN117314301B (zh) * | 2023-11-29 | 2024-03-22 | 广州一链通互联网科技有限公司 | 内贸集运的运输路线规划方法、系统及计算机设备 |
CN117346796A (zh) * | 2023-12-05 | 2024-01-05 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
CN117346796B (zh) * | 2023-12-05 | 2024-03-08 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
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 | |
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
CN116700295A (zh) | 一种复杂水域的船舶自主避碰方法 | |
CN109753068B (zh) | 一种考虑通信情况的多usv群体协同避碰规划方法 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
Wang et al. | Application of real-coded genetic algorithm in ship weather routing | |
Kang et al. | Collision avoidance path planning for ships by particle swarm optimization | |
CN110906935B (zh) | 一种无人艇路径规划方法 | |
Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
CN113032896B (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN111338356A (zh) | 改进分布式遗传算法的多目标无人船避碰路径规划方法 | |
Xinchi et al. | A research on intelligent obstacle avoidance for unmanned surface vehicles | |
CN115167404B (zh) | 一种基于迁移强化学习的海上自主水面船舶避碰决策方法 | |
CN111984012A (zh) | 一种无人船自主避障及航线规划的方法 | |
Zhao et al. | Decision-making for the autonomous navigation of USVs based on deep reinforcement learning under IALA maritime buoyage system | |
Yu et al. | Dynamic adaptive autonomous navigation decision-making method in traffic separation scheme waters: A case study for Chengshanjiao waters | |
Chen et al. | USV collision hazard assessment and track planning algorithm | |
Li et al. | Research on intelligent avoidance method of shipwreck based on bigdata analysis | |
Xue et al. | Ship collision avoidance based on brain storm optimization near offshore wind farm | |
Chen et al. | Pattern knowledge discovery of ship collision avoidance based on AIS data analysis | |
Gierusz et al. | The researching ship “Gdynia “ | |
Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm | |
Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
Zhuo et al. | Intelligent collision avoidance control for large ships | |
CN114815823A (zh) | 一种基于控制障碍函数的无人艇集群安全目标跟踪系统 |
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 |