CN117346796B - 一种基于航路网络的智能航线规划方法、装置及电子设备 - Google Patents
一种基于航路网络的智能航线规划方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117346796B CN117346796B CN202311650874.7A CN202311650874A CN117346796B CN 117346796 B CN117346796 B CN 117346796B CN 202311650874 A CN202311650874 A CN 202311650874A CN 117346796 B CN117346796 B CN 117346796B
- Authority
- CN
- China
- Prior art keywords
- route
- point
- navigation
- optimized
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 41
- 230000033001 locomotion Effects 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于航路网络的智能航线规划方法、装置及电子设备，包括：获取船舶轨迹数据，根据船舶轨迹数据生成航路网络；选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线；根据初始最优航线确定待优化航段，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线。综上，本发明通过改进遗传算法进行整体航线规划，通过多策略改进RRT*算法进行局部航段优化，得到安全高精度的船舶航线。
Description
技术领域
本发明涉及水路交通领域，具体涉及一种基于航路网络的智能航线规划方法、装置及电子设备。
背景技术
在水路交通中，自主化的航线规划技术实现最优航线的自动选择是船舶智能航线技术体系的重要内容。传统航线规划算法通常将航行区域进行空间划分形成栅格网络，将船舶航线最优问题转换为在网格中的路径寻优问题，并利用图论中包括Dijstra与A*的经典路径规划算法进行求解。启发式新型算法则为航线规划求解最优的问题提供了更多的解决方法。主要有蚁群算法、遗传算法、进化算法、人工神经网络算法等，这些智能算法不仅能实现对船舶航线单目标优化，还能进行混合构建多目标优化模型，为复杂水域下航行的船舶提供航线选择。但随着约束条件的增加，计算复杂度也会随着增高，因此构建的航线仍然不够精细。随着大数据和深度学习发展，船舶航线规划开始利用历史AIS航行数据来提取潜在航线的分布规律，通过轨迹聚类方法为船舶规划一条可行的航线。但这种方法通常忽略了当前航次中的地理环境信息以及其他约束条件。同时船舶轨迹数据本身也存在着高度噪声、广泛的覆盖范围、稀疏的采样和显著的密度分布差异等问题，会影响生成航线的安全性和精确性。
发明内容
有鉴于此，有必要提供一种基于航路网络的智能航线规划方法及装置，用于解决现有技术基于航路网络的智能航线规划方法精度较低，安全性不足的技术问题。
为了解决上述技术问题，一方面本发明提供了一种基于航路网络的智能航线规划方法，包括：
获取船舶轨迹数据，根据船舶轨迹数据生成航路网络；
选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线；
根据初始最优航线确定待优化航段，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线。
进一步的，根据船舶轨迹数据生成航路网络，包括：
依次进行轨迹清洗、轨迹平滑和缺失值插值处理，对船舶轨迹数据进行预处理得到预处理轨迹数据；
基于局部阈值过滤法对预处理轨迹数据中关键特征点进行识别得到航路点集合，并对航路点集合进行聚类得到航路点区域；
基于航路点区域对船舶轨迹进行分割得到航路点区域子轨迹集合；
构建轨迹运动相识性度量模型，根据轨迹运动相识性度量模型将航路点区域子轨迹集合聚类得到航路段；
确定各航路段的几何连接关系得到航路轨迹，并对航路轨迹进行异常过滤和航路边界识别得到航路网络拓扑结构。
进一步的，选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线，包括：
定义改进遗传算法优化目标；
以航线起始点作为种群个体的首个航路点，在各方向上选择下一个航行航路点，直至选择到航线终点，形成一条航线作为一个种群个体，重复选择过程直至生成满足初始种群规模的种群个体；
基于适应度值线性尺度变换方法构建适应度函数，根据适应度函数确定各种群个体的适应度；
基于轮盘赌选择法作为改进遗传算法的选择操作以保留适应度值大的种群个体，以单点交叉和均匀变异作为改进遗传算法的交叉操作和变异操作，对初始种群进行迭代优化得到初始最优航线。
进一步的，定义改进遗传算法优化目标，包括：
定义航线规划的运动变量，运动变量包括航路点坐标和转向变量；
