CN117910674A - 一种基于机器学习的海上船舶指挥方法及系统 - Google Patents
一种基于机器学习的海上船舶指挥方法及系统 Download PDFInfo
- Publication number
- CN117910674A CN117910674A CN202410313291.3A CN202410313291A CN117910674A CN 117910674 A CN117910674 A CN 117910674A CN 202410313291 A CN202410313291 A CN 202410313291A CN 117910674 A CN117910674 A CN 117910674A
- Authority
- CN
- China
- Prior art keywords
- ship
- representing
- sea area
- short
- command
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 94
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000004891 communication Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的海上船舶指挥方法及系统，包括以下步骤：船舶上的指挥平台模块通过北斗卫星与地面指挥中心的指挥中心模块建立连接，发送船舶状态和位置信息，以及请求指令与任务；指挥中心模块根据船舶上的指挥平台的信息以及海域的环境和作业情况，制定船舶的任务与航线，并下发指令至船舶上的指挥平台模块；船舶上的指挥平台模块接收命令后，控制船舶执行相应的作业任务。
Description
技术领域
本发明涉及一种基于机器学习的海上船舶指挥方法及系统，属于船舶管理技术领域。
背景技术
随着航运事业的迅猛发展，海域上的船舶的指挥会更加复杂。同时，船舶指挥影响着船舶航行安全、水域环境、人员安全等多个方面，专业化的船舶指挥可以最大限度的提高资源使用效率，降低成本，确保船员安全，提高服务质量等。
随着贸易全球化的不断深入，航运业务日益繁忙，船舶在航行过程中，船舶周围的环境与船舶航行安全密切相关，如恶劣天气、海盗、战区等与船舶周围环境相关航行风险随时可能发生，如果风险预测错误或者风险处理不及时，则可能造成不可估量的损失。
现有技术如专利号为“CN117217097A”的发明专利公开了一种船舶工业数字孪生体平台化构建方法及系统，对海上天气进行实时监测，并根据监测结果预测天气条件对船舶运行的影响，保证船舶的安全。
但该技术方案中只考虑了天气对船舶航行的影响，并未对海上航行的其它问题进行考虑，预测的结果可能过于片面。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种基于机器学习的海上船舶指挥方法及系统。
本发明的技术方案如下：
一方面，本发明提供了一种基于机器学习的海上船舶指挥方法，包括以下步骤：
船舶上的指挥平台模块通过北斗卫星与地面指挥中心的指挥中心模块建立连接，发送船舶状态和位置信息，以及请求指令与任务；
指挥中心模块根据船舶上的指挥平台的信息以及海域的环境和作业情况，制定船舶的任务与航线，并下发指令至船舶上的指挥平台模块；
船舶上的指挥平台模块接收命令后，控制船舶执行相应的作业任务。
作为本发明的优选实施方式，所述指挥平台模块包括感知单元与指令执行单元；
所述感知单元用于收集船舶的各类传感器数据，并根据传感器数据计算船舶位置、速度、状态以及航行方向信息；
所述指令执行单元用于根据指挥中心模块下发的任务对船舶的进行相应的控制。
作为本发明的优选实施方式，所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元。
作为本发明的优选实施方式，所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，并对数据进行预处理后根据时间序列构建样本集；
基于多层卷积长短时记忆网络构建海域分析模型，卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门、遗忘门、输出门；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第/>个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；
将训练样本集输入海域分析模型中对模型进行训练迭代，得到训练完成的海域分析模型；
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
作为本发明的优选实施方式，所述船舶出入港管理单元用于管理船舶的出入港，具体步骤为：
在指挥中心模块设置数据库用于储存港口信息以及船舶的经纬度信息；
对于任一船舶，每隔固定时间获取一次其实时经纬度信息并上传至指挥中心模块；
指挥中心模块通过数据库中该船舶上传的经纬度信息构建该船舶的航行轨迹，并通过卡尔曼滤波器对该航行轨迹进行平滑处理；
