一种船舶在动态环境下的路径规划的方法

摘要

本发明涉及一种船舶在动态环境下的路径规划的方法，提取船舶交互特征参数，轨迹障碍域TOA通过生成对抗神经网络对当前窗口所有动态障碍物生成N条轨迹，估计这些障碍物未来轨迹的分布范围形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面估计，最后基于动态窗口法、TOA、船舶安全领域和COLREGS设计了局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。本发明满足实时计算、《规则》、船舶冲突风险等条件，船舶航行时能够实时、安全、有效的获取最优航线，提高船舶航行效率。

说明书

技术领域

本发明涉及路径规划技术领域，更具体地说，涉及一种船舶在动态环境下的路径规划的方法。

背景技术

虽然全局路径规划解决了路线可达问题，但是全局路径规划仅仅考虑了静态障碍物，面对USV航行时的未知动态环境，全局路径规划技术并不能实现 USV的安全航行。因此需要局部路径规划技术对当前航线实时修正，使重规划路径能够避开动、静态障碍物，保障USV航行安全。当前局部路径技术根据方法原理主要分为传统算法、速度障碍域、概率采样、动态窗口法、强化学习五种类型。

但是上述方法均存在不同程度上的缺陷，导致上述方法无法应用到实际的船舶航线规划上去。如A*算法来获得巡逻路径着重考虑了路径最短条件，将重点放在了对基础算法的改进和优化上，而忽视了对路径质量以及安全性的研究。如单一考虑路径最短条件会导致路径紧贴障碍物边界，缺乏安全性；路径平滑程度主要考虑路径曲率可微分，但是没有结合无人艇最小回旋半径对路径的曲率进行约束。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种船舶在动态环境下的路径规划的方法。

本发明解决其技术问题所采用的技术方案是：构造一种船舶在动态环境下的路径规划的方法，包括：

对船舶的AIS数据集进行分析处理，从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数；

依据船舶运动状态的轨迹特征参数，设计船舶交互特征轨迹预测模型；

通过所述船舶交互特征轨迹预测模型进行船舶轨迹的未来轨迹预测，根据船舶轨迹的未来轨迹预测结果建立轨迹障碍域模型，以估计动态船舶未来航行范围，对动态环境不确定性进行量化分析；

结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算，同时进行全局路线下的偏航函数计算；

结合国际海上避碰规则的约束，进行量化函数的计算，结合偏航函数和量化函数，输出船舶在动态环境下的最优路径。

其中，在提取多组表达船舶运动状态的轨迹特征参数的步骤中，包括步骤：

从AIS数据集获取经度x、纬度y、速率v和航向θ；

从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数。

其中，设计船舶交互特征轨迹预测模型的步骤包括：

输入多条会遇船舶AIS数据集中的船舶位置信息和速度信息，通过LSTM 网络对每条轨迹进行时空建模；

通过作差将船舶的单船信息转换为多船间的相对距离信息和相对速度信息；

将融合了自身轨迹特征和船舶交互特征的整合编码信息输入解码器进行解码得到所有输入船舶轨迹的未来轨迹。

其中，在估计动态船舶未来航行范围，对动态环境不确定性进行量化分析的步骤中，包括步骤：

通过生成对抗神经网络一次性对当前窗口所有动态障碍物生成N条轨迹；

估计动态障碍物未来轨迹的分布范围，形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面的估计。

其中，在结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算的步骤中，通过四元船舶领域模型，定义无人艇距离船舶最小安全领域，边界越远越安全，越近越危险，则生成的轨迹l

其中，P表示视野内共有P条船舶，M表示轨迹l

其中，在计算全局路线下的偏航函数的步骤中，通过计算轨迹点和全局路径的偏离距离和无人艇的规划速度和期望速度的偏差来共同决定偏航函数，公式表示为：

J(l

其中，

其中，在结合国际海上避碰规则的约束，计算量化函数的步骤中，量化函数的公式表示为：

其中，J

其中，输出最优路径是基于动态窗口法、TOA、船舶安全领域和COLREGS 设计局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。