定义航线规划的网络特征指标，网络特征指标包括节点度、点介数和介数中心性；
根据运动变量和网络特征指标定义航线规划的优化目标，优化目标包括航线距离、转向次数和航路节点通行能力；
综合各优化目标得到改进遗传算法优化目标。
进一步的，根据初始最优航线确定待优化航段，包括：
获取航线区域海图数据，根据海图数据判断航线区域危险性，并二值化划分为禁航区和安全区，根据禁航区和安全区构建二值地图；
将初始最优航线映射到二值地图中得到映射航线；
基于映射航线生成椭圆空间；
根据椭圆空间和禁航区确定待优化航段。
进一步的，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线，包括：
在待优化航线对应椭圆空间内，将待优化航段的起始航路点作为生成树根节点；
基于采样点相似策略确定采样区域，基于方向引导策略引导在采样区域生成待优化航段的起始航路点到目标航路点的优化航线。
进一步的，基于采样点相似策略确定采样区域，包括：
根据航路网络得到航行特征信息，根据航线特征信息确定航速比例；
以航线生成的父节点作为采样区域中心点，根据航速比例确定采样区域半径，根据采样区域中心点和采样区域半径确定采样区域。
进一步的，基于方向引导策略引导在采样区域生成待优化航段的起始航路点到目标航路点的优化航线，包括：
定义随机树生长概率；
根据随机树生长概率定义新节点选择函数；
根据新节点选择函数定义生长引导函数；
根据生长引导函数选择随机树新节点；
迭代随机树新节点生长过程，得到待优化航段的起始航路点到目标航路点的优化航线。
另一方面，本发明还提供了一种基于航路网络的智能航线规划装置，包括：
航路网络生成单元，用于获取船舶轨迹数据，根据船舶轨迹数据生成航路网络；
初始航线规划单元，用于选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线；
航段优化单元，用于根据初始最优航线确定待优化航段，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线。
另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储计算机程序；
处理器，与存储器耦合，用于执行计算机程序，以实现上述任意一项的基于航路网络的智能航线规划方法中的步骤。
与现有技术相比，采用上述实施例的有益效果是：本发明通过改进遗传算法进行整体航线规划，通过多策略改进RRT*算法进行局部航段优化，得到安全高精度的船舶航线。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于航路网络的智能航线规划方法的一个实施例的流程示意图；
图2为一个实施例的移动方向选择示意图；
图3为一个实施例的免撞缓冲区示意图；
图4为一个实施例的子航段椭圆空间示意图；
图5为一个实施例的航线连续多椭圆空间示意图；
图6为一个实施例的航线交叉点检测示意图；
图7为本发明提供的基于航路网络的智能航线规划装置的一个实施例的结构示意图；
图8为本发明提供的电子设备的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，示意图的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1为本发明提供的基于航路网络的智能航线规划方法的一个实施例的流程示意图，如图1所示，基于航路网络的智能航线规划方法包括：
S101、获取船舶轨迹数据，根据船舶轨迹数据生成航路网络；
S102、选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线；
S103、根据初始最优航线确定待优化航段，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线。
具体地，在本发明提供的基于航路网络的智能航线规划方法中，通过改进遗传算法进行整体航线规划，通过多策略改进RRT*算法进行局部航段优化，得到安全高精度的船舶航线。
在本发明的具体实施例中，根据船舶轨迹数据生成航路网络，包括：
依次进行轨迹清洗、轨迹平滑和缺失值插值处理，对船舶轨迹数据进行预处理得到预处理轨迹数据；
基于局部阈值过滤法对预处理轨迹数据中关键特征点进行识别得到航路点集合，并对航路点集合进行聚类得到航路点区域；
基于航路点区域对船舶轨迹进行分割得到航路点区域子轨迹集合；
构建轨迹运动相识性度量模型，根据轨迹运动相识性度量模型将航路点区域子轨迹集合聚类得到航路段；
确定各航路段的几何连接关系得到航路轨迹，并对航路轨迹进行异常过滤和航路边界识别得到航路网络拓扑结构。
具体地，在构建海上航路网络拓扑结构中，首先需要对采集的船舶轨迹数据进行预处理，通过轨迹清洗和轨迹平滑解决原始轨迹数据中噪声误差问题，通过缺失值插值处理解决原始轨迹数据中存在间断缺失的问题。
