Processing math: 0%

基于驾驶实践的无人船智能避碰决策方法

丁志国, 张新宇, 王程博, 黎泉, 安兰轩

丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2021, 16(1): 96–104, 113. DOI: 10.19693/j.issn.1673-3185.01781
引用本文: 丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2021, 16(1): 96–104, 113. DOI: 10.19693/j.issn.1673-3185.01781
DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2021, 16(1): 96–104, 113. DOI: 10.19693/j.issn.1673-3185.01781
Citation: DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2021, 16(1): 96–104, 113. DOI: 10.19693/j.issn.1673-3185.01781
丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2021, 16(1): 96–104, 113. CSTR: 32390.14.j.issn.1673-3185.01781
引用本文: 丁志国, 张新宇, 王程博, 等. 基于驾驶实践的无人船智能避碰决策方法[J]. 中国舰船研究, 2021, 16(1): 96–104, 113. CSTR: 32390.14.j.issn.1673-3185.01781
DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2021, 16(1): 96–104, 113. CSTR: 32390.14.j.issn.1673-3185.01781
Citation: DING Z G, ZHANG X Y, WANG C B, et al. Intelligent collision avoidance decision-making method for unmanned ships based on driving practice[J]. Chinese Journal of Ship Research, 2021, 16(1): 96–104, 113. CSTR: 32390.14.j.issn.1673-3185.01781

基于驾驶实践的无人船智能避碰决策方法

基金项目: 国家重点研发计划资助项目(2018YFB1601502)
详细信息
    作者简介:

    丁志国,男,1996年生,硕士生。研究方向:无人驾驶船舶智能避碰,交通流仿真。E-mail:dingzhiguo@dlmu.edu.cn

    张新宇,男,1978年生,博士,教授,博士生导师。研究方向:交通信息工程,组织优化调度,交通管理系统,无人驾驶船舶技术。E-mail:zhang.xinyu@sohu.com

    通讯作者:

    张新宇

  • 中图分类号: U664.82;TP273.5

Intelligent collision avoidance decision-making method for unmanned ships based on driving practice

知识共享许可协议
基于驾驶实践的无人船智能避碰决策方法丁志国,采用知识共享署名4.0国际许可协议进行许可。
  • 摘要:
      目的  为实现沿海无人驾驶船舶自主航行,充分考虑无人驾驶船舶智能避碰决策的合理性和实时性后,提出并建立一种基于驾驶实践的无人船智能避碰决策方法。
      方法  首先,以本体论为基础,设计无人驾驶船舶航行态势本体概念模型,并结合《国际海上避碰规则》及良好的船艺将船舶航行态势量化划分为12种会遇场景;然后,从驾驶实践的角度改进影响碰撞危险度因子的模糊隶属度函数,提出一种多元碰撞危险度评估模型,实现船舶碰撞危险度的精确计算;最后,以船舶避碰总路径最短为目标函数,提出一种基于驾驶员视角(BOP)的智能避碰决策模型,在船舶操纵性、舵角限幅等约束下求解最优避碰策略,并在典型的会遇场景下进行仿真实验。
      结果  结果表明,该方法可以准确判断驾驶航行态势,给出合理的转向策略,实现典型会遇场景下的有效避碰。
      结论  所做研究可为实现船舶自主航行提供理论基础和方法参考。
    Abstract:
      Objective   In order to realize the intelligent navigation and autonomous collision avoidance of unmanned ships in coastal areas, an intelligent collision avoidance decision-making method based on driving practice is proposed.
      Method   First, the real-time rationality and uniqueness of the unmanned ship intelligent collision avoidance decision-making process is analyzed. The ontology conceptual model of the navigation situation is then designed and combined with the international regulations for preventing collisions at sea (COLREGS) and good seamanship practices, and the ship encounter scenarios are quantitatively divided into 12 types. An improved composite collision risk index assessment model is then proposed from the perspective of piloting practice to reflect collision risk more accurately. Finally, an intelligent collision avoidance decision-making model based on operator's perspective (BOP) is established, and the optimal collision avoidance strategy is solved by taking the shortest total collision avoidance path as the objective function under the constraints of ship maneuverability and rudder angle amplitude limit. Simulation experiments are then conducted in different obstacle environments.
      Results   The simulation results show that this method can accurately determine the piloting situation, provide a reasonable steering strategy and achieve effective collision avoidance in different obstacle environments.
      Conclusion   This study provides a theoretical basis and method for realizing the intelligent collision avoidance decision-making and dynamic local collision avoidance path planning of ships.
  • 随着新一代人工智能技术和无人驾驶技术在航海领域的兴起,海上运输正朝着智能化方向快速发展。无人驾驶船舶作为海上智能交通的载体,已成为国内外航运界关注的焦点。近年来,无人驾驶车辆的智能避碰决策已取得较好成果,国内外许多专家学者积极借鉴无人驾驶车辆的经验,结合航海背景,试图解决船舶的智能避碰决策问题。

    无人驾驶船舶自主航行包括感知、理解、决策、控制4个阶段,而决策阶段是无人驾驶船舶安全航行及避障的关键,因此无人驾驶船舶的智能避碰决策成为国内外学者的研究重点。无人驾驶船舶智能避碰决策问题的核心在于能否在海上环境复杂、多变的情况下快速做出符合《国际海上避碰规则》(以下简称《规则》)以及海员通常做法的安全而有效的决策。实际上,船舶智能避碰决策要解决的实际问题与船舶驾驶人员在避碰实际中要解决的问题是一致的,区别在于是用人工方式解决还是由计算机自主做出决策,而目前基于驾驶实践视角的无人船智能避碰决策研究较少,本文拟从驾驶实践的视角开展无人船的智能避碰决策研究。