获取港口的地理围栏信息，同时获取船舶航行轨迹中的上一次经纬度信息以及最新经度信息并转换为弧度制：
其中：、/>分别表示船舶航行轨迹中的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中的最新纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的最新经纬度信息；
再通过下式计算上一次经纬度信息与最新纬度信息之间的实际距离：
将两经纬度之间的实际距离与港口的地理围栏信息中的半径对比，若实际距离大于港口的半径，则判断船舶不在港口内；若实际距离/>小于港口的半径，则判断船舶在港口内；同时在数据库中记录船舶的出入港记录。
作为本发明的优选实施方式，所述航行路线规划单元用于规划船舶的航行路线，具体步骤为：
收集船舶的规格数据并通过海域分析单元获取航线所在海域的气象数据，通过下式计算船舶的淹没表面积：
其中：表示矩形系数；/>表示船舶的垂线间长；/>表示船舶型宽；/>表示船舶的平均吃水；/>表示船舶的淹没表面积计算系数；/>表示基于海域的气象数据得到的气象系数；
通过下式计算船舶在该海域航行过程中波浪的附加阻力：
其中：表示船舶航行过程中波浪的附加阻力；/>表示船舶在静水中船体阻力；/>表示船舶的排量；/>表示海域气象数据中的波浪高度；
综合船舶的规格数据以及上式得到船舶在该海域的推进性能；
收集目标海域的船舶历史事故信息、海域内实时的船舶密度以及船舶的实时航行状态，并结合船舶的推进性能以及海域的未来气象数据构建训练集；
基于长短时记忆网络构建船舶航行路线规划模型，通过训练集对船舶航行路线规划模型进行训练并优化参数，得到训练完成的船舶航行路线规划模型；
通过训练完成的模型预测船舶在该海域的最佳航行路线，并下发至对应船舶的指挥平台模块中。
作为本发明的优选实施方式，通过构建海上通信加密架构进行通信，所述海上通信加密架构结合了卫星通信、无人机辅助通信以及传统海上无线电通信网络，构成了多层次的通信网络；
所述无人机辅助通信利用无人机作为中继站，部署在远离指挥中心的海域；
数据传输过程中同过三重IDEA加密，同时使用SHA-1单向数字函数实现数字签名；
物理层面采用非正交多路访问技术。
另一方面，本发明还提供了一种基于机器学习的海上船舶指挥系统，包括指挥平台模块、指挥中心模块以及通信模块；
所述指挥平台模块安装在一艘或多艘船舶上，用于船舶与指挥中心模块进行数据交互，接收指挥中心模块的指令与任务，向指挥中心模块发送船只状态和位置信息，以及执行指挥中心模块的调度安排；
所述指挥中心模块位于地面指挥中心，用于对指挥平台模块进行统一管理，分析海域的环境和作业情况，规划航线路线以及下发指令和任务，同时接收指挥平台模块的反馈信息；
所述通信模块分别安装于地面指挥中心以及船舶上，用于建立船舶与地面指挥中心的数据交互，以及船舶之间的数据交互；
所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元；
所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，并对数据进行预处理后根据时间序列构建样本集；
基于多层卷积长短时记忆网络构建海域分析模型，卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门、遗忘门、输出门；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第/>个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；
将训练样本集输入海域分析模型中对模型进行训练迭代，得到训练完成的海域分析模型；
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
再一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的方法。
本发明具有如下有益效果：
本发明通过多层卷积长短时记忆网络构建海域分析模型对海域气象进行预测，同时考虑海域气候、船舶性能以及事故易发生区域通过船舶航行路线规划模型对船舶航行的路线进行规划，保证了船舶出行的效率以及安全性；利用卡尔曼滤波处理定位数据，提高经纬度精确度，从而提高出入港自动报备准确度，并且降低了成本；构建了多层次的海上加密通信架构保障了数据传输的效率以及安全性。
附图说明
图1为本发明方法流程图；
图2为本发明系统模块结构图。
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，本领域普通技术人员在没有作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，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，本实施例提供一种基于机器学习的海上船舶指挥方法，船舶上的指挥平台模块通过北斗卫星与地面指挥中心的指挥中心模块建立连接，发送船舶状态和位置信息，以及请求指令与任务；