然后实施例通过局部阈值过滤法对轨迹数据中关键特征点进行识别，得到航路网络航路点集合，然后通过DBSCAN聚类方法对候选航路点集合进行聚类得到航路点区域，根据得到的航路点区域对船舶轨迹进行分割，通过综合距离和方向特征建立轨迹运动相识性度量模型，将航路点区域子轨迹集合进行聚类得到航路段。最后统计航路段的几何信息与交通流特征信息确定几何区域之间的连接关系得到航路轨迹，并使用LOF过滤算法和AlphaShape边界识别算法实现对航路轨迹的异常过滤和航路边界的识别得到海上航路的网络拓扑结构。
在本发明的具体实施例中，定义改进遗传算法优化目标，包括：
定义航线规划的运动变量，运动变量包括航路点坐标和转向变量；
定义航线规划的网络特征指标，网络特征指标包括节点度、点介数和介数中心性；
根据运动变量和网络特征指标定义航线规划的优化目标，优化目标包括航线距离、转向次数和航路节点通行能力；
综合各优化目标得到改进遗传算法优化目标。
具体地，船舶航线规划旨在优化航行路径上的综合指标，以实现最优或相对最优的航行方案，在综合考虑航程最短、降低船舶机动难度和提高航线通行能力的前提下，得到高效的推荐航线。为此，实施例采用改进遗传算法来生成符合约束条件的推荐航线。
为考虑航线规划中的多种因素，需要定义改进遗传算法的优化目标。
其中，定义的运动变量包括航路点坐标和转向变量。对于航路点坐标，在船舶航线规划过程中，船舶的位置不断变化，定义向量表示一条可行的航线要素集合，包括航线中所有航路点坐标集合，表示为：
相邻两个航路点之间的航线称为航段，一条航线中所包含的航段数量用来表示，具体数值大小根据航路点的选择结果而定。
对于转向变量，一条航线由众多航段构成，船舶在航行到某个航路点后，会面临转向问题，经过判断后转向下一航路点，这种情况两个航路点间船舶船艏向改变的角度就是航向，表示为：
其中，表示第/>段航路的航向信息，/>，以正北方向为起始位置，按顺时针方向进行递增。
定义的航线网络的网络特征指标包括节点度、点介数和介数中心性。节点度代表节点与其他节点之间的连接数量，节点度越大表示该节点与其它节点连接的边越多。以此衡量航路节点的重要性及强通行能力，节点度用/>表示。点介数/>定义为所有最短路径中通过节点/>的比例，其中最短路径连接节点/>和/>。介数中心性/>用于评估网络中一个节点对其他节点连接的重要性，计算方式如下：
定义的航线规划的优化目标有多个目标，包括航线距离、转向次数和航路节点通行能力。其中航线距离基于航路网格中的连接关系所生成的拓扑结构，根据所生成的航线将其中航路节点依次连接，形成个航路段，则一条航线的总长度可以表示为：
把地球看成椭球体，在Mector地图中，任意两点之间距离公式为：
其中，和/>分别为第一个点的纬度和经度坐标，/>和/>分别为第二个点的纬度和经度坐标，/>为恒向线方向，/>为两点间的弧度距离，/>为地球偏心率，上式适用于船舶沿非等纬线航行，对于等纬线航线，即船舶航向为90°或270°时采用下式计算两点间的航程：
对于转向次数的统计，通过统计航线中各航段的转向变量进行叠加的方法求得，如下式：
为了规划航线倾向于通行能力高、访问频率高的航路节点，实施例综合考虑了节点度与介数中心性/>。航线经过航路点的累积计算公式如下：
考虑到多目标子函数具有不同的量纲和量级，可能导致不可比较的问题，在构建目标函数之前，通过线性比例法子目标函数进行归一化处理，如下式所示：
其中，表示子目标函数，/>表示子目标函数的平均值。
最后综合各优化目标作为改进遗传算法优化目标：
其中，，改进遗传算法优化目标为/>最小化。
在本发明的具体实施例中，选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线，包括：
定义改进遗传算法优化目标；
以航线起始点作为种群个体的首个航路点，在各方向上选择下一个航行航路点，直至选择到航线终点，形成一条航线作为一个种群个体，重复选择过程直至生成满足初始种群规模的种群个体；
基于适应度值线性尺度变换方法构建适应度函数，根据适应度函数确定各种群个体的适应度；
基于轮盘赌选择法作为改进遗传算法的选择操作以保留适应度值大的种群个体，以单点交叉和均匀变异作为改进遗传算法的交叉操作和变异操作，对初始种群进行迭代优化得到初始最优航线。
具体地，对于航线个体编码，实施例基于航路网络，将每个相互连接的航路点按特定顺序标记为唯一编号，并采用实数编码。航线由一系列航路点构成，这些航路点不仅包括经纬度位置信息、航行速度、航向信息，还存储了航路点的节点度和介数中心性。
在航线初始化过程中，图2为实施例的移动方向选择示意图，如图2所示，实施例采用八个方向的移动选择生成可行航路，以克服传统仅考虑四个方向的局限性，以航线中的某一航路点为例，其接下来可选择的路线方向包括上、下、左、右、左上、左下、右上和右下，每个方向上的航路都是潜在的可选择航路。
实施例将起始点设为种群个体的首个航路点，以其为中心点，在八个方向上选择下一个航行航路点，依次进行选择，直至选择到航路终点，形成一条航线作为一个种群个体。重复上述步骤，直到生成满足初始种群规模的航线个体，即所需的初始种群个体。
在计算种群适应度上，本发明以“最优航线”作为目标，即期望航程距离最小、转向累计次数最少、航线通行能力最强。对于航线种群，希望目标函数值较小的航线个体能被保留，目标函数值越小，航线的航行成本越小，适应度值越大，航线个体被保留的概率越高。因此实施例采用适应度值线性尺度变换方法构建适应度函数，公式如下：