    基于驾驶实践,无人驾驶船舶智能避碰决策包含航行态势感知、航行态势理解、碰撞危险度决策、避碰行动时机决策、避碰行动有效性决策和复航决策等过程。

    航行态势感知系统是借助多种船载传感器设备主动对船舶内、外部信息以及航行环境信息进行多模态感知。

    航行态势理解是通过对感知系统获取的多源异构、多模态信息进行分类与理解,将无人驾驶船舶的航行态势进行结构化表述,并结合《规则》与海员的通常做法对船舶会遇场景进行量化划分。目前,对于会遇场景的划分标准不一。陈国权[1]根据相对运动几何规律分析总结了目标交会特征(TEC),通过目标船相对运动航向、船速比的大小以及目标船与本船的航向差取值范围归纳出了15种TEC,并针对不同的TEC给出了对应的避碰方案;Perera等[2]将本船碰撞区域划分为8个区,将目标船的相对运动航向划分为8个区,然后按照船舶相对距离范围、速比条件将会遇情况划分为了144种,其中有效情况为63种。会遇场景量化程度越高,对避碰决策越有利,但随着引入的影响因子的增加,系统复杂性越高,遍历需要的时间也越长。本文将借鉴无人驾驶车辆场景建模方法,通过引入本体论模型,建立航行态势本体模型,并根据《规则》及驾驶实践对会遇场景进行知识表述,实现在线推理,给出会遇场景、本船的避让责任以及避让行动方式,为智能避碰决策提供决策基础,提高决策效率。

    碰撞危险度是采取避碰行动的依据。Kearon等[3]首次提出由最近会遇距离DCPA和到达最近会遇点的时间TCPA加权的方法确定碰撞危险度,其只考虑到了2个因素对碰撞危险度的影响,可能会对实际情况产生误判;文献[4-6]均是采用神经网络的方法来确定船舶碰撞危险度,其将DCPATCPA、舷角以及航向航速作为系统输入,具有良好的预测效果;文献[7-9]利用模糊理论研究了碰撞危险度;刘冬冬等[7]在综合考虑DCPATCPA、来船方位、距离和船速比的基础上,构建了碰撞危险度模糊评价模型,并运用四元船舶领域(QSD)对DCPA的隶属度函数进行了改进,可为避碰决策提供准确依据;胥文等[8]在考虑以上5个影响因素的基础上,结合船舶操纵性能、能见度情况以及航行水域情况对模糊隶属度函数进行修正,提高了碰撞危险度研究的准确性。本文将在前人研究的基础上,改进碰撞危险度隶属度函数,并根据航行驾驶实践,重新设计碰撞危险度合成模型。

    无人驾驶船舶完成航行态势感知与理解以及碰撞危险决策之后,需要根据驾驶实践做出合理的避碰决策,一些学者迁移应用机器人避碰路径规划研究中的势场理论来解决船舶的避碰问题[10-12],虽然能够在理论上实现障碍物的避碰,但避碰幅度以及避碰行动方式受引力场及斥力场的影响,不能很好地契合航海实践要求;一些学者认为,船舶避碰时机与碰撞危险度CRI直接相关,并以CRI为评价指标来求取避碰策略[13-14],但CRI受航行环境、能见度、两船间距、两船方位、DCPATCPA以及船速比等多个因素影响,且各因素之间存在相互制约关系,不同的研究者对不同的影响因素进行分析,CRI的计算结果存在一定的差异,且均没有完备地考虑所有影响,直接将CRI作为船舶避碰的决定性指标会存在较大误差;一些学者结合深度强化学习算法对船舶避碰行为决策展开了研究[15-16],其通过构建适用于无人驾驶船舶的深度强化学习模型(DRL),通过强化训练得到了基本的避碰模型,但该方法需要大量的训练数据,且模型结构对数据的依赖性较强,算法训练耗时长,对于未知环境下的避碰无法达到实时性的要求;李丽娜等[17]提出了拟人化智能避碰决策方法(PIDVCA),通过模仿经验丰富驾驶员(避碰专家)的避碰决策,利用机器学习构建动态避碰规则库,做出了符合《规则》和海员通常做法的合理决策,避碰效果较好,但存在的问题就是不能完备地考虑船舶在航行过程中的所有会遇情况,且随着会遇情况的增加,规则库规模逐步扩大,遍历需要更长的时间。

    在船舶避碰过程中如何合理、恰当地确定避碰时机、避碰行动方式以及避碰幅度非常重要,《规则》第十六条规定:“需给他船让路的船舶,应尽可能及早地采取大幅度的行动,宽裕地让清他船”。国内外专家学者采用几何避碰原理、速度障碍法、势场理论、模糊数学方法、神经网络、智能优化算法、人工智能及专家系统等方法建立了船舶避碰决策模型,这些方法对于避碰决策的发展有一定的理论指导意义,但共性问题是不能够很好地贴近航海实际。

    目前,基于驾驶实践视角的无人船智能避碰决策研究较少,鉴于此,本文拟从驾驶实践的角度讨论船舶避碰决策问题。首先,对无人驾驶船舶智能避碰决策的合理性和实时性以及唯一性问题进行论述,然后建立智能避碰决策过程的航行态势本体模型、多元复合避碰危险度评估模型以及BOP智能避碰决策模型这3个模型,最后,设计仿真实验,并在典型会遇场景下验证方法的有效性。

    从有人驾驶船舶驾驶实践的角度分析无人驾驶船舶在做避碰决策时应主要考虑的问题有:

    1) 决策的实时性。

    船舶在海上航行时,受风、浪、流、能见度、水深等因素的约束,在避碰决策时需要综合予以考虑。在复杂、多变的环境中快速做出响应是对避碰决策算法的要求,如果决策算法不能保证实时性或不能在可接受的时间范围内做出决策,将严重威胁船舶的航行安全。

    2) 决策的合理性。

    船舶在做自主避碰决策时,需要最大限度地实现拟人化。有人驾驶船舶在操纵船舶的过程中,驾驶员会结合周围的航行环境、航行规则及本船的操纵性能,将人、船环境视为整体进行考虑,主动做出综合性的、有经验的决策,无人驾驶船舶自主决策同样也需要根据感知系统传来的多源异构信息进行综合处理分析,得出最优的避碰策略,从而实现拟人化且最优的决策。

    3) 决策的唯一性。

    船舶驾驶员在进行避碰决策的过程中,是通过评判碰撞危险程度,根据驾驶航行经验给出一个准确的决策信息(舵角或者航速)来控制船舶避碰,这就要求无人驾驶船舶在执行决策算法的时候不能出现多个解,只能输出唯一的、确定的、可执行的决策指令。