本发明提供了一种船舶在动态环境下的路径规划的方法，提取船舶交互特征参数，轨迹障碍域TOA通过生成对抗神经网络对当前窗口所有动态障碍物生成N条轨迹，估计这些障碍物未来轨迹的分布范围形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面估计，最后基于动态窗口法、TOA、船舶安全领域和COLREGS设计了局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。本发明提供了一种考虑船舶相对运动特征的多目标船舶轨迹实时预测航行范围的模型，满足实时计算、《规则》、船舶冲突风险等条件，船舶航行时能够实时、安全、有效的获取最优航线，提高船舶航行效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种船舶在动态环境下的路径规划的方法的流程示意图。

图2是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型的架构示意图。

图3是本发明提供的一种船舶在动态环境下的路径规划的方法中最优轨迹的规划原理示意图。

图4是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第一实施方式的输出结果示意图。

图5是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第二实施方式的输出结果示意图。

图6是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第三实施方式的输出结果示意图。

图7是本发明提供的一种船舶在动态环境下的路径规划的方法中轨迹障碍域模型用于估计动态他船未来航行范围的第四实施方式的输出结果示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，本发明提供了一种船舶在动态环境下的路径规划的方法，包括：

对船舶的AIS数据集进行分析处理，从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数；

依据船舶运动状态的轨迹特征参数，设计船舶交互特征轨迹预测模型；

通过所述船舶交互特征轨迹预测模型进行船舶轨迹的未来轨迹预测，根据船舶轨迹的未来轨迹预测结果建立轨迹障碍域模型，以估计动态船舶未来航行范围，对动态环境不确定性进行量化分析；

结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算，同时进行全局路线下的偏航函数计算；

结合国际海上避碰规则的约束，进行量化函数的计算，结合偏航函数和量化函数，输出船舶在动态环境下的最优路径。

轨迹障碍域模型是针对船舶冲突局面提出的一种预测动态船舶未来航行范围的非线性模型，该模型是一种多目标预测模型，能够为局部窗口中多条航行船舶轨迹同时建模，分析船舶之间的相对运动信息，并对多条船舶的未来航行区域进行同时估计。为了让模型适用于船舶冲突局面，设计了船舶交互模块来处理和学习船舶的避碰行为，从而给出冲突局面下船舶未来航行范围的合理预测。改进动态窗口算法是一种综合考虑了《规则》、无人艇操纵性能的局部避碰决策和路径规划算法。该算法结合轨迹障碍域模型和四元船舶领域模型来计算无人艇在冲突局面下的动态风险，并结合轨迹采样和《规则》约束，规划出最优的避碰方案和路径。

其中，在提取多组表达船舶运动状态的轨迹特征参数的步骤中，包括步骤：

从AIS数据集获取经度x、纬度y、速率v和航向θ；

从同一水域下涉及会遇场景的多条船舶轨迹中提取多组表达船舶运动状态的轨迹特征参数。

其中，设计船舶交互特征轨迹预测模型的步骤包括：

输入多条会遇船舶AIS数据集中的船舶位置信息和速度信息，通过LSTM 网络对每条轨迹进行时空建模；

通过作差将船舶的单船信息转换为多船间的相对距离信息和相对速度信息；

将融合了自身轨迹特征和船舶交互特征的整合编码信息输入解码器进行解码得到所有输入船舶轨迹的未来轨迹。

模型输入X为0到t

模型输出是t

在本实施方式中，模型通过一个交互模块来对同一水域内多艘船舶的运动信息进行处理和分析得到船舶交互特征。在每个时间步长t上，交互模块都对任意i,j两船的坐标和速度分别作差得到两船的相对距离信息和相对速度信息，通过一个全连接层神经网络(fully connected layer,FC)对相对运动信息进行编码得到i,j两船的隐藏交互信息