指挥中心模块根据船舶上的指挥平台的信息以及海域的环境和作业情况，制定船舶的任务与航线，并下发指令至船舶上的指挥平台模块；
船舶上的指挥平台模块接收命令后，控制船舶执行相应的作业任务。
作为本实施例的优选实施方式，所述指挥平台模块包括感知单元与指令执行单元；这两个单元协同工作，使得船舶能够在复杂的海洋环境中自主导航、避免障碍物并执行指定的任务。
所述感知单元用于收集船舶的各类传感器数据，所述传感器包括雷达、声纳、摄像头、GPS定位等，它们各自具有不同的功能和作用。雷达传感器能够探测到远处的船只和障碍物，为船舶提供安全预警；声纳传感器则能够探测到水下的障碍物，帮助船舶避免碰撞；摄像头则提供了船舶周围的实时视频画面，使得船员能够清晰地看到船舶周围的环境。同时感知单元根据收集到的传感器数据计算船舶位置、速度、状态以及航行方向信息，将这些传感器数据融合处理，形成一幅完整的海洋画面，为指挥中心的决策提供可靠的支持。
指令执行单元是指挥平台模块的另一重要组成部分。它的任务是根据指挥中心模块下发的指令，对船舶进行相应的控制，些指令可能包括改变航向、调整速度、启动或停止推进器、调整舵角、抛锚等。指令执行单元接收到指令后，会迅速解析指令内容，并通过控制系统向相应的设备发送指令。这些设备包括推进器、舵、锚等，它们接收到指令后，会立即执行相应的动作，使得船舶能够按照指令要求进行相应的操作。
作为本实施例的优选实施方式，所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元。
作为本实施例的优选实施方式，所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，卫星图像数据为海洋环境监测和预测的重要信息来源。通过对特定海域的历史卫星图像数据进行收集和处理，可以构建一个准确而有效的海域分析模型，进一步实现对海域气象条件的精准预测。对收集到的历史卫星图像数据进行预处理，包括图像校正、去噪、归一化等操作，以提高数据的质量和可用性；然后根据时间序列构建样本集，训练样本集包括处理后的图像数据以及通过气象站数据中心获取的在对应时刻对应海域的海洋气象数据，包括降雨量，风向，风速，波浪方向，波浪高度，洋流方向，洋流速度等；
基于多层卷积长短时记忆网络（Convolutional Long Short-Term Memory,ConvLSTM）构建海域分析模型，ConvLSTM是一种结合了卷积神经网络（ConvolutionalNeural Network, CNN）和长短时记忆网络（Long Short-Term Memory, LSTM）的深度学习模型，能够同时捕捉空间和时间上的依赖关系；卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门（Input Gate）、遗忘门（Forget Gate）和输出门（Output Gate）；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；/>表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；这些门和单元状态通过上述sigmoid激活函数、双曲正切激活函数进行更新和传递，实现对时空信息的有效建模。
将训练样本集输入海域分析模型，以处理后的卫星图像数据作为输入，对应时刻对应海域的气象数据作为标签值，基于模型预测值与标签值的偏差对模型采用反向传播算法或梯度下降算法来优化模型的参数（如权重矩阵和偏置向量），使得模型能够更好地拟合训练数据。通过多次迭代训练，得到训练完成的海域分析模型。
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
作为本实施例的优选实施方式，所述船舶出入港管理单元用于管理船舶的出入港，具体步骤为：
在指挥中心模块设置数据库用于储存港口的基本信息以及船舶的实时经纬度信息。这些信息不仅可以帮助我们掌握船舶的动态位置，还可以为我们提供决策支持，确保港口的安全和顺畅运行。
对于任一船舶，每隔固定时间获取一次其实时经纬度信息并上传至指挥中心模块；
指挥中心模块通过数据库中该船舶上传的经纬度信息构建该船舶的航行轨迹，原始的经纬度信息可能会受到多种因素的影响，如信号干扰、设备误差等，导致数据存在一定的噪声和误差。为了得到更加准确和稳定的航行轨迹，引入卡尔曼滤波器，对上传的经纬度信息进行平滑处理。卡尔曼滤波器是一种高效的数据处理算法，它可以通过对多组数据进行加权处理，消除噪声和误差，得到更加准确的结果。
获取港口的地理围栏信息，同时获取船舶航行轨迹中的上一次经纬度信息以及最新经度信息并转换为弧度制：
其中：、/>分别表示船舶航行轨迹中的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中的最新纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的最新经纬度信息；
再通过下式计算上一次经纬度信息与最新纬度信息之间的实际距离：