    本文在进行船舶智能避碰决策方法研究的同时,充分考虑了以上问题,在此基础上,构建无人驾驶船舶航行态势本体概念模型,并结合《规则》及海员的通常做法对船舶会遇场景进行量化处理,建立船舶复合碰撞危险度评估模型,从驾驶实践的角度出发,建立驾驶员视角(BOP)智能避碰决策模型,以船舶避碰总路径最短为目标函数求解最优避碰策略,实现船舶智能航行及自主避碰。

    无人驾驶船舶自主航行需要实时与航行环境交互,获取航行状态信息,通过学习算法做出行为决策,其系统架构如图1所示。输入船舶当前航行状态、周围碍航物信息,信息传入行为决策层,经一系列解算后输出船舶的决策信息并交由控制执行层完成对船舶的运动控制。图中, λϕ 分别为船舶的经度和纬度; Ψ 为船舶航向; u 为船舶前进速度; v 为船舶横移速度; r 为船舶转艏角速度;ΔΨ 为决策输出的航向改变量;ΔV 为决策输出的航速改变量; δ 为船舶舵角; V为船舶航速。

    图  1  无人驾驶船舶自主航行系统架构图
    Figure  1.  architecture diagram of autonomous navigation system of unmanned ship

    准确的无人驾驶船舶航行态势理解是行为决策的基础,避碰场景理解主要是基于对《规则》以及海员通常做法的理解,划分典型的会遇场景,为避碰决策提供先决性条件。

    《规则》中给出了对遇、交叉相遇、追越3种会遇场景,如图2所示。但是在实际的船舶航行过程中对于不同的会遇情况,船舶有不同的航路权,故需要对会遇场景进行详细划分。

    图  2  3种典型会遇场景示意图
    Figure  2.  Schematic diagram of three typical encounter scenarios

    目前,有关无人船的航行态势理解与建模的研究较少,无统一化的标准定义。基于简单“IF···THEN···”推理规则的避碰知识库,难以描述各种会遇形式和避碰阶段的避碰方案。本文迁移应用无人车的场景建模方法[18],利用本体模型的强大信息表述能力,可逻辑化表述并量化航行态势,结合驾驶实践,对先验航行知识进行描述,提高避碰决策效率。

    航行态势理解是通过对感知系统获取的多源异构信息进行分类与理解,将无人驾驶船舶的航行态势进行结构化表述。首先,根据“本体”理论将无人驾驶船舶的航行态势分为实体和属性。实体类代表着不同本质的客观存在物,属性类用于描述对象实体以及实体之间的关系属性。本文将属性类又分为实体属性和关系属性,其中实体属性包括实体的位置、航向航速,关系属性包括位置关系、航向关系、方位关系和速度关系。

    感知系统获取的信息包含静态信息和动态信息。静态信息一般指静态障碍物实体,包括具有结构化的海图实体以及其他静态障碍物实体,其中海图实体包括具有结构化特征的航道、导助航标志等,静态障碍物实体是指静止的非结构化实体,包括锚泊的船舶、礁石等。动态信息一般指航行环境中的动态障碍物实体和环境实体。

    通过对感知系统获取的多源异构信息进行实体与属性描述,建立无人驾驶船舶航行态势本体模型,然后在此基础上结合《规则》及良好的船艺要求,将会遇场景进行量化划分,并基于prolog语言对会遇场景进行表述。

    根据《规则》及驾驶实践,本文以目标船的方位关系划分了6个会遇区域,分别为船艏、船艉、左舷正横前、左舷正横后、右舷正横前及右舷正横后。在每个会遇区域,又根据目标船与本船的航向关系以及航速关系,将会遇场景(ES)划分为12种,然后基于船舶航行态势本体模型及prolog语言建立航行态势理解与划分表,如表1所示。表中:HO为对遇场景;DHO为危险对遇场景;CR为交叉相遇场景;OT为追越场景;q为目标船的舷角;Ψt为目标船航向;Ψ0为本船航向;Vt为目标船航速;V0为本船航速。

    本文针对海上环境复杂多变的特点,结合驾驶实践,提出基于航行态势本体模型的场景划分方法,对航行环境降维处理,实现了无人驾驶船舶对航行态势的理解与划分,为智能避碰决策提供基础,并且在一定程度上提高了决策效率。

    表  1  航行态势理解与划分表
    Table  1.  Navigation situation understanding and division
    序号 目标船方位 会遇场景 舷角/q ΨtΨ0 VtV0 避让行动 避让责任
    1 船艏 DHO 0~π/8 7π/8~9π/8 任意 向左转向
    2 HO 15π/8~0 7π/8~9π/8 任意 向右转向 同等
    3 CR 15π/8~π/8 9π/8~13π/8 任意 向右转向 让路
    4 OT 13π/8~3π/8 Vt<V0 左转或右转 让路
    5 CR 3π/8~7π/8 任意 保向保速 直航
    6 右舷正横前 OT π/8~π/2 π~2π Vt<V0 向右转向 让路
    7 CR π~2π 任意 向右转向 让路
    8 右舷正横后 CR π/2~5π/8 3π/2-2π 任意 向左转向 让路
    9 船艉 OT 5π/8~11π/8 3π/2~ /2π Vt>V0 保向保速 直航
    10 左舷正横后 CR 11π/8~3π/2 0~π/2 任意 保向保速 直航
    11 左舷正横前 OT 3π/2~15π/8 0~π Vt<V0 向右转向 让路
    12 CR 0~π 任意 向右转向 让路
    下载: 导出CSV 
    | 显示表格

    《规则》没有给出碰撞危险的定义,但其中很多条款是以构成碰撞危险为前提的,故需建立一定的模型将其量化。

    在航海实践中,驾驶员在判断是否存在碰撞危险的同时,也就对存在碰撞危险的紧迫程度有了直观的感受,以及定性与定量的分析,一般习惯于使用DCPA、两船间距及其变化、TCPA来判断是否存在碰撞危险以及碰撞危险的程度。但影响船舶碰撞危险度大小的因素很多,且相互制约,故本文在前人研究的基础上,利用模糊理论建立了DCPATCPA、两船距离、相对方位以及船速比这5个影响因素的隶属度函数,并依据驾驶实践构建了多元复合碰撞危险度评估模型。