其中，是初始种群中任意航线个体的目标函数值，/>表示经过变换后航线个体适应度值，/>，/>和/>分别表示初始种群中目标函数值的最大和最小航线个体，/>。
在改进遗传算法求解中，遗传算子与基本遗传算法一样，包括选择操作、交叉操作和变异操作，实施例的交叉操作和变异操作使用单点交叉法和均匀变异法。为将适应度值大的航线个体选中并作为父代种群，实施例以轮盘赌选择法作为选择操作，以保证具有优良性状的航线个体被选中，以表示种群大小，每个个体被选择的概率/>为：
在本发明的具体实施例中，根据初始最优航线确定待优化航段，包括：
获取航线区域海图数据，根据海图数据判断航线区域危险性，并二值化划分为禁航区和安全区，根据禁航区和安全区构建二值地图；
将初始最优航线映射到二值地图中得到映射航线；
基于映射航线生成椭圆空间；
根据椭圆空间和禁航区确定待优化航段。
具体地，为确保生成航线安全，避免极端环境导致船舶搁浅或碰撞障碍物等问题，本发明设计了一种基于多策略改进RRT*算法来对初始最优航线进行局部优化，以确保航线规划的安全性和可行性。
为进行合理局部优化，需要先确定需要进行局部优化的航段。实施例通过获取航线区域海图数据，提取海图中海域深度、底部类型、海岸的高度、特征和配置、导航标志以及危险障碍物等信息，并根据PIANC安全深度标准设置通行安全水深，创建地理特征图，然后通过阈值分割技术将地理特征图二值化后转化为二值图像，以黑色表示禁航区，以白色表示安全区，得到二值地图。然后，将初始最优航线映射到二值地图中得到映射航线，并设定航行安全距离。根据IMO标准，船体战术直径不应超过船长的5倍，实施例选择5倍船长作为安全距离，基于此安全距离建立免撞缓冲区，将其扩展为与障碍物间的边界，如图3所示，图3为免撞缓冲区示意图。
基于二值地图中的映射航线，实施例通过组合椭圆空间生成指定的优化空间。图4为子航段椭圆空间示意图，图5为航线连续多椭圆空间示意图，如图4所示，椭圆的短轴代表安全距离，表示可航行的宽度，椭圆的长轴表示船舶前进的搜索方向，长于安全距离。在椭圆空间中，初始航线的航路点被设为椭圆的焦点，椭圆的中心坐标计算为每个路径段航路点之间的中点，用字母表示。焦点连线向量代表改进型遗传算法搜索得到的初始路径每个路径段的长度。沿着航线的方向，将每个航段生成的椭圆空间组合得到连续多椭圆空间，如图5所示。
图6为航线交叉点检测示意图，如图6所示，为保证航行安全，需要检查航段是否为潜在碰撞空间，即保证椭圆区域不能与禁航区边界发生交叉。实施例通过计算禁航区与规划航线段的椭圆空间是否存在交点来判断：
其中，当航段的椭圆空间与禁航区交叉，赋予该航段0权重，反之，如果没有交叉点，表示可以安全通航，将该航段赋予1权重，以表示航线的所有航路点集合，/>表示子航段集合，初始最优航线/>。对于其中权值为零的航段，作为待优化航段进行进一步的优化。
在本发明的具体实施例中，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线，包括：
在待优化航线对应椭圆空间内，将待优化航段的起始航路点作为生成树根节点；
基于采样点相似策略确定采样区域，基于方向引导策略引导在采样区域生成待优化航段的起始航路点到目标航路点的优化航线。
具体地，传统RRT*算法基于RRT算法增加重新选择父节点和重布线策略，主要思想是在特定椭圆空间内，将起始航路点作为算法中生成树的根节点，将搜索空间划分为树形结构，并通过随机采样与节点扩展的方式，逐步建立起从起点到目标点的路径。但考虑到RRT*算法是基于均匀随机采样的搜索算法，随着随机树的生长，计算代价将更快地增加，导致计算速度大大降低。因此本发明针对RRT*算法中的重新选择父节点和重布线步骤进行改进，以采样点相似策略和方向引导策略来优化算法，使算法能更好地利用航路网络的特征信息，提高在特定空间搜索最优航线的效率。
在本发明的具体实施例中，基于采样点相似策略确定采样区域，包括：
根据航路网络得到航行特征信息，根据航线特征信息确定航速比例；
以航线生成的父节点作为采样区域中心点，根据航速比例确定采样区域半径，根据采样区域中心点和采样区域半径确定采样区域。
具体地，针对均匀随机采样的缺陷，本发明对采样范围进行约束，通过引入采样点相似策略来限制采样范围，解决了目标路径寻优效率不高、路径冗余和无用随机采样空间过多的问题。实施例通过航路网络获取船舶的航行特征信息，包括航速、航向和位置等，根据航线特征信息确定改进RRT*算法的采样区域。其中采样区域的中心点为父节点，采样空间半径根据父节点的航速比例确定，确保生成的采样空间能够覆盖可能的船舶运动范围，从而减少无效随机采样空间。
在本发明的具体实施例中，基于方向引导策略引导在采样区域生成待优化航段的起始航路点到目标航路点的优化航线，包括：
定义随机树生长概率；
根据随机树生长概率定义新节点选择函数；
根据新节点选择函数定义生长引导函数；
根据生长引导函数选择随机树新节点；
迭代随机树新节点生长过程，得到待优化航段的起始航路点到目标航路点的优化航线。