将两经纬度之间的实际距离 与港口的地理围栏信息中的半径对比，若实际距离大于港口的半径，则判断船舶不在港口内；若实际距离 小于港口的半径，则判断船舶在港口内；同时在数据库中记录船舶的出入港记录，以便后续的分析和管理。
基于本实施例设置的船舶出入港管理单元，可以实现对港口船舶的高效监控和管理。这不仅可以提高港口的安全性和运行效率，还可以为港口管理部门提供有力的决策支持。
作为本实施例的优选实施方式，所述航行路线规划单元用于规划船舶的航行路线，具体步骤为：
收集船舶的规格数据（垂线间长，型宽，平均吃水，排水量，平方比系数、螺旋桨推力等）并通过海域分析单元获取航线所在海域的气象数据（降雨量，风向，风速，波浪方向，波浪高度，洋流方向，洋流速度等，这些气象是影响船舶安全的重要因素，例如降雨量的多少决定了航行的可见度，风向和风速则直接关系到船舶的行驶稳定性和速度，波浪的方向和高度决定了航行中可能遇到的颠簸程度，而洋流的方向和速度则可能影响船舶的实际行驶轨迹。），并基于海域的不同气象数据设置不同的气象系数，通过下式计算船舶的淹没表面积：
其中：表示矩形系数；/>表示船舶的垂线间长；/>表示船舶型宽；/>表示船舶的平均吃水；/>表示船舶的淹没表面积计算系数；/>表示气象系数；
为了帮助本领域技术人员更好的了解本实施例的技术原理，以下提供一获取气象系数的具体示例：
例如，分别设置降雨量、风向、风速、波浪方向、波浪高度、洋流方向、洋流速度的系数初始值为0.3、0.2、0.2、0.05、0.05、0.1、0.1；并设置各个气象数据的对比阈值：a1~a7。
对获取的当前降雨量数据Y1和降雨量的对比阈值进行对比，基于对比结果和系数初始值计算当前降雨量系数E1：
基于上述当前降雨量系数E1的计算方式，依次计算剩余各气象数据的当前系数E2~E7，将得到的E1~E7进行相加得到当前的气象系数。
获取气象数据中的，通过下式计算船舶在该海域航行过程中波浪的附加阻力：
其中：表示船舶航行过程中波浪的附加阻力；/>表示船舶在静水中船体阻力；/>表示船舶的排量；/>表示海域气象数据中的波浪高度；
综合船舶的规格数据以及上式得到船舶在该海域的推进性能，如下式所示：
其中：为螺旋桨推力；/>为水体密度；/>为船速；/>为摩擦力系数；
收集目标海域的船舶历史事故信息、海域内实时的船舶密度以及船舶的实时航行状态，并结合船舶的推进性能以及海域的未来气象数据构建训练集；
基于长短时记忆网络构建船舶航行路线规划模型，通过训练集对船舶航行路线规划模型进行训练并优化参数，得到训练完成的船舶航行路线规划模型，具体步骤为：
通过目标海域船舶的历史事故信息（包括船舶发生事故时的位置、速度、航向以及加速度）、船舶的实时状态（包括位置、速度、航向、推进性能以及加速度）以及海域的未来气象数据构建训练集；
将训练集输入船舶航行路线规划模型中进行训练，模型输出一系列坐标点，并通过该一系列坐标点绘制船舶航行路，并计算航行所需时间，若航行时间小于预设阈值则认为该模型训练完成，若航行时间大于阈值则对模型的参数进行调整，并使用调整参数后的模型进行重新预测，直至航行时间小于阈值时停止训练；
通过训练完成的模型预测船舶在该海域的最佳航行路线，并下发至对应船舶的指挥平台模块中。
作为本实施例的优选实施方式，所述通信模块通过海上通信加密架构进行通信，所述海上通信加密架构结合了卫星通信、无人机辅助通信以及传统海上无线电通信网络，构成了多层次的通信网络；
所述无人机辅助通信利用无人机作为中继站，部署在远离指挥中心的海域，提供了灵活的部署和快速的通信链路建立；无人机辅助通信的部署方式极具灵活性。相较于传统的固定中继站，无人机可以迅速部署到需要通信的区域，不受地理位置和地形条件的限制。无人机能够飞行至最佳通信位置，提供稳定、高效的通信服务，尤其在远离陆地的海域。
数据传输过程中同过三重IDEA加密，同时使用SHA-1单向数字函数实现数字签名，保证了信息的完整性和认证性；这种双重加密和数字签名的组合，使得数据在传输过程中具有极高的安全性，有效防止了信息泄露和篡改。
物理层面采用非正交多路访问技术，增强的物理层的安全性和抗干扰性。非正交多路访问技术能够在有限的频谱资源下实现多个用户的同时通信，提高了通信系统的容量和效率。同时，该技术还具有较好的抗干扰性能，能够在复杂电磁环境下保持通信的稳定性和可靠性。
实施例二：
参见图2，本实施例提供一种基于机器学习的海上船舶指挥系统，包括指挥平台模块、指挥中心模块以及通信模块；
所述指挥平台模块安装在一艘或多艘船舶上，用于船舶与指挥中心模块进行数据交互，接收指挥中心模块的指令与任务，向指挥中心模块发送船只状态和位置信息，以及执行指挥中心模块的调度安排；
所述指挥中心模块位于地面指挥中心，用于对指挥平台模块进行统一管理，分析海域的环境和作业情况，规划航线路线以及下发指令和任务，同时接收指挥平台模块的反馈信息；
所述通信模块分别安装于地面指挥中心以及船舶上，用于建立船舶与地面指挥中心的数据交互，以及船舶之间的数据交互；
所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元；
所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，并对数据进行预处理后根据时间序列构建样本集；