    由文献[8]可知,船舶间距离越小,船舶间碰撞危险越大,且从避让难度上看,距离越小,避让效果越差。任意时刻船舶间距离的隶属度函数ud为:

    ud={1;[(d2d)/(d2d1)]2;0;d (1)

    式中:{d_1}为最晚避让距离,通常取12倍船长值;{d_2}为船舶协调避让的距离[19]

    {d_2} = 1.7\cos (q - 19^\circ ){\rm{ + }}\sqrt {{\rm{4}}{\rm{.4 + 2}}{\rm{.89}}{{\cos }^2}(q - 19^\circ )} (2)

    处于不同方位的目标船舶对于碰撞危险度的影响也不同,一般来说,右舷大于左舷,正横前大于正横后。任意时刻舷角的隶属度函数uq为:

    {u_q} = \left\{ {\begin{array}{*{20}{l}} {1/[1 + (q/{q_0})^2];} \\ {1/{{[(360^\circ - q)/{q_0}]}^2};} \end{array}} \right.\begin{array}{*{20}{l}} {0 \leqslant q < 180^\circ } \\ {180^\circ \leqslant q < 360^\circ } \end{array} (3)

    式中,{q_0}与船速比K\left(K = \dfrac{{{v_t}}}{{{v_0}}}\right)有关,{q_0} = \left\{ {\begin{array}{*{20}{l}} {40^\circ ,} \\ {90^\circ ,} \\ {180^\circ ,} \end{array}} \right.\begin{array}{*{20}{l}} {K < 1} \\ {K = 1} \\ {K > 1} \end{array}

    船速比越大,碰撞危险度越大,任意时刻船速比的隶属度函数uK为:

    {u_K} = \frac{1}{{1 + 2/K\sqrt {K2 + 1 + 2\sin \psi } }} (4)

    DCPA对碰撞危险度的影响较大,且DCPA的值越小,碰撞危险程度越高。任意时刻DCPA的隶属度函数uDCPA为:

    {{u}_{{DCPA}}} \!=\! \left\{\!\!\!\! {\begin{array}{*{20}{l}} 1; \\ {{{[({d_2} - |DCPA|)/({d_2} - {d_1})]}^{3.0}}} ;\\ 0 ; \end{array}} \right.\!\!\!\!\begin{array}{*{20}{l}} {|DCPA| < {d_1}} \\ {{d_1} \leqslant |DCPA| < {d_2}} \\ {{d_2} < |DCPA|} \end{array} (5)

    式中,{d_2}为最小安全会遇距离。为简化计算,取{d_2} = 2 n mile,考虑到船舶尺度的影响,在DCPA很小时也会发生碰撞,故取两船船长的平均值,一般近似取为0.1 n mile。

    TCPA是针对碰撞危险程度的评价指标。TCPA值越小,碰撞危险程度越高,任意时刻TCPA的隶属度函数uTCPA为:

    {{{u}}_{TCPA}} = \left\{ {\begin{array}{*{20}{l}} 1; \\ {{{[({t_2} - TCPA)/({t_2} - {t_1})]}^{3.03}}}; \\ 0 ; \end{array}} \right.\begin{array}{*{20}{l}} {TCPA < {t_1}} \\ {{t_1} \leqslant TCPA < {t_2}} \\ {{t_2} < TCPA} \end{array} (6)

    式中:{t_1}为最晚施舵点到最近会遇点的时间,{t_1} = \sqrt {{d_1}^2 - DCP{A^2}} /{v_{\rm{r}}}vr为目标船相对于本船的相对速度;{t_2}为碰撞危险度开始的时间。在航海实践中,驾驶员对于同一距离不同方位、不同相对速度目标船的危险感知程度是不同的,用距离作为碰撞开始的时间不好确定,参照文献[20],本文取{t_2}=15 min作为碰撞危险度开始存在的时刻。

    对于碰撞危险度的合成规则,不同的学者给出了不同的方法,本文参考文献[8]给出的目标影响因素的模糊权重分配值为:

    \begin{split} & {w_{{d}}} = 0.14,\;\;{w_q} = 0.10,\;\;{w_{{K}}} = 0.08,\\&\quad{w_{{{DCPA}}}} = 0.36,\;\;{w_{{{TCPA}}}} = 0.32 \end{split} (7)

    原模型对于CRI的计算采用

    CRI = {w_{{d}}}{u_{{d}}} + {w_q}{u_q} + {w_K}{u_K} + {w_{{{DCPA}}}}{u_{DCPA}} + {w_{{{TCPA}}}}{u_{TCPA}}

    根据驾驶实践规律,若DCPA大于安全会遇距离,尽管TCPA很小,船舶仍无碰撞危险,故改进的船舶碰撞危险度为

    CRI = \left\{ {\begin{array}{*{20}{l}} 0; \\ {w_{\rm{d}}}{u_{\rm{d}}} + {w_q}{u_q} + {w_K}{u_K} + {w_{DCPA}}{u_{DCPA}} + {w_{TCPA}}{u_{TCPA}}; \\ 1 ; \end{array}} \right.\begin{array}{*{20}{l}} {u_{DCPA}} = 0 \; \;{\rm{or}} \;\;{u_{TCPA}} = 0 \\ {0 < {u_{DCPA}} < 1,\;0 < {u_{TCPA}} < 1} \\ {{u_{DCPA}} = 1,\;{u_{TCPA}} = 1} \end{array} (8)

    在前面几个模型的基础上,船舶智能避碰决策主要是解决船舶的最佳避让时机及避让幅度问题。由于船舶采取避碰行动的时机和幅度受《规则》的约束以及驾驶航行经验的影响,不同驾驶员对于不同的会遇情况采取的行动不一致,在不同的时机采取避碰措施会产生不同的避让效果,如图3所示。

    图  3  船舶转向避碰行动方式示意图
    Figure  3.  Schematic diagram of ship steering and collision avoidance action mode