其中，隐藏交互信息

群体交互信息存入集合S

包含整体时空影响因素的特征矢量C

其中，W

如图2所示，轨迹障碍域模型用于估计动态他船未来航行范围，对动态环境不确定性进行量化分析。

其中，在估计动态船舶未来航行范围，对动态环境不确定性进行量化分析的步骤中，包括步骤：

通过生成对抗神经网络一次性对当前窗口所有动态障碍物生成N条轨迹；

估计动态障碍物未来轨迹的分布范围，形成轨迹障碍区域，将不确定因素量化并加入到路径的代价函数中，形成未来交通局面的估计。

如图4-7所示，图4是两船打交道交叉相遇的场景，TOA域模型的仿真结果是由10条预测轨迹组成的扇形区域。可以发现轨迹簇形成的扇形区域很好地覆盖的船舶未来的航行区域。利用扇形区域的尾端宽度来评价TOA的预测精度，则A船的预测精度为112.3米，B船的预测精度为147.7米。图5是两船小角度交叉相遇的场景，A船的预测精度为48.7米，B船的预测精度为 106.5米。图6是两船对遇的场景，A船的预测精度是157.4米，B船的预测精度为136.8米。图7是两船小角度交叉相遇的场景，A船的预测精度是68.9 米，B船的预测精度为105.6米。从TOA的仿真结果来看，TOA域本质是船舶未来轨迹离散概率分布，其TOA域的宽度是未来轨迹的不确定性大小，可以很好的非线性的估计船舶在不同会遇局面下的未来轨迹的分布，为局部路径算法处理动态船舶障碍物提供精确的风险量化计算。

其中，在结合轨迹障碍域模型和船舶领域模型，对船舶风险进行计算的步骤中，通过四元船舶领域模型，定义无人艇距离船舶最小安全领域，边界越远越安全，越近越危险，则生成的轨迹l

其中，P表示视野内共有P条船舶，M表示轨迹l

其中，在计算全局路线下的偏航函数的步骤中，通过计算轨迹点和全局路径的偏离距离和无人艇的规划速度和期望速度的偏差来共同决定偏航函数，公式表示为：

J(l

其中，

其中，在结合国际海上避碰规则的约束，计算量化函数的步骤中，量化函数的公式表示为：

其中，J

结合COLREGS的条款，COLREGS代价函数分析如下：

当USV处于对遇局面时，双方都有避让责任，双方应该右转从双方的左舷经过。因此路径的总代价函数应该包含J

当USV处于小角度右舷交叉相遇局面和大角度右舷交叉相遇局面时，USV 作为避让船，有义务右转从目标的船尾经过或直线减速尽量不从目标船前方驶过。因此路径的总代价函数应该包含J

当USV处于左舷追越局面和右舷追越局面时，USV作为让路船需要根据风险决定从目标左舷还是右舷追越，此时代价项J

当USV处于被追越、小角度左舷交叉相遇局面和大角度左舷交叉相遇局面时，此时USV作为直航船没有避让义务，应保持航速航向，但是紧急局面下可以右转避碰。此时路径代价项J

综上，所有的会遇场景下判断条件和代价函数可以总结如表1。

表1会遇场景下判断条件和代价函数表

如图3所示，输出最优路径是基于动态窗口法、TOA、船舶安全领域和 COLREGS设计局部路径规划方案，通过状态采样得到备选轨迹集合，通过船舶操纵性能约束条件、偏航代价函数、碰撞风险函数和海上避碰规则代价函数来求取最优路径。

下面以具体实例进行说明，提取了舟山港域一块岛礁环境作为全局仿真环境的实验场景，其经度范围为122°8.42′至122°19.708′，纬度范围为30° 10.289′至30°16.72′。设置无人艇参数如表2。

表2无人艇综合实验参数

其中V

设置的巡航任务一共定义了7个巡航节点，参数如表3。

表3巡航任务节点

添加障碍船舶信息如表4。

表4障碍船舶信息

进行路径规划，无人艇在全局路径上遇到障碍船舶A，并和无人艇构成对遇局面，在此局面下无人艇具有避让义务，根据改进动态窗口法，无人艇规划出右转的避让路径在符合COLREGS的前提下进行避让。待无人艇的对遇冲突结束，开始进行复航到主航线进行行驶。无人艇在TOA域模型的帮助下，在超越障碍船舶B一段足够安全的距离后才开始左转向进行复航。最终，无人艇顺利通过狭窄的海峡，完成最优路径规划。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。