基于多层卷积长短时记忆网络构建海域分析模型，卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门、遗忘门、输出门；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第/>个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；
将训练样本集输入海域分析模型中对模型进行训练迭代，得到训练完成的海域分析模型；
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
该实施例中各个模块分别用于实现实施例一中各个步骤的功能，在此不再赘述。
实施例三：
本实施例提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的基于机器学习的海上船舶指挥方法。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的基于机器学习的海上船舶指挥方法。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于机器学习的海上船舶指挥方法，其特征在于，包括以下步骤：
船舶上的指挥平台模块通过北斗卫星与地面指挥中心的指挥中心模块建立连接，发送船舶状态和位置信息，以及请求指令与任务；
指挥中心模块根据船舶上的指挥平台的信息以及海域的环境和作业情况，制定船舶的任务与航线，并下发指令至船舶上的指挥平台模块；
船舶上的指挥平台模块接收命令后，控制船舶执行相应的作业任务；
所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元；
所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，并对数据进行预处理后根据时间序列构建样本集；
基于多层卷积长短时记忆网络构建海域分析模型，卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门、遗忘门、输出门；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；/>表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第/>个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；
将训练样本集输入海域分析模型中对模型进行训练迭代，得到训练完成的海域分析模型；
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
2.根据权利要求1所述的一种基于机器学习的海上船舶指挥方法，其特征在于，所述指挥平台模块包括感知单元与指令执行单元；
所述感知单元用于收集船舶的各类传感器数据，并根据传感器数据计算船舶位置、速度、状态以及航行方向信息；
所述指令执行单元用于根据指挥中心模块下发的任务对船舶的进行相应的控制。
3.根据权利要求1所述的一种基于机器学习的海上船舶指挥方法，其特征在于，所述船舶出入港管理单元用于管理船舶的出入港，具体步骤为：
在指挥中心模块设置数据库用于储存港口信息以及船舶的经纬度信息；
对于任一船舶，每隔固定时间获取一次其实时经纬度信息并上传至指挥中心模块；
指挥中心模块通过数据库中该船舶上传的经纬度信息构建该船舶的航行轨迹，并通过卡尔曼滤波器对该航行轨迹进行平滑处理；
获取港口的地理围栏信息，同时获取船舶航行轨迹中的上一次经纬度信息以及最新经度信息并转换为弧度制：
其中：、/>分别表示船舶航行轨迹中的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中的最新纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的上一次经纬度信息；/>、/>分别表示船舶航行轨迹中弧度制的最新经纬度信息；
再通过下式计算上一次经纬度信息与最新纬度信息之间的实际距离：
将两经纬度之间的实际距离与港口的地理围栏信息中的半径对比，若实际距离/>大于港口的半径，则判断船舶不在港口内；若实际距离/>小于港口的半径，则判断船舶在港口内；同时在数据库中记录船舶的出入港记录。
4.根据权利要求1所述的一种基于机器学习的海上船舶指挥方法，其特征在于，所述航行路线规划单元用于规划船舶的航行路线，具体步骤为：
收集船舶的规格数据并通过海域分析单元获取航线所在海域的气象数据，通过下式计算船舶的淹没表面积：
其中：表示矩形系数；/>表示船舶的垂线间长；/>表示船舶型宽；/>表示船舶的平均吃水；/>表示船舶的淹没表面积计算系数；/>表示基于海域的气象数据得到的气象系数；
通过下式计算船舶在该海域航行过程中波浪的附加阻力：
其中：表示船舶航行过程中波浪的附加阻力；/>表示船舶在静水中船体阻力；表示船舶的排量；/>表示海域气象数据中的波浪高度；
综合船舶的规格数据以及上式得到船舶在该海域的推进性能；