具体地，为了使重新规划的新航段在一定程度上偏向于原有路径，实施例提前缓存初始航段轨迹点。当进行新的局部航线优化时，实施例选择初始轨迹点的朝向作为改进RRT*算法采样点的采样方向。定义随机树生长概率、/>和/>，其中/>表示随机数向目标生长的概率，/>表示原有轨迹点作为新节点的概率，/>表示选择一个采样空间节点作为新节点的概率，并且/>，即三个概率之和为1，因此向目标生长概率和向原有轨迹点生长概率决定了随机生长的概率。实施例中，/>作为选择新节点/>的概率和一个随机整数/>用以节点选择，其中/>为方向缓存中的节点数，则新节点/>选择函数为：
根据节点选择函数可知当时，改进RRT*才会选择随机生成，因此方向引导策略可以限制算法随机抽样，减少无用节点的计算。然后实施例定义生成引导函数来影响新节点的搜索步长和方向，该函数设置了引力项，使得算法以目标节点/>或预先缓存的原有轨迹节点方向作为有效方向，引导RRT*随机树的生成方向，生成引导函数公式表示为：
其中表示搜索步长，/>表示引力权重，/>表示/>朝向目标/>的方向，则/>即表示/>向目标/>的生长函数。同理，表示向原有轨迹节点的生长函数，引导函数/>和/>表示新节点搜索方向考虑采样空间中节点，船舶速度与船舶航向以引导新节点朝向适合船舶航行特征的方向生长。
实施例通过以上的方向引导策略，在使得新规划的子航线在一定程度上保持与原有航线相似性的同时，大幅提高了运算效率，通过不断迭代这个过程，得到和/>间优化后的优化航线。
与现有技术相比，本发明通过预处理和局部阈值过滤等操作处理船舶轨迹数据，通过轨迹运动相识性度量模型，轨迹异常过滤和航路边界识别得到准确的航路网络拓扑结构；以航线距离、转向次数和航路节点通行能力等多指标作为优化目标，基于改进遗传算法进行整体航线规划，得到满足多种航线要求的初始最优航线；通过多策略改进RRT*算法进行局部航段优化，在保证新航线与原有航线相似度的同时，精细高效地处理潜在的危险航段，最终得到安全高精度的船舶航线。
基于本发明提供的基于航路网络的智能航线规划方法，本发明还提供了一种基于航路网络的智能航线规划装置700，如图7所示，包括：
航路网络生成单元701，用于获取船舶轨迹数据，根据船舶轨迹数据生成航路网络；
初始航线规划单元702，用于选定航线起始点和航线终点，根据航路网络、航线起始点和航线终点基于改进遗传算法进行航线规划得到初始最优航线；
航段优化单元703，用于根据初始最优航线确定待优化航段，基于多策略改进RRT*算法对待优化航段进行局部优化得到优化航线。
上述实施例提供的基于航路网络的智能航线规划装置700可实现上述基于航路网络的智能航线规划方法实施例中的技术方案，上述各模块或单元具体实现的原理可参见上述基于航路网络的智能航线规划方法实施例中的相应内容，此处不再赘述。
本发明还提供了一种电子设备800，如图8所示，图8为本发明提供的电子设备一实施例的结构示意图，电子设备800包括处理器801、存储器802及存储在存储器802并可在处理器801上运行的计算机程序，处理器801执行程序时，实现上述的基于航路网络的智能航线规划方法。
作为优选的实施例，上述电子设备还包括显示器803，用于显示处理器801执行上述基于航路网络的智能航线规划方法的过程。
其中，处理器801可能是一种集成电路芯片，具有信号的处理能力。上述的处理器801可以是通用处理器，包括中央处理器（Central Processing Unit，CPU ）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器也可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，存储器802可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），安全数字（Secure Digital，SD卡），闪存卡（Flash Card）等。其中，存储器802用于存储程序，处理器801在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流程定义的方法可以应用于处理器801中，或者由处理器801实现。
其中，显示器803可以是LED显示屏，液晶显示器或触控式显示器等。显示器803用于显示在电子设备800的各种信息。
可以理解的是，图8所示的结构仅为电子设备800的一种结构示意图，电子设备800还可以包括比图8所示更多或更少的组件。图8中所示的各组件可以采用硬件、软件或其组合实现。
以上，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 (4)
1.一种基于航路网络的智能航线规划方法，其特征在于，所述方法包括：
获取船舶轨迹数据，依次进行轨迹清洗、轨迹平滑和缺失值插值处理，对所述船舶轨迹数据进行预处理得到预处理轨迹数据，基于局部阈值过滤法对所述预处理轨迹数据中关键特征点进行识别得到航路点集合，并对所述航路点集合进行聚类得到航路点区域，基于所述航路点区域对船舶轨迹进行分割得到航路点区域子轨迹集合，构建轨迹运动相识性度量模型，根据所述轨迹运动相识性度量模型将所述航路点区域子轨迹集合聚类得到航路段，确定各航路段的几何连接关系得到航路轨迹，并对所述航路轨迹进行异常过滤和航路边界识别得到航路网络拓扑结构；