    图3中:O点为本船当前船位;A点为目标船当前船位; R1R2R3为船舶的不同避让决策时机; P1P2P3为不同的最近会遇点; ∆ψii=1,2,3)为对应于不同避让决策时机所采取的不同避让行动幅度,即航向变化量; A1A2A3为目标船转向Δψ1,Δψ2,Δψ3 的船舶位置;TC为无人驾驶船舶的真航向;AiO为两船相对航向。

    本文将从驾驶员思维决策的角度出发,通过分析本船与目标船之间的相对运动几何关系,在保证船舶能在安全会遇距离驶过让清的基础上建立BOP智能避碰决策模型,以船舶避碰总路径最短为目标函数,船舶操纵性能及《规则》为约束条件,量化避碰转向区间,求解最优的避碰策略。BOP智能避碰决策模型流程图如图4所示。

    图  4  BOP智能避碰决策模型流程图
    Figure  4.  Flow chart of BOP intelligent collision avoidance decision-making model

    当船舶存在碰撞危险时,需要根据船舶安全会遇距离,通过几何解算出避让幅度。在不同的位置采取避碰措施将导致船舶避让路径长度不同,为求取不同转向幅度下的船舶避碰最优路径,建立以下目标函数:

    \min J = \sum\limits_{k = 1}^n {\sqrt {{{({x_{{{k}} + 1}} - {x_{{k}}})}^2} + {{({y_{{{k}} + 1}} - {y_{{k}}})}^2}} } (9)

    式中:xkyk分别为船舶当前的船位;xk+1yk+1分别为船舶下一步的船位。

    因避碰决策时机与避碰路径的对应关系不易求解出解析式,故采用避碰行动距离量化模型,来求解每个避碰距离下的转向幅度以及避碰路径。根据驾驶实践,对于正横前的来船,一般在两船相距4~6 n mile时采取避碰行动;对于正横后的来船,在两船相距3~4 n mile时采取避碰行动。本文对避碰转向区间进行量化,按步幅为0.1 n mile进行取值,建立避让决策时机({R_1},{R_2},\cdots,{R_n}),避让行动幅度一维向量为 (\Delta {\psi _1},\Delta {\psi _2},\cdots, \Delta {\psi _n})

    在计算避碰路径时,考虑到国际海上避碰规则要求以及船舶操纵性限制,需满足以下约束条件:

    {\rm{s.t}}.\;\;\left\{ {\begin{array}{*{20}{l}} {15^\circ \leqslant \Delta {\psi _i} \leqslant 90^\circ } \\ { - 35^\circ \leqslant \delta \leqslant 35^\circ } \\ {{d_0} \geqslant 4} \end{array}} \right. (10)

    式中,d0为无人驾驶船舶与动态目标船舶的初始距离。综合雷达避碰转向示意图以及国际海上避碰规则 “早、大、宽、清”的要求,船舶的避让行动幅度设定在 \left[\rm{15}^\circ {\text{,}}\rm{90}^\circ \right];对于一般的海船来说,舵角在32°~35°之间时转舵力矩可以达到最大值,故本文取{\rm{|}}\delta {\rm{| = 35}}^\circ 为船舶的极限舵角;对正横前来船,最晚施舵时机为4 n mile,为保证模型有解,设定本船与目标船的初始距离大于4 n mile。

    在驾驶实践中,要求驾驶员对船舶性能有充分的了解,在做决策时,要考虑船舶的转舵时间以及旋回特性,鉴于此,本文考虑采用Abkowitz提出的三自由度整体型模型[10]

    \left\{ {\begin{array}{*{20}{l}} {X = m(\dot u - v\dot \psi )} \\ {Y = m(\dot v + u\dot \psi )} \\ {N = {I_{\rm{{{\textit{z}}{\textit{z}}}}}}\ddot \psi } \end{array}} \right. (11)
    {\left[ {X,Y,N} \right]^{\rm{T}}} = f(u,v,r,\dot u,\dot v,\dot r,\delta )

    式中:X,Y为外力在xy轴上的分量;m为船舶质量;Izz为船体绕通过重心的铅直轴的质量惯性矩(转动惯量);N为作用于船舶的外力绕通过重心的铅直轴的回转力矩。

    针对水动力导数的估算方法不作为本文的重点,故此处不再赘述。本文的船舶操纵数学模型选取ITTC典型的Mariner标准船型作为研究对象,其船型数据如表2所示,利用文献[21]中的无量纲水动力数据表,即可求得船舶的运动模型。

    表  2  Mariner标准船型数据
    Table  2.  Coefficients in mathematical model of ship maneuvering motion of Mariner
    名称数值
    总长 {L}_{\rm{oa}} /m171.80
    垂线间长{L}_{\rm{bp}}/m160.93
    型宽 B /m23.17
    设计吃水 T /m8.23
    排水量 \nabla /m318 541
    设计航速 {U}_{0} /kn15
    舵角限幅 \delta /(°)35
    下载: 导出CSV 
    | 显示表格

    为贴合航海实际,在设计船舶转向控制器时要考虑动舵合理、航向变化快速平稳、调节时间短,故本文采用PD改向控制器模型。δ的控制率为Cδ=−Kp(ΨΨdesired)+Kdr,其中Ψ为船舶的当前航向,Ψdesired为决策航向,对船舶PD控制模型进行参数整定,比例增益{K_{\rm{p}}}=0.3,微分增益{K_{\rm{d}}}=1。

    船舶在避让操作之后,需进行复航操纵。在研究船舶复航时机的过程中,对于避碰行动后是恢复至船舶初始运动状态还是恢复到原航线上一直留有争议。但就避碰而言,只需考虑恢复初始运动状态即可,恢复原航线是航行自动化系统的功能和任务。文献[22]给出了常用的4种恢复航向的时机模型:

    1) 当目标船驶过本船正横处时复航;

    2) 当让路船复航后,保证船舶间的DCPA大于最小安全会遇距离;

    3) 当目标船驶过最近会遇距离点时复航;