收集目标海域的船舶历史事故信息、海域内实时的船舶密度以及船舶的实时航行状态，并结合船舶的推进性能以及海域的未来气象数据构建训练集；
基于长短时记忆网络构建船舶航行路线规划模型，通过训练集对船舶航行路线规划模型进行训练并优化参数，得到训练完成的船舶航行路线规划模型；
通过训练完成的模型预测船舶在该海域的最佳航行路线，并下发至对应船舶的指挥平台模块中。
5.根据权利要求1所述的一种基于机器学习的海上船舶指挥方法，其特征在于，通过构建海上通信加密架构进行通信，所述海上通信加密架构结合了卫星通信、无人机辅助通信以及传统海上无线电通信网络，构成了多层次的通信网络；
所述无人机辅助通信利用无人机作为中继站，部署在远离指挥中心的海域；
数据传输过程中同过三重IDEA加密，同时使用SHA-1单向数字函数实现数字签名；
物理层面采用非正交多路访问技术。
6.一种基于机器学习的海上船舶指挥系统，其特征在于，包括指挥平台模块、指挥中心模块以及通信模块；
所述指挥平台模块安装在一艘或多艘船舶上，用于船舶与指挥中心模块进行数据交互，接收指挥中心模块的指令与任务，向指挥中心模块发送船只状态和位置信息，以及执行指挥中心模块的调度安排；
所述指挥中心模块位于地面指挥中心，用于对指挥平台模块进行统一管理，分析海域的环境和作业情况，规划航线路线以及下发指令和任务，同时接收指挥平台模块的反馈信息；
所述通信模块分别安装于地面指挥中心以及船舶上，用于建立船舶与地面指挥中心的数据交互，以及船舶之间的数据交互；
所述指挥中心模块包括海域分析单元、船舶出入港管理单元以及船舶航行路线规划单元；
所述海域分析单元用于分析预测海域的未来的气象数据，具体步骤为：
收集对应海域的历史卫星图像数据，并对数据进行预处理后根据时间序列构建样本集；
基于多层卷积长短时记忆网络构建海域分析模型，卷积长短时记忆网络由多个卷积长短时记忆单元构成，所述卷积长短时记忆单元的定义如下式所示：
其中：、/>、/>分别表示卷积长短时记忆单元的输入门、遗忘门、输出门；/>表示卷积长短时记忆单元的单元状态；/>表示卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元；/>表示输入值；/>表示权重矩阵；/>表示偏置向量；/>表示哈达玛积；/>表示sigmoid激活函数；/>表示双曲正切激活函数；/>、/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入门、遗忘门、单元状态、输出门以及隐藏状态；/>表示第/>个卷积长短时记忆单元的输入值；/>为第/>个卷积长短时记忆单元的隐藏状态；/>表示第/>个卷积长短时记忆单元的单元状态；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的输入值在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示第/>个卷积长短时记忆单元的隐藏状态在输入门、遗忘门、单元状态、输出门中对应的权重矩阵；/>、/>、/>分别表示第/>个卷积长短时记忆单元的单元状态在输入门、遗忘门、输出门中对应的权重矩阵；/>、/>、/>、/>分别表示输入门、遗忘门、单元状态、输出门的偏置向量；
将训练样本集输入海域分析模型中对模型进行训练迭代，得到训练完成的海域分析模型；
接收该海域的实时卫星图像数据，通过训练完成的海域分析模型预测该海域未来的气象数据。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410313291.3A CN117910674B (zh) | 2024-03-19 | 2024-03-19 | 一种基于机器学习的海上船舶指挥方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410313291.3A CN117910674B (zh) | 2024-03-19 | 2024-03-19 | 一种基于机器学习的海上船舶指挥方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117910674A true CN117910674A (zh) | 2024-04-19 |
| CN117910674B CN117910674B (zh) | 2024-05-31 |
Family
ID=90697174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410313291.3A Active CN117910674B (zh) | 2024-03-19 | 2024-03-19 | 一种基于机器学习的海上船舶指挥方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910674B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945578A (zh) * | 2017-12-25 | 2018-04-20 | 大连海事大学 | 通航施工水域中控式船舶安全航行诱导系统 |