定义改进遗传算法优化目标，以所述航线起始点作为种群个体的首个航路点，在各方向上选择下一个航行航路点，直至选择到所述航线终点，形成一条航线作为一个种群个体，重复选择过程直至生成满足初始种群规模的种群个体，基于适应度值线性尺度变换方法构建适应度函数，根据所述适应度函数确定各种群个体的适应度，基于轮盘赌选择法作为改进遗传算法的选择操作以保留适应度值大的种群个体，以单点交叉和均匀变异作为改进遗传算法的交叉操作和变异操作，对初始种群进行迭代优化得到初始最优航线；
其中，所述定义改进遗传算法优化目标，包括：定义航线规划的运动变量，所述运动变量包括航路点坐标和转向变量，定义航线规划的网络特征指标，所述网络特征指标包括节点度、点介数和介数中心性，根据所述运动变量和所述网络特征指标定义航线规划的优化目标，所述优化目标包括航线距离、转向次数和航路节点通行能力，综合各优化目标得到所述改进遗传算法优化目标；
根据所述初始最优航线确定待优化航段，在待优化航线对应椭圆空间内，将待优化航段的起始航路点作为生成树根节点，基于采样点相似策略确定采样区域，基于方向引导策略引导在所述采样区域生成待优化航段的起始航路点到目标航路点的优化航线；
其中，所述基于采样点相似策略确定采样区域，包括：根据所述航路网络得到航行特征信息，根据所述航线特征信息确定航速比例，以航线生成的父节点作为采样区域中心点，根据所述航速比例确定采样区域半径，根据所述采样区域中心点和所述采样区域半径确定采样区域；
所述基于方向引导策略引导在所述采样区域生成待优化航段的起始航路点到目标航路点的优化航线，包括：定义随机树生长概率，根据所述随机树生长概率定义新节点选择函数，根据所述新节点选择函数定义生长引导函数，根据所述生长引导函数选择随机树新节点，迭代随机树新节点生长过程，得到所述待优化航段的起始航路点到目标航路点的优化航线。
2.根据权利要求1所述的基于航路网络的智能航线规划方法，其特征在于，所述根据所述初始最优航线确定待优化航段，包括：
获取航线区域海图数据，根据所述海图数据判断航线区域危险性，并二值化划分为禁航区和安全区，根据所述禁航区和所述安全区构建二值地图；
将所述初始最优航线映射到所述二值地图中得到映射航线；
基于所述映射航线生成椭圆空间；
根据所述椭圆空间和所述禁航区确定待优化航段。
3.一种基于航路网络的智能航线规划装置，其特征在于，包括：
航路网络生成单元，用于获取船舶轨迹数据，依次进行轨迹清洗、轨迹平滑和缺失值插值处理，对所述船舶轨迹数据进行预处理得到预处理轨迹数据，基于局部阈值过滤法对所述预处理轨迹数据中关键特征点进行识别得到航路点集合，并对所述航路点集合进行聚类得到航路点区域，基于所述航路点区域对船舶轨迹进行分割得到航路点区域子轨迹集合，构建轨迹运动相识性度量模型，根据所述轨迹运动相识性度量模型将所述航路点区域子轨迹集合聚类得到航路段，确定各航路段的几何连接关系得到航路轨迹，并对所述航路轨迹进行异常过滤和航路边界识别得到航路网络拓扑结构；
初始航线规划单元，定义改进遗传算法优化目标，以所述航线起始点作为种群个体的首个航路点，在各方向上选择下一个航行航路点，直至选择到所述航线终点，形成一条航线作为一个种群个体，重复选择过程直至生成满足初始种群规模的种群个体，基于适应度值线性尺度变换方法构建适应度函数，根据所述适应度函数确定各种群个体的适应度，基于轮盘赌选择法作为改进遗传算法的选择操作以保留适应度值大的种群个体，以单点交叉和均匀变异作为改进遗传算法的交叉操作和变异操作，对初始种群进行迭代优化得到初始最优航线；
其中，所述定义改进遗传算法优化目标，包括：定义航线规划的运动变量，所述运动变量包括航路点坐标和转向变量，定义航线规划的网络特征指标，所述网络特征指标包括节点度、点介数和介数中心性，根据所述运动变量和所述网络特征指标定义航线规划的优化目标，所述优化目标包括航线距离、转向次数和航路节点通行能力，综合各优化目标得到所述改进遗传算法优化目标；
航段优化单元，用于根据所述初始最优航线确定待优化航段，在待优化航线对应椭圆空间内，将待优化航段的起始航路点作为生成树根节点，基于采样点相似策略确定采样区域，基于方向引导策略引导在所述采样区域生成待优化航段的起始航路点到目标航路点的优化航线；
其中，所述基于采样点相似策略确定采样区域，包括：根据所述航路网络得到航行特征信息，根据所述航线特征信息确定航速比例，以航线生成的父节点作为采样区域中心点，根据所述航速比例确定采样区域半径，根据所述采样区域中心点和所述采样区域半径确定采样区域；
所述基于方向引导策略引导在所述采样区域生成待优化航段的起始航路点到目标航路点的优化航线，包括：定义随机树生长概率，根据所述随机树生长概率定义新节点选择函数，根据所述新节点选择函数定义生长引导函数，根据所述生长引导函数选择随机树新节点，迭代随机树新节点生长过程，得到所述待优化航段的起始航路点到目标航路点的优化航线。
4.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储计算机程序；
