CN117035210A - 基于通航环境风险画像实现冰区航线路径多目标优化的方法 - Google Patents
基于通航环境风险画像实现冰区航线路径多目标优化的方法 Download PDFInfo
- Publication number
- CN117035210A CN117035210A CN202310906719.0A CN202310906719A CN117035210A CN 117035210 A CN117035210 A CN 117035210A CN 202310906719 A CN202310906719 A CN 202310906719A CN 117035210 A CN117035210 A CN 117035210A
- Authority
- CN
- China
- Prior art keywords
- risk
- navigation
- coordinates
- ship
- image
- 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 76
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 229920006068 Minlon® Polymers 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,步骤包括:S1:数据处理:采集北极全年环境数据包括海冰、风、浪、温度、能见度;以环境数据作为风险指标,融合得到极地船舶的通航环境风险画像;提取通航环境风险画像轮廓;S2:风险感知:基于风险切片方法辨识不同阈值切片的风险程度以及风险类型;S3:路径优化:构建通航风险势场结合DWA算法进行寻优,将最优路径的屏幕坐标转换为投影坐标在显示屏显示。本发明将海冰、风、浪、温度、能见度环境信息融合后形成的船舶通航环境风险画像,获取动态最优航线,直观地为船员提供船舶航路航线路径指引。
Description
技术领域
本发明涉及船舶通航风险防范领域,特别涉及一种基于通航环境风险画像实现冰区航线路径多目标优化的方法。
背景技术
船舶航线规划受到多种因素的影响,尤其是环境因素。北极水域航行环境异常复杂,不仅包含了风、浪、温度、能见度等常见气象水温要素,还长时间受到海冰密集度和厚度的影响,因而船舶北极通航需要考虑风险程度以及针对风险程度的航路规划。针对通航环境风险程度,如何优化冰区航线获取合理可行风险下的航线是保障北极航行安全和实现风险管控目标的关键问题。
科学规划冰区水域船舶航路是冰上丝绸之路季节性通航的首要问题。最初船舶航线设计的方法是经验法,通常是船长根据经验考虑通航环境,对整个航线进行设计、优化、绘制、确定。这种方法考虑的因素非常有限,很难做到安全、高效、经济航行。随着大气科学发展,采用智能优化算法开发基于全球气象数据的最佳航线成为主流方向,主要有遗传算法、粒子群算法、Dijkstra算法、BP神经网络以及机器学习等相关算法。这些方法往往局限于对单因素的优化。而北极航线还涉及到海冰、浪、风、气温、能见度等多种环境因素,这些环境因素都会对北极航线决策产生重大影响,在航线决策时,只有将水域环境风险的多源信息融合才能准确评估通航环境风险。
发明内容
为了解决对于现有的航线优化算法不能将北极冰区航线多因素的环境特征有效引入航线路径决策、导致船舶航路优化不准确的技术问题,提出了一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,将海冰、风、浪、温度、能见度环境信息融合后形成的船舶通航环境风险画像,获取动态最优航线,直观地为船员提供船舶航路航线路径指引。
具体方案如下所述:
一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,
S1:数据处理:
S11:采集数据:采集北极全年环境数据并通过归一化的方法对数据处理获得结构化的数据;所述环境数据包括海冰、风、浪、温度、能见度;
S12:建立画像:以海冰、风、浪、温度、能见度五种环境的地理信息作为风险指标,融合得到极地船舶的通航环境风险画像;
S13:通航环境风险画像轮廓提取:将S12所述的通航环境风险画像的地理坐标转化为屏幕坐标,基于风险等值线进行通航环境风险画像轮廓提取;