    4) 当目标船驶过本船船艏后复航。

    无论哪种复航决策方式,都要保证两船之间有一定的安全会遇距离。本文根据几何避碰原理,解算了船舶预测复航时机,图5所示为船舶复航时机求解示意图。

    图5所示为两船会遇,本船船首向上情况下,本船改向∆Ψ避让目标船, R为避让决策时机, G为预测复航点RML1为船舶避碰操纵前的相对运动路径,RML2为船舶改向后的相对运动路径,RML1'为RML1的平行路径且与船舶的最小安全会遇距离圆相切,G点为RML2与RML1'的交点,船舶从RG航行所用时间即为船舶的复航时机。计算出船舶复航时间点以及船舶复航时应走航向,利用PD航向控制器控制船舶完成复航操纵。

    图  5  船舶复航时机求解示意图
    Figure  5.  Schematic diagram of solving the timing of re-sailing

    本节以案例仿真实验来验证基于驾驶实践的无人船智能避碰决策研究方法的有效性。在仿真实验中,本船采用ITTC典型的Mariner标准船型参数,借助Matlab 2016a,Simulink仿真平台与python3.6设计仿真对比实验,并与未考虑船舶操纵运动模型且利用探测圆(半径取4 n mile)确定避碰时机的传统避碰算法进行比较,在典型会遇场景下验证算法的适用性及优越性。无人驾驶船舶与动态目标船舶的初始航行参数如表3所示,仿真步长取6 s。

    表  3  船舶初始航行参数设置
    Table  3.  Ship's initial navigation state data
    船舶船位(λ/(°), φ/(°))航向Ψ/(°)航速/kn
    无人驾驶船舶(161.10,25.10)45°15
    动态目标船(TS1)(161.21,25.125)315°10
    动态目标船(TS2)(161.32,25.28)225°10
    动态目标船(TS3)(161.24,25.16)45°10
    下载: 导出CSV 
    | 显示表格

    仿真目标为无人驾驶船舶能够趋向目标点并避让动态目标船舶。当环境中不存在障碍物或障碍物不在安全会遇距离内时,无人驾驶船舶保持航向或者处于复航阶段,调整方向朝着目标点前进;当障碍物出现在安全会遇距离内时,无人驾驶船舶利用本文算法及传统避碰算法进行实时避障;当无人驾驶船舶接近目标点时,仿真结束。

    在避碰仿真过程中,3艘动态目标船舶保向保速航行并先后与无人驾驶船舶构成交叉相遇局面、对遇局面以及追越局面。图6所示为截取的船舶避碰仿真过程关键片段。图中,轨迹交叉部分为无人驾驶船舶避让后穿过动态目标船舶后方时的历史轨迹。

    图  6  船舶避碰仿真过程图
    Figure  6.  Ship collision avoidance simulation process diagram

    对于动态目标船1,在T=1 000 s时,无人驾驶船舶判断目标船舶进入到本船的决策领域,分析目标船的航向及方位信息,经过航向态势理解,决策为正横后交叉会遇态势,本船为让路船,采取右转的避让行动方式,通过基于驾驶员视角的智能避碰决策方法求解船舶的最优避碰幅度。在T=2 000 s时,无人驾驶船舶与目标船2构成对遇局面,本船为让路船,采取右转的避让行动方式,通过算法求解船舶的最优避碰幅度。在T=4 500 s时,无人驾驶船舶与目标船构成追越局面,本船为追越船,目标船为让路船,由于目标点在右侧,所以选择从右舷追越。基于传统避碰模型决策得到的避让时机固定,且均比本文算法早,转向幅度较小,船舶路径不光滑,船舶避碰总路径为32.952 n mile,而基于驾驶员视角的智能避碰决策方法求解的船舶避碰总路径为25.022 n mile,较大程度缩短了航程,提升了避让性能。

    通过仿真可知,无人驾驶船舶在与目标船舶构成碰撞危险时,能够有效做出避碰决策,并且通过智能避碰决策算法能够给出最优的避碰路径。

    图7所示为无人驾驶船舶在避碰过程中的航向变化以及舵角变化情况。从图中可知,航向变化快速平稳,调节时间短,震荡较小,打舵平滑,动舵合理,符合航海实践。

    图  7  船舶避碰过程中航向舵角变化曲线
    Figure  7.  Course and rudder angle variation curve during collision avoidance

    由仿真实验结果可知,无人驾驶船舶在不同的会遇态势下均能安全避让目标船舶,并根据不同的会遇态势生成最优避碰策略,验证了本文所提算法的有效性。

    通过对无人驾驶船舶避碰决策所面临问题的分析,提出了一种基于驾驶实践的智能避碰决策方法,可使无人驾驶船舶根据感知系统传来的信息,实时与环境交互,做出符合《规则》的避碰决策和路径规划。在典型会遇场景下进行的仿真实验表明,该模型能够在未知环境下完成自主避碰,并解算出最优路径,证明了算法的有效性。在接下来的研究中,还需要对模型不断完善,考虑更为复杂的环境扰动,加入对静、动态障碍物领域模型,更加贴合航海实际。

  • 图  1   无人驾驶船舶自主航行系统架构图

    Figure  1.   architecture diagram of autonomous navigation system of unmanned ship

    图  2   3种典型会遇场景示意图

    Figure  2.   Schematic diagram of three typical encounter scenarios

    图  3   船舶转向避碰行动方式示意图

    Figure  3.   Schematic diagram of ship steering and collision avoidance action mode

    图  4   BOP智能避碰决策模型流程图

    Figure  4.   Flow chart of BOP intelligent collision avoidance decision-making model

    图  5   船舶复航时机求解示意图

    Figure  5.   Schematic diagram of solving the timing of re-sailing

    图  6   船舶避碰仿真过程图

    Figure  6.   Ship collision avoidance simulation process diagram

    图  7   船舶避碰过程中航向舵角变化曲线

    Figure  7.   Course and rudder angle variation curve during collision avoidance

    表  1   航行态势理解与划分表

    Table  1   Navigation situation understanding and division

    序号 目标船方位 会遇场景 舷角/q ΨtΨ0 VtV0 避让行动 避让责任
    1 船艏 DHO 0~π/8 7π/8~9π/8 任意 向左转向
    2 HO 15π/8~0 7π/8~9π/8 任意 向右转向 同等
    3 CR 15π/8~π/8 9π/8~13π/8 任意 向右转向 让路
    4 OT 13π/8~3π/8 Vt<V0 左转或右转 让路
    5 CR 3π/8~7π/8 任意 保向保速 直航
    6 右舷正横前 OT π/8~π/2 π~2π Vt<V0 向右转向 让路
    7 CR π~2π 任意 向右转向 让路
    8 右舷正横后 CR π/2~5π/8 3π/2-2π 任意 向左转向 让路
    9 船艉 OT 5π/8~11π/8 3π/2~ /2π Vt>V0 保向保速 直航
    10 左舷正横后 CR 11π/8~3π/2 0~π/2 任意 保向保速 直航
    11 左舷正横前 OT 3π/2~15π/8 0~π Vt<V0 向右转向 让路
    12 CR 0~π 任意 向右转向 让路
    下载: 导出CSV

    表  2   Mariner标准船型数据

    Table  2   Coefficients in mathematical model of ship maneuvering motion of Mariner

    名称数值
    总长 {L}_{\rm{oa}} /m171.80
    垂线间长{L}_{\rm{bp}}/m160.93
    型宽 B /m23.17
    设计吃水 T /m8.23
    排水量 \nabla /m318 541
    设计航速 {U}_{0} /kn15
    舵角限幅 \delta /(°)35
    下载: 导出CSV

    表  3   船舶初始航行参数设置

    Table  3   Ship's initial navigation state data

    船舶船位(λ/(°), φ/(°))航向Ψ/(°)航速/kn
    无人驾驶船舶(161.10,25.10)45°15
    动态目标船(TS1)(161.21,25.125)315°10
    动态目标船(TS2)(161.32,25.28)225°10
    动态目标船(TS3)(161.24,25.16)45°10
    下载: 导出CSV
  • [1] 陈国权. 船舶避碰自动化关键技术研究[D]. 大连: 大连海事大学, 2016.

    CHEN G Q. Research on key technologies for ship collision avoidance automation[D]. Dalian: Dalian Maritime University, 2016 (in Chinese).

    [2]

    PERERA L P, CARVALHO J P, SOARES C G. Fuzzy logic based decision making system for collision avoidance of ocean navigation under critical collision conditions[J]. Journal of Marine Science and Technology, 2011, 16(1): 84–99.

    [3]

    KEARON J. Computer programs for collision avoidance and traffic keeping[C]//Conference on Mathematical Aspects on Marine Traffic. London: Academic Press, 1977.

    [4] 王则胜, 施朝健. 基于改进的神经网络的船舶碰撞危险度的模型[J]. 中国航海, 2007(1): 65–67. doi: 10.3969/j.issn.1000-4653.2007.01.015

    WANG Z S, SHI C J. An improved neural network based model of collision risk index[J]. Navigation of China, 2007(1): 65–67 (in Chinese). doi: 10.3969/j.issn.1000-4653.2007.01.015

    [5]

    LI C Z, LI W, NING J. Calculation of ship collision risk index based on adaptive fuzzy neural network[C]//Proceedings of 2018 3rd International Conference on Modeling, Simulation and Applied Mathematics (MSAM). Shanghai: Science and Engineering Research Center, 2018: 223–227.

    [6] 汤国瑞, 谢新连, 潘伟. 复杂水域船舶智能避碰专家系统设计[J]. 船海工程, 2019, 48(3): 160–165. doi: 10.3963/j.issn.1671-7953.2019.03.037

    TANG G R, XIE X L, PAN W. Design of intelligent collision avoidance expert system for ships in complex waters[J]. Ship & Ocean Engineering, 2019, 48(3): 160–165 (in Chinese). doi: 10.3963/j.issn.1671-7953.2019.03.037

    [7] 刘冬冬, 史国友, 李伟峰, 等. 基于最短避碰距离和碰撞危险度的避碰决策支持[J]. 上海海事大学学报, 2018, 39(1): 13–18.

    LIU D D, SHI G Y, LI W F, et al. Decision support of collision avoidance based on shortest avoidance distance and collision risk[J]. Journal of Shanghai Maritime University, 2018, 39(1): 13–18 (in Chinese).

    [8] 胥文, 胡江强, 尹建川, 等. 基于模糊理论的船舶复合碰撞危险度计算[J]. 舰船科学技术, 2017, 39(7): 78–84. doi: 10.3404/j.issn.1672-7649.2017.07.016

    XU W, HU J Q, YIN J C, et al. Composite evaluation of ship collision risk index based on fuzzy theory[J]. Ship Science and Technology, 2017, 39(7): 78–84 (in Chinese). doi: 10.3404/j.issn.1672-7649.2017.07.016

    [9] 施建祥, 张笑嫣. 船舶碰撞危险度的避碰决策模型[J]. 珠江水运, 2018(18): 78–79.

    SHI J X, ZHANG X Y. Collision avoidance decision model of ship collision risk[J]. Pearl River Water Transport, 2018(18): 78–79 (in Chinese).

    [10]

    LYU H G, YIN Y. Fast path planning for autonomous ships in restricted waters[J]. Applied Sciences, 2018, 8(12): 2592.

    [11]

    LYU H G, YIN Y. COLREGS-constrained real-time path planning for autonomous ships using modified artificial potential fields[J]. The Journal of Navigation, 2019, 72(3): 588–608.

    [12] 林晓杰. 基于改进势场法的受限水域中船舶自动避碰模型研究[D]. 哈尔滨: 哈尔滨工程大学, 2015.

    LIN X J. Model research on automatic collision avoidance of ships in confined waterways based on improved potential field method[D]. Harbin: Harbin Engineering University, 2015 (in Chinese).

    [13] 袁宇祺. 多目标下的船舶智能避碰方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2019.

    YUAN Y Q. Intelligent collision avoidance of surface vechiles under multi-objective[D]. Harbin: Harbin Engineering University, 2019 (in Chinese).

    [14]

    HE Y X, HUANG L W, XIONG Y, et al. The research of ship ACA actions at different stages on head-on situation based on Cri and COLREGS[J]. Journal of Coastal Research, 2015, 73(Supp 1): 735–740.

    [15] 王程博, 张新宇, 张加伟, 等. 未知环境中无人驾驶船舶智能避碰决策方法[J]. 中国舰船研究, 2018, 13(6): 72–77. doi: 10.19693/j.issn.1673-3185.01144

    WANG C B, ZHANG X Y, ZHANG J W, et al. Method for intelligent obstacle avoidance decision-making of unmanned vessel in unknown waters[J]. Chinese Journal of Ship Research, 2018, 13(6): 72–77 (in Chinese). doi: 10.19693/j.issn.1673-3185.01144

    [16]

    SHEN H Q, HASHIMOTO H, MATSUDA A, et al. Automatic collision avoidance of multiple ships based on deep Q-learning[J]. Applied Ocean Research, 2019, 86: 268–288.

    [17] 李丽娜, 陈国权, 李国定, 等. 船舶拟人智能避碰决策方法研究综述[J]. 航海, 2014(2): 42–49.

    LI L N, CHEN G Q, LI G D, et al. A review on PIDVCA system[J]. Navigation, 2014(2): 42–49 (in Chinese).

    [18] 耿新力. 城区不确定环境下无人驾驶车辆行为决策方法研究[D]. 合肥: 中国科学技术大学, 2017.

    GENG X L. Research on behavior decision-making approaches for autonomous vehicle in urban uncertainty environments[D]. Hefei: University of Science and Technology of China, 2017 (in Chinese).

    [19]

    DAVIS P V, DOVE M J, STOCKEL C T. A computer simulation of marine traffic using domains and arenas[J]. The Journal of Navigation, 1980, 33(2): 215–222.

    [20] 苏开文. 船舶避碰专家系统的研究[D]. 大连: 大连海事大学, 2007.

    SU K W. A study on the expert system for ship collision avoidance[D]. Dalian: Dalian Maritime University, 2007 (in Chinese).

    [21]

    FOSSEN T I. Guidance and control of ocean vehicles[M]. Chichester, New York: Wiley, 1994.

    [22] 王鹏鲲, 陈国权, 李丽娜, 等. 船舶预测复航限制时间模型及算法验证[J]. 中国航海, 2016, 39(1): 55–59. doi: 10.3969/j.issn.1000-4653.2016.01.013

    WANG P K, CHEN G Q, LI L N, et al. Integrity verification of calculation model for forecasting recovery limited time of ship[J]. Navigation of China, 2016, 39(1): 55–59 (in Chinese). doi: 10.3969/j.issn.1000-4653.2016.01.013

  • 期刊类型引用(17)

    1. 陈立家,王凯,黄立文,李胜为,周欣蔚,刘岩值. 船舶自主航行虚拟测试场景研究进展. 中国舰船研究. 2025(01): 25-37 . 本站查看
    2. 陈蜀喆,王子威,龚彪. 基于滑动窗口算法的船舶避碰转向点数据挖掘模型. 中国航海. 2025(01): 124-131 . 百度学术
    3. 徐亮,王欣安,刘希,余秀,韩伟. 中大型无人船舶自主控制系统架构设计及实现. 中国舰船研究. 2024(S1): 1-9 . 本站查看
    4. 崔浩,张新宇,王警,王程博,郑康洁. 自主船舶与有人驾驶船舶动态博弈避碰决策. 中国舰船研究. 2024(01): 238-247 . 本站查看
    5. 韩志强,李立刚,贺则昊,宗律,戴永寿. 融合动态窗口法和DDPG的无人船避碰方法. 电子测量技术. 2024(14): 80-87 . 百度学术
    6. 文元桥,程小东,黄亮,黄亚敏,徐顺强,钟书彬. 融合COLREGs的水上交通场景认知建模. 哈尔滨工业大学学报. 2024(11): 151-161 . 百度学术
    7. 梁民仓,王胜正. 基于遗传算法的船用雷达标绘功能优化仿真. 舰船科学技术. 2024(21): 138-142 . 百度学术
    8. 巴尧骥,唐峰华,张胜茂,王斐,戴阳,吴祖立. 无人船技术发展现状及其在渔业中的应用. 大连海洋大学学报. 2024(05): 888-904 . 百度学术
    9. 李高才,张新宇,蒋晨星,连晓荣,张辉辉,王佳伟. 海港航道水域船舶异常行为检测. 大连海事大学学报. 2024(04): 31-40+78 . 百度学术
    10. 姚吉宇,冮龙晖. 基于改进的CBS算法的USV路径规划. 中国航海. 2023(02): 1-8+16 . 百度学术
    11. 臧继明,江保泉. 能见度不良时舰船避碰辅助决策方法. 舰船科学技术. 2023(23): 190-193 . 百度学术
    12. 徐言民,律建辉,刘佳仑,李龙浩,关宏旭. 基于CSSOA的多船智能避碰决策研究. 中国舰船研究. 2023(06): 88-96 . 本站查看
    13. 杨沁林,张劲. 机械臂目标区域跟踪防撞控制. 四川大学学报(自然科学版). 2022(03): 77-86 . 百度学术
    14. 刘钊,周壮壮,张明阳,刘敬贤. 基于双延迟深度确定性策略梯度的船舶自主避碰方法. 交通信息与安全. 2022(03): 60-74 . 百度学术
    15. 杨满. 海上多目标侧向主动避碰算法研究. 舰船科学技术. 2022(22): 140-143 . 百度学术
    16. 贺益雄,于德清,刘霄,王丰,牟军敏. 成山角分道通航制水域航行风险辨识与操纵决策方法. 交通信息与安全. 2022(05): 34-43 . 百度学术
    17. 周怡,袁传平,谢海成,羊箭锋. 基于DDPG算法的游船航行避碰路径规划. 中国舰船研究. 2021(06): 19-26+60 . 本站查看

    其他类型引用(20)

  • 其他相关附件

图(7)  /  表(3)
计量
  • 文章访问数:  1490
  • HTML全文浏览量:  536
  • PDF下载量:  330
  • 被引次数: 37
出版历程
  • 收稿日期:  2019-09-23
  • 修回日期:  2020-12-07
  • 网络出版日期:  2020-12-15
  • 刊出日期:  2021-02-27

目录

/

返回文章
返回