所述处理器，与所述存储器耦合，用于执行计算机程序，以实现权利要求1至2中任意一项所述的基于航路网络的智能航线规划方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650874.7A CN117346796B (zh) | 2023-12-05 | 2023-12-05 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650874.7A CN117346796B (zh) | 2023-12-05 | 2023-12-05 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117346796A CN117346796A (zh) | 2024-01-05 |
| CN117346796B true CN117346796B (zh) | 2024-03-08 |
Family
ID=89361725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311650874.7A Active CN117346796B (zh) | 2023-12-05 | 2023-12-05 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117346796B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110220514A (zh) * | 2019-05-27 | 2019-09-10 | 中国电子科技集团公司第二十八研究所 | 一种基于海图数据的动态航线生成方法 |
| CN112344938A (zh) * | 2020-10-31 | 2021-02-09 | 哈尔滨工程大学 | 基于指向和势场参数的空间环境路径生成及规划方法 |
| WO2021253744A1 (zh) * | 2020-06-18 | 2021-12-23 | 福州大学 | 基于离散粒子群优化的轨道规划方法 |
| CN114705193A (zh) * | 2022-04-06 | 2022-07-05 | 交通运输部东海航海保障中心宁波航标处 | 一种基于海事大数据的船舶导航路径规划方法及系统 |
| CN115060264A (zh) * | 2022-05-23 | 2022-09-16 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于ais数据的prm航线规划方法 |
| CN115938162A (zh) * | 2022-09-20 | 2023-04-07 | 南京航空航天大学 | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 |
| CN116382260A (zh) * | 2023-02-13 | 2023-07-04 | 大连理工大学 | 一种基于安全航行通道的水面舰艇停泊轨迹规划方法 |
| CN116700295A (zh) * | 2023-07-24 | 2023-09-05 | 浙江工业大学 | 一种复杂水域的船舶自主避碰方法 |
-
2023
- 2023-12-05 CN CN202311650874.7A patent/CN117346796B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110220514A (zh) * | 2019-05-27 | 2019-09-10 | 中国电子科技集团公司第二十八研究所 | 一种基于海图数据的动态航线生成方法 |
| WO2021253744A1 (zh) * | 2020-06-18 | 2021-12-23 | 福州大学 | 基于离散粒子群优化的轨道规划方法 |
| CN112344938A (zh) * | 2020-10-31 | 2021-02-09 | 哈尔滨工程大学 | 基于指向和势场参数的空间环境路径生成及规划方法 |
| CN114705193A (zh) * | 2022-04-06 | 2022-07-05 | 交通运输部东海航海保障中心宁波航标处 | 一种基于海事大数据的船舶导航路径规划方法及系统 |
| CN115060264A (zh) * | 2022-05-23 | 2022-09-16 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于ais数据的prm航线规划方法 |
| CN115938162A (zh) * | 2022-09-20 | 2023-04-07 | 南京航空航天大学 | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 |
| CN116382260A (zh) * | 2023-02-13 | 2023-07-04 | 大连理工大学 | 一种基于安全航行通道的水面舰艇停泊轨迹规划方法 |