| EP3330171A2 (en) * | 2016-11-30 | 2018-06-06 | Offshore Navigation Limited | Apparatus for predicting a power consumption of a maritime vessel |
| CN112396212A (zh) * | 2020-07-15 | 2021-02-23 | 王博妮 | 一种基于精细化气象预报服务出海决策的人、船管理系统及方法 |
| CN113739807A (zh) * | 2021-11-08 | 2021-12-03 | 聊城中翔泰电子科技有限公司 | 一种用于船舶的航行路线导航方法及系统 |
| CN115454547A (zh) * | 2022-08-22 | 2022-12-09 | 中交四航局江门航通船业有限公司 | 一种遥控施工作业船舶的岸基管理系统 |
| CN116384597A (zh) * | 2023-06-05 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 基于地理信息系统的渔港船舶进出港动态预测方法及系统 |
| CN116739502A (zh) * | 2023-05-15 | 2023-09-12 | 江苏海洋大学 | 一种基于大数据与深度学习的海洋综合监测方法 |
| CN116911468A (zh) * | 2023-09-12 | 2023-10-20 | 中国标准化研究院 | 一种基于大数据的全球船运信息监控系统 |
| CN117217097A (zh) * | 2023-11-07 | 2023-12-12 | 江苏航运职业技术学院 | 一种船舶工业数字孪生体平台化构建方法及系统 |
| CN117232520A (zh) * | 2023-09-06 | 2023-12-15 | 中船鹏力(南京)大气海洋信息系统有限公司 | 一种适用于海上航行的船舶智能导航系统及导航方法 |
-
2024
- 2024-03-19 CN CN202410313291.3A patent/CN117910674B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3330171A2 (en) * | 2016-11-30 | 2018-06-06 | Offshore Navigation Limited | Apparatus for predicting a power consumption of a maritime vessel |
| CN107945578A (zh) * | 2017-12-25 | 2018-04-20 | 大连海事大学 | 通航施工水域中控式船舶安全航行诱导系统 |
| CN112396212A (zh) * | 2020-07-15 | 2021-02-23 | 王博妮 | 一种基于精细化气象预报服务出海决策的人、船管理系统及方法 |
| CN113739807A (zh) * | 2021-11-08 | 2021-12-03 | 聊城中翔泰电子科技有限公司 | 一种用于船舶的航行路线导航方法及系统 |
| CN115454547A (zh) * | 2022-08-22 | 2022-12-09 | 中交四航局江门航通船业有限公司 | 一种遥控施工作业船舶的岸基管理系统 |
| CN116739502A (zh) * | 2023-05-15 | 2023-09-12 | 江苏海洋大学 | 一种基于大数据与深度学习的海洋综合监测方法 |
| CN116384597A (zh) * | 2023-06-05 | 2023-07-04 | 中国水产科学研究院南海水产研究所 | 基于地理信息系统的渔港船舶进出港动态预测方法及系统 |
| CN117232520A (zh) * | 2023-09-06 | 2023-12-15 | 中船鹏力(南京)大气海洋信息系统有限公司 | 一种适用于海上航行的船舶智能导航系统及导航方法 |
| CN116911468A (zh) * | 2023-09-12 | 2023-10-20 | 中国标准化研究院 | 一种基于大数据的全球船运信息监控系统 |
| CN117217097A (zh) * | 2023-11-07 | 2023-12-12 | 江苏航运职业技术学院 | 一种船舶工业数字孪生体平台化构建方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SHENG ZHANG 等: "A Bi-directional LSTM Ship Trajectory Prediction Method based on Attention Mechanism", 《2021 IEEE 5TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》, 5 April 2021 (2021-04-05) * |
| 张大恒: "基于深度学习的智能船舶自主路径规划研究", 《中国博士学位论文全文数据库（电子期刊）工程科技Ⅱ辑》, no. 8, 15 August 2023 (2023-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117910674B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Self-adaptive dynamic obstacle avoidance and path planning for USV under complex maritime environment | |
| WO2019126755A1 (en) | Generating and classifying training data for machine learning functions | |
| Braginsky et al. | Obstacle avoidance approaches for autonomous underwater vehicle: Simulation and experimental results | |
| CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
| CN109784201A (zh) | 基于四维风险评估的auv动态避障方法 | |
| CN116166034B (zh) | 跨域协同围捕方法、装置及系统 | |
| Zheng et al. | A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm | |
| US10895802B1 (en) | Deep learning and intelligent sensing systems for port operations | |
| Ke et al. | Cooperative path planning for air–sea heterogeneous unmanned vehicles using search-and-tracking mission | |
| CN109916400B (zh) | 一种基于梯度下降算法与vo法相结合的无人艇避障方法 | |
| Yildiz et al. | State-of-the-art system solutions for unmanned underwater vehicles | |
| CN114610046A (zh) | 一种考虑动态水深的无人艇动态安全轨迹规划方法 | |
| Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
| CN117910674B (zh) | 一种基于机器学习的海上船舶指挥方法及系统 | |
| Lawrance et al. | Shared autonomy for low‐cost underwater vehicles | |
| CN117311160A (zh) | 一种基于人工智能的自动控制系统和控制方法 | |
| CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
| Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
| Caccia et al. | Modular USV and payload design for advanced capabilities in marine security applications | |
| Acosta et al. | Some issues on the design of a low-cost autonomous underwater vehicle with an intelligent dynamic mission planner for pipeline and cable tracking | |
| Peti et al. | A Search Strategy and Vessel Detection in Maritime Environment Using Fixed-Wing UAVs | |
| Singh | An entropic framework for AUV sensor modelling | |
| Wang et al. | Physics-informed data-driven approach for ship docking prediction | |
| Zhao et al. | Development of onboard decision supporting system for ship docking operations | |
| Hansen et al. | Autonomous maritime navigation: Developing autonomy skill sets for USVs |
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 |