S2:风险感知:基于风险切片方法辨识出S3提取到的所述通航环境风险画像轮廓中不同阈值切片的风险程度以及风险类型,所述风险类型包括风险障碍和地理障碍;并在所述通航环境风险画像轮廓中船舶行驶的起点和终点形成当前船舶风险画像;
S3:路径优化:构建通航风险势场进行寻优、以所述通航风险势场作为速度采样空间,运用DWA算法获取最优路径、将S32中最优路径的屏幕坐标进行坐标转换,以投影坐标的形式在显示屏显示当前航次的通航风险;
S31:构建通航风险势场:设定船舶在不同时间窗口的可通行风险阈值,基于人工势场法和S3所述的船舶屏幕坐标的风险障碍计算斥力、利用地理障碍中起点和终点的位置计算引力;通过斥力和引力构建势场、并采用负梯度下降法进行航路寻优从而规避冰区水域的高风险航段;
S32:获取最优路径:结合DWA算法干扰寻优路线使所述航路寻优跳出局部最优状态达到全局最优;以S31所述的通航风险势场作为速度采样空间,运用DWA算法在速度采样空间中采样多组速度值,并模拟各速度下生成的轨迹,在时间最短内达到目标点即为最优路径;
S33:坐标转换:将S32中最优路径的屏幕坐标转换为地理坐标并使用墨卡托投影坐标显示,显示屏显示当前航次的通航风险的投影坐标。
优选的,S13中所述风险等值线的形成方法为:以tif数据格式存储的通航风险画像下,串联等值风险的位置点形成表示同等大小风险区的等值线。
优选的,S13中获得所述风险画像轮廓的方法为:设定等值阈值,在风险画像中提取任意风险程度的轮廓线,进一步对不同阈值下的轮廓线进行去噪处理,得到具备描述环境风险的风险画像轮廓。
优选的,在S13中通航环境风险画像的地理坐标转化为屏幕坐标的方法为:
已知屏幕高h宽w,地理坐标区域为minlon,maxlon,minlat,maxlat;通过比例获得像素下代表的经纬度为地理坐标(sx,sy):
地理坐标(sx,sy)转换屏幕坐标(x,y):
Lon表示经度,Lat表示纬度。
优选的,S2中所述风险切片方法是:首先,融合环境数据获得环境风险画像;然后,根据冰区航线的航道各类船舶风险承受能力设置不同风险阈值;最后,采用等值线的原理,获取处于相同风险阈值的等值切面。
优选的,S31中所述风险阈值是:根据不同船舶的风险承受能力的历史数据确定不同类型船舶可接受的最大风险定义为风险阈值。
优选的,S31所述人工势场法通过目标的引力与障碍物的斥力引导船舶进行寻路;所述人工势场包括斥力势场和引力势场两个部分:
φ(q)=φa(q)+φr(q) (3)
式中,φ(q)为人工势场,φa(q)为引力场,φr(q)为斥力场。
优选的,所述引力势场的函数为:
d2=d/100+1 (5)
其中,d2为距离障碍物距离,d0为一个障碍物影响的距离,二者与斥力范围成正比,d0取值1.55d是屏幕坐标下的欧式距离,通过matlab内置函数bwdist从二值图像中获取;λ与斥力大小成正比,取值800。
优选的,所述斥力势场的函数为:
φr(q)=xi((x-g0)2+(y-g1)2 (6)
其中,xi与引力势场最高点高度成正比,此处取1/700;(g0,g1)是目标位置坐标;
对风险画像E进行水平(X)、竖直(Y)方向的梯度求解,我们将这两个方向上的梯度分别叫做fx,fy,其中E,fx,fy应为尺寸相同的矩阵,设它们的尺寸均为(n,m)。
对于fx中第一列值的求解方式为:
fx(i,1)=E(i,2)-E(i,1) (7)
对于fx中最后列值的求解方式为:
fx(i,m)=E(i,m)-E(i,m-1) (8)
对于fx中其余每列的值的求解公式应当为:
gx(i,j)=(E(i,j+1)-E(i,j-1)/2) (9)
fy的矩阵的求解方法与fx一致。
优选的,S32中DWA方法步骤为:
B1:数据采样:
在符合限制条件的速度采样空间中对船舶进行采样;所述限制条件包括速度边界限制,加速度限制和环境障碍物限制;
所述速度边界限制为:
v1={u∈[umin,umax],w∈[wmin,wmax]} (10)
[umin,umax]分别为船舶最小线速度和最大线速度,[wmin,wmax]分别为船舶最小角速度和最大角速度;
所述加速度限制为:
式中dist(v,w)表示当前速度下对应模拟轨迹与障碍物之间的最近距离;
所述环境障碍物为:
船舶所述速度采样空间为:
v=v1∩v2∩v3 (13)
B2:生成轨迹;
在B1中获取速度采样之后,使用差分驱动目标的运动学模型进行轨迹预测:
式中(x,y,θ)代表船舶的位姿,t代表采样时刻,Δt表示采样间隔;
B3:代价函数评估轨迹;
对每条轨迹进行评价,评价函数为:
G(u,w)=σ(α·heading(u,w))+σ(β·dist(u,w))+σ(γ·velocity(u,w)) (15)
式中,heading(u,w)是方位角评价函数;dist(u,w)是距离评价函数;velocity(u,w)是速度评价函数。
优选的,S33中将屏幕坐标转换为投影坐标的方法为:
B331:屏幕坐标转经地理坐标:
B332:采用墨卡托投影法将经地理坐标转换为投影坐标;
式中,B0为投影基准纬度,B0=0,λ0为坐标原点经度,/>为地球椭圆体第二偏心率,(X,Y)为平面直角坐标系下船舶位置,a为长半轴,b为短半轴,取值同上,e1是自然对数的底。
本发明提供了一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,具体实现了
1、风险感知信息的动态优化:本发明在S1步骤通过数据处理形成风险画像,具体在S12步骤通过海冰、风、浪、温度、能见度五种环境的地理信息的多源信息融合后形成风险画像,具有高风险警示的功能;在S2步骤进行风险感知对风险画像多切片识别可获得多粒度精细信息,使船员能基于本船冰区适航能力设定航道通航风险可接受阈值,实现对冰区通航环境风险的准确动态感知。
2、自动获取全局最优的航线:本发明在S31步骤构建风险障碍和地理障碍融合的风险势场,引入随机梯度函数实现全局优化,在传统的目标点避让技术基础上,进一步突破了对目标线列和目标区面的避让,警醒船员远距离避让高风险冰区,推进船舶航行安全更具效能。本发明所用的人工势场法是为了验证风险切片的实用价值。而负梯度法正好与风险画像的势值契合。因而采用负梯度法来寻找合适的航路。但负梯度法会陷入局部最优,因此,本发明在S32引入DWA干扰寻优路线,逃出局部最优状态,从而达到全局最优的目的,最终获取到最优路径。
3、风险画像坐标系三重转换:本发明实现了坐标的多重转换,在S12步骤获取的环境的地理信息融合的风险画像是地理坐标,计算机对风险画像的像素识别是屏幕坐标、最终可视化结果是投影坐标。在切片之前,需要将风险画像的地理坐标转为屏幕坐标方便切片与后面的人工势场构建和寻优;然后为了符合航海实际的习惯表达,需要将屏幕坐标转为地理坐标,最终显示屏显示的是墨卡托投影后的投影坐标。
4、考虑风险阈值的航次动态寻优:因为本发明面向北极水域季节性通航特征,考虑时间窗口下航次风险时空分布,在S31设定船舶在不同时间窗口的可通行风险阈值,实现动态的航路寻优。同时,可融入船舶冰区水域适航能力和韧性水平以及其他保障情况持续实时调整航线裕度。
附图说明
图1一种基于通航环境风险画像实现冰区航线路径多目标优化的方法方法流程图。
图2不同冰级船舶东北航道通航风险画像示意图。
图3无加强冰级的船舶通航风险画像示意图。
图4东北航道通航风险随时间变化示意图。
图5东北航道通航环境风险势场构建过程效果图。
图6东北航道通航决策优化-可通航边界示例图。
图7东北航道通航决策优化-不可通航示例图。
图8东北航道通航决策优化-不可通航边界示例图。
图9基于航路决策动态优化的东北航道通航风险画像示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
实施例1
如图1所示,一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,
S1:数据处理:
S11:采集数据:采集北极全年环境数据并通过归一化的方法对数据处理获得结构化的数据;所述环境数据包括海冰、风、浪、温度、能见度;
S12:建立画像:以海冰、风、浪、温度、能见度五种环境的地理信息作为风险指标,融合得到极地船舶的通航环境风险画像;
S13:通航环境风险画像轮廓提取:将S12所述的通航环境风险画像的地理坐标转化为屏幕坐标,基于风险等值线进行通航环境风险画像轮廓提取;
S2:风险感知:基于风险切片方法辨识出S3提取到的所述通航环境风险画像轮廓中不同阈值切片的风险程度以及风险类型,所述风险类型包括风险障碍和地理障碍;并在所述通航环境风险画像轮廓中船舶行驶的起点和终点形成当前船舶风险画像;
S3:路径优化:构建通航风险势场进行寻优、以所述通航风险势场作为速度采样空间,运用DWA算法获取最优路径、将S32中最优路径的屏幕坐标进行坐标转换,以投影坐标的形式在显示屏显示当前航次的通航风险;
S31:构建通航风险势场:设定船舶在不同时间窗口的可通行风险阈值,基于人工势场法和S3所述的船舶屏幕坐标的风险障碍计算斥力、利用地理障碍中起点和终点的位置计算引力;通过斥力和引力构建势场、并采用负梯度下降法进行航路寻优从而规避冰区水域的高风险航段;
S32:获取最优路径:结合DWA算法干扰寻优路线使所述航路寻优跳出局部最优状态达到全局最优;以S31所述的通航风险势场作为速度采样空间,运用DWA算法在速度采样空间中采样多组速度值,并模拟各速度下生成的轨迹,在时间最短内达到目标点即为最优路径;
S33:坐标转换:将S32中最优路径的屏幕坐标转换为地理坐标并使用墨卡托投影坐标显示,显示屏显示当前航次的通航风险的投影坐标。
优选的,S13中所述风险等值线的形成方法为:以tif数据格式存储的通航风险画像下,串联等值风险的位置点形成表示同等大小风险区的等值线。
优选的,S13中获得所述风险画像轮廓的方法为:设定等值阈值,在风险画像中提取任意风险程度的轮廓线,进一步对不同阈值下的轮廓线进行去噪处理,得到具备描述环境风险的风险画像轮廓。
优选的,在S13中通航环境风险画像的地理坐标转化为屏幕坐标的方法为:
已知屏幕高h宽w,地理坐标区域为minlon,maxlon,minlat,maxlat;通过比例获得像素下代表的经纬度为地理坐标(sx,sy):
地理坐标(sx,sy)转换屏幕坐标(x,y):
Lon表示经度,Lat表示纬度。
优选的,S2中所述风险切片方法是:首先,融合环境数据获得环境风险画像;然后,根据冰区航线的航道各类船舶风险承受能力设置不同风险阈值;最后,采用等值线的原理,获取处于相同风险阈值的等值切面。
优选的,S31中所述风险阈值是:根据不同船舶的风险承受能力的历史数据确定不同类型船舶可接受的最大风险定义为风险阈值。
优选的,S31所述人工势场法通过目标的引力与障碍物的斥力引导船舶进行寻路;所述人工势场包括斥力势场和引力势场两个部分:
φ(q)=φa(q)+φr(q) (3)
式中,φ(q)为人工势场,φa(q)为引力场,φr(q)为斥力场。
优选的,所述引力势场的函数为:
d2=d/100+1 (5)
其中,d2为距离障碍物距离,d0为一个障碍物影响的距离,二者与斥力范围成正比,d0取值1.55d是屏幕坐标下的欧式距离,通过matlab内置函数bwdist从二值图像中获取;λ与斥力大小成正比,取值800。
优选的,所述斥力势场的函数为:
φr(q)=xi((x-g0)2+(y-g1)2 (6)
其中,xi与引力势场最高点高度成正比,此处取1/700;(g0,g1)是目标位置坐标;
对风险画像E进行水平(X)、竖直(Y)方向的梯度求解,我们将这两个方向上的梯度分别叫做fx,fy,其中E,fx,fy应为尺寸相同的矩阵,设它们的尺寸均为(n,m)。
对于fx中第一列值的求解方式为:
fx(i,1)=E(i,2)-E(i,1) (7)
对于fx中最后列值的求解方式为:
fx(i,m)=E(i,m)-E(i,m-1) (8)
对于fx中其余每列的值的求解公式应当为:
gx(i,j)=(E(i,j+1)-E(i,j-1)/2) (9)
fy的矩阵的求解方法与fx一致。
优选的,S32中DWA方法步骤为:
B1:数据采样:
在符合限制条件的速度采样空间中对船舶进行采样;所述限制条件包括速度边界限制,加速度限制和环境障碍物限制;
所述速度边界限制为:
v1={u∈[umin,umax],w∈[wmin,wmax]} (10)
[umin,umax]分别为船舶最小线速度和最大线速度,[wmin,wmax]分别为船舶最小角速度和最大角速度;
所述加速度限制为:
式中dist(v,w)表示当前速度下对应模拟轨迹与障碍物之间的最近距离;
所述环境障碍物为:
船舶所述速度采样空间为:
v=v1∩v2∩v3 (13)
B2:生成轨迹;
在B1中获取速度采样之后,使用差分驱动目标的运动学模型进行轨迹预测:
式中(x,y,θ)代表船舶的位姿,t代表采样时刻,Δt表示采样间隔;
B3:代价函数评估轨迹;
对每条轨迹进行评价,评价函数为:
G(u,w)=σ(α·heading(u,w))+σ(β·dist(u,w))+σ(γ·velocity(u,w))(15)
式中,heading(u,w)是方位角评价函数;dist(u,w)是距离评价函数;velocity(u,w)是速度评价函数。
优选的,S33中将屏幕坐标转换为投影坐标的方法为:
B331:屏幕坐标转经地理坐标:
B332:采用墨卡托投影法将经地理坐标转换为投影坐标;
式中,B0为投影基准纬度,B0=0,λ0为坐标原点经度,/>为地球椭圆体第二偏心率,(X,Y)为平面直角坐标系下船舶位置,a为长半轴,b为短半轴,取值同上,e1是自然对数的底。
实施例2:
以北极东北航道为例。东北航道西起欧洲西北部的挪威北角,经欧亚大陆北部沿岸,向东穿过白令海峡到达太平洋。获取基于航道环境因素数据包(包括冰、风、浪、温度、能见度),针对原始数据缺失的问题采用三维空间插值方法获取完整、连续的环境数据信息;考虑五种环境信息,构建指标体系并使用云模型融合算法得到东北航道环境风险画像。图2展示了不同冰级船舶东北航道通航、图3展示了无加强冰级的船舶通航风险画像(2022年9月),画像中高风险区皆分布在高纬度区域,中间岛屿周围有部分高风险区,但整个海域尤其是低纬度区域风险在0.2-0.3左右,风险分布符合环境信息的影响:越靠近极地,环境越恶劣,风险越高。本发明的目的就是在此种通航环境风险画像下,提取风险等势线,根据船舶风险承受冗余等级,构建风险势场,使用人工势场法进行航路实时优选,从而自动规划安全合适的航线。
北极环境恶劣,一年中大部分时间处于冰封时期,风险融合结果显示:东北航道在7-10月份为通航窗口期,通航风险在0.12-0.35(图4);同时,冰区航线对船的破冰等级有着严格的要求,因此,分别对不同级别船型进行风险评估。表1显示,通航窗口期内普通货船风险略高于工程船风险。从风险承受能力角度而言,普通货船的通航风险明显低于工程船。因此,在进行航路优化的时候必须考虑到不同船舶对风险的可承受能力。
图5展示了东北航道通航环境风险势场构建过程。本发明首先基于确定格式的风险画像,提取风险边缘曲线(图5a),接着剔除噪声点并筛选出设定风险阈值下的等势线(图5b);然后识别出海岸线和风险阈值线(图5c);接着,对风险画像进行坐标转换;最后通过人工势场法构建出风险势场并使用负梯度法获取优化航线(图5d)。然而,负梯度下降法获取的航线给出的航线在某些节点表现出横向摇摆不定,与航海实践不符,必须对摇摆航向进行优化处理。本发明引入DWA算法,从多个预测航向中寻找最优的航向。该技术的引入能够有效解决人工势场法中负梯度下降法来的航向轨迹横向摇摆不稳定的问题。
为了展现本发明在特定风险阈值下进行航线优化的灵敏性与实用价值。对八月份东北航道环境风险画像按照表1船舶可通航风险进行切片处理,通过上述环节获得风险阈值为0.22和风险阈值为0.31下的优化航线,
表1
图6和图7的上半部分的相同颜色的区域1表示0.22和0.31风险值下风险等势区域,图6设定0.22风险值船舶可通行,在该阈值下,会优先避开陆地障碍进行优化,优化航线会穿过风险区;图7和图8分别设定0.24和0.31风险值不可通行,在该阈值下,会同时考虑地理障碍和风险障碍,优化航线会避开风险区,选择最安全的航线进行优化。实验结果对比表明,本发明能够根据不同风险阈值制定最优航线。
假定船舶某航次从挪威北角到白令海峡北部,在上述通航风险区间根据通航月份选择风险阈值进行航线优化。设置风险阈值0.31不可通航,通过风险障碍和地理障碍构建东北航道通航风险势场,经过风险画像进行航路决策优化后,获得了较为满意的优化航线(图9)。该航线以设定的风险阈值为基准可有效避开高风险冰区,可实现在风险可接受冰区水域安全通航。
本发明将控制算法应用到交通风险管理和极地船舶通航风险工程领域,充分利用气象数据和人工智能算法,为船舶冰区水域安全航行提供航路决策和优化方法,实现大数据示范应用和知识发现,有利于保障海上人命本质安全。本发明可作为冰区水域船舶航行配备的助航工具。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (11)
1.一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,
S1:数据处理:
S11:采集数据:采集北极全年环境数据并通过归一化的方法对数据处理获得结构化的数据;所述环境数据包括海冰、风、浪、温度、能见度;
S12:建立画像:以海冰、风、浪、温度、能见度五种环境的地理信息作为风险指标,融合得到极地船舶的通航环境风险画像;
S13:通航环境风险画像轮廓提取:将S12所述的通航环境风险画像的地理坐标转化为屏幕坐标,基于风险等值线进行通航环境风险画像轮廓提取;
S2:风险感知:基于风险切片方法辨识出S3提取到的所述通航环境风险画像轮廓中不同阈值切片的风险程度以及风险类型,所述风险类型包括风险障碍和地理障碍;并在所述通航环境风险画像轮廓中船舶行驶的起点和终点形成当前船舶风险画像;
S3:路径优化:构建通航风险势场进行寻优、以所述通航风险势场作为速度采样空间,运用DWA算法获取最优路径、将S32中最优路径的屏幕坐标进行坐标转换,以投影坐标的形式在显示屏显示当前航次的通航风险;
S31:构建通航风险势场:设定船舶在不同时间窗口的可通行风险阈值,基于人工势场法和S3所述的船舶屏幕坐标的风险障碍计算斥力、利用地理障碍中起点和终点的位置计算引力;通过斥力和引力构建势场、并采用负梯度下降法进行航路寻优从而规避冰区水域的高风险航段;
S32:获取最优路径:结合DWA算法干扰寻优路线使所述航路寻优跳出局部最优状态达到全局最优;以S31所述的通航风险势场作为速度采样空间,运用DWA算法在速度采样空间中采样多组速度值,并模拟各速度下生成的轨迹,在时间最短内达到目标点即为最优路径;
S33:坐标转换:将S32中最优路径的屏幕坐标转换为地理坐标并使用墨卡托投影坐标显示,显示屏显示当前航次的通航风险的投影坐标。
2.由权利要求1所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S13中所述风险等值线的形成方法为:以tif数据格式存储的通航风险画像下,串联等值风险的位置点形成表示同等大小风险区的等值线。
3.由权利要求1所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S13中获得所述风险画像轮廓的方法为:设定等值阈值,在风险画像中提取任意风险程度的轮廓线,进一步对不同阈值下的轮廓线进行去噪处理,得到具备描述环境风险的风险画像轮廓。
4.由权利要求3所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,在S13中通航环境风险画像的地理坐标转化为屏幕坐标的方法为:
已知屏幕高h宽w,地理坐标区域为minlon,maxlon,minlat,maxlat;通过比例获得像素下代表的经纬度为地理坐标(sx,sy):
地理坐标(sx,sy)转换屏幕坐标(x,y):
Lon表示经度,Lat表示纬度。
5.由权利要求1所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S2中所述风险切片方法是:首先,融合环境数据获得环境风险画像;然后,根据冰区航线的航道各类船舶风险承受能力设置不同风险阈值;最后,采用等值线的原理,获取处于相同风险阈值的等值切面。
6.由权利要求5所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S31中所述风险阈值是:根据不同船舶的风险承受能力的历史数据确定不同类型船舶可接受的最大风险定义为风险阈值。
7.由权利要求1或6所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S31所述人工势场法通过目标的引力与障碍物的斥力引导船舶进行寻路;所述人工势场包括斥力势场和引力势场两个部分:
φ(q)=φa(q)+φr(q) (3)
式中,φ(q)为人工势场,φa(q)为引力场,φr(q)为斥力场。
8.由权利要求7所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,所述引力势场的函数为:
d2=d/100+1 (5)
其中,d2为距离障碍物距离,d0为一个障碍物影响的距离,二者与斥力范围成正比,d0取值1.55d是屏幕坐标下的欧式距离,通过matlab内置函数bwdist从二值图像中获取;λ与斥力大小成正比,取值800。
9.由权利要求7所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,所述斥力势场的函数为:
φr(q)=xi((x-g0)2+(y-g1)2 (6)
其中,xi与引力势场最高点高度成正比,此处取1/700;(g0,g1)是目标位置坐标;
对风险画像E进行水平(X)、竖直(Y)方向的梯度求解,我们将这两个方向上的梯度分别叫做fx,fy,其中E,fx,fy应为尺寸相同的矩阵,设它们的尺寸均为(n,m)。
对于fx中第一列值的求解方式为:
fx(i,1)=E(i,2)-E(i,1) (7)
对于fx中最后列值的求解方式为:
fx(i,m)=E(i,m)-E(i,m-1) (8)
对于fx中其余每列的值的求解公式应当为:
gx(i,j)=(E(i,j+1)-E(i,j-1)/2) (9)
fy的矩阵的求解方法与fx一致。
10.由权利要求1所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S32中DWA方法步骤为:
B1:数据采样:
在符合限制条件的速度采样空间中对船舶进行采样;所述限制条件包括速度边界限制,加速度限制和环境障碍物限制;
所述速度边界限制为:
v1={u∈[umin,umax],w∈[wmin,wmax]} (10)
[umin,umax]分别为船舶最小线速度和最大线速度,[wmin,wmax]分别为船舶最小角速度和最大角速度;
所述加速度限制为:
式中dist(v,w)表示当前速度下对应模拟轨迹与障碍物之间的最近距离;
所述环境障碍物为:
船舶所述速度采样空间为:
v=v1∩v2∩v3 (13)
B2:生成轨迹;
在B1中获取速度采样之后,使用差分驱动目标的运动学模型进行轨迹预测:
式中(x,y,θ)代表船舶的位姿,t代表采样时刻,Δt表示采样间隔;
B3:代价函数评估轨迹;
对每条轨迹进行评价,评价函数为:
G(u,w)=σ(α·heading(u,w))+σ(β·dist(u,w))+σ(γ·velocity(u,w)) (15)
式中,heading(u,w)是方位角评价函数;dist(u,w)是距离评价函数;velocity(u,w)是速度评价函数。
11.由权利要求1所述的一种基于通航环境风险画像实现冰区航线路径多目标优化的方法,其特征在于,S33中将屏幕坐标转换为投影坐标的方法为:
B331:屏幕坐标转经地理坐标:
B332:采用墨卡托投影法将经地理坐标转换为投影坐标;
式中,B0为投影基准纬度,B0=0,λ0为坐标原点经度,/>为地球椭圆体第二偏心率,(X,Y)为平面直角坐标系下船舶位置,a为长半轴,b为短半轴,取值同上,e1是自然对数的底。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906719.0A CN117035210A (zh) | 2023-07-21 | 2023-07-21 | 基于通航环境风险画像实现冰区航线路径多目标优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906719.0A CN117035210A (zh) | 2023-07-21 | 2023-07-21 | 基于通航环境风险画像实现冰区航线路径多目标优化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035210A true CN117035210A (zh) | 2023-11-10 |
Family
ID=88623567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906719.0A Pending CN117035210A (zh) | 2023-07-21 | 2023-07-21 | 基于通航环境风险画像实现冰区航线路径多目标优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573796A (zh) * | 2024-01-17 | 2024-02-20 | 中国船舶集团有限公司第七〇七研究所 | 一种根据航线自动筛选纸海图的方法及系统 |
-
2023
- 2023-07-21 CN CN202310906719.0A patent/CN117035210A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573796A (zh) * | 2024-01-17 | 2024-02-20 | 中国船舶集团有限公司第七〇七研究所 | 一种根据航线自动筛选纸海图的方法及系统 |
CN117573796B (zh) * | 2024-01-17 | 2024-04-05 | 中国船舶集团有限公司第七〇七研究所 | 一种根据航线自动筛选纸海图的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241457A (zh) | 一种用于船舶驾驶的三维辅助导航系统建立方法 | |
CN105913469B (zh) | 基于骨架图的tf/ta2航迹规划方法 | |
KR101799216B1 (ko) | 해양 내비게이션 장치 및 항로 제공 방법 | |
CN117035210A (zh) | 基于通航环境风险画像实现冰区航线路径多目标优化的方法 | |
KR101719142B1 (ko) | 해양 내비게이션 장치 및 항로 제공 방법 | |
CN109911140A (zh) | 一种水域航行信息增强装置、系统及方法 | |
CN110442665A (zh) | 极地海域冰情融合显示方法 | |
Alvarez-Palau et al. | Database of historic ports and coastal sailing routes in England and Wales | |
US20220214689A1 (en) | Autonomous Vessel and Infrastructure for Supporting an Autonomous Vessel on Inland Waterways | |
Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
Mannarini et al. | VISIR-1. b: Ocean surface gravity waves and currents for energy-efficient navigation | |
Höhler | Creating the Blue Planet from Modern Oceanography: Creating the Blue Planet from Modern Oceanography | |
Taimuri et al. | A predictive analytics method for the avoidance of ship grounding in real operational conditions | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
Arsenault et al. | Fusing information in a 3D Chart-of-the-Future display | |
Grinyak et al. | Ship routes planning based on traffic clustering | |
CN114610046A (zh) | 一种考虑动态水深的无人艇动态安全轨迹规划方法 | |
Indruszewski et al. | Simulating sea surfaces for modeling Viking Age seafaring in the Baltic Sea | |
Aroucha et al. | Practical aspects of meteorology and oceanography for mariners: A guide for the perplexed | |
Lam et al. | The role of geomatics engineering in establishing the marine information system for maritime management | |
Froese | Safe and efficient port approach by vessel traffic management in waterways | |
Mannarini et al. | VISIR-Ib: waves and ocean currents for energy efficient navigation | |
CN116011255B (zh) | 基于船冰作用三维可视化模拟的极地航行窗口期评估系统 | |
Karetnikov et al. | Improving the quality of navigation and hydrographic support in the Arctic rivers estuarine waterways | |
Liu et al. | Clustering Theta* based segmented path planning method for vessels in inland waterways |
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 |