| CN116700295A (zh) * | 2023-07-24 | 2023-09-05 | 浙江工业大学 | 一种复杂水域的船舶自主避碰方法 |
Non-Patent Citations (1)
| Title |
|---|
| "半结构化室内环境下的移动机器人实时视觉路径规划研究";黄杰;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);第I140-796页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117346796A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Application of real-coded genetic algorithm in ship weather routing | |
| EP2145155B1 (en) | Method and apparatus for routing ocean going vessels to avoid treacherous environments | |
| CN111222701B (zh) | 一种基于海洋环境图层的船舶航线自动规划与评价方法 | |
| CN113961004A (zh) | 海盗区域船舶航线规划方法、系统、电子设备及存储介质 | |
| Lee et al. | Visibility graph-based path-planning algorithm with quadtree representation | |
| KR101799216B1 (ko) | 해양 내비게이션 장치 및 항로 제공 방법 | |
| KR101894674B1 (ko) | 해양 내비게이션 장치 및 항로 제공 방법 | |
| CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
| CN109883427B (zh) | 一种基于Dubins路径和概率威胁地图的无人船的避障方法 | |
| CN101806596A (zh) | 基于电子海图的最短距离航线自动生成方法 | |
| Chen et al. | Research on ship meteorological route based on A-star algorithm | |
| CN112859864A (zh) | 一种面向无人船的几何路径规划方法 | |
| Wang et al. | Design and implementation of global path planning system for unmanned surface vehicle among multiple task points | |
| Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak douglas–peucker algorithm | |
| Lee et al. | Multi-resolution path planning for marine surface vehicle considering environmental effects | |
| CN117346796B (zh) | 一种基于航路网络的智能航线规划方法、装置及电子设备 | |
| CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
| Zhang et al. | A method for ship route planning fusing the ant colony algorithm and the A* search algorithm | |
| CN113311843B (zh) | 基于安全距离约束和los视线判断的无人船路径规划方法 | |
| KR102466119B1 (ko) | Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법 | |
| Gao et al. | Modelling of ship collision avoidance behaviours based on AIS data | |
| CN114019967B (zh) | 一种适用于狭长航道的无人艇航线规划方法 | |
| CN115951682A (zh) | 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法 | |
| Zhou et al. | Ship weather routing based on hybrid genetic algorithm under complicated sea conditions | |
| CN108427842B (zh) | 基于插值点缓冲区的电力管网管线核查方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |