一种基于数据融合轨迹预测的船舶避碰决策方法技术

本发明专利技术公开了一种基于数据融合轨迹预测的船舶避碰决策方法，包括以下步骤：S1、采集并融合多个传感器的数据得到所述船舶的导航数据；S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解。提高了预测的可靠性和准确性。满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率。确率。确率。

【技术实现步骤摘要】
一种基于数据融合轨迹预测的船舶避碰决策方法


[0001]本专利技术涉及船舶避让
，具体涉及一种基于数据融合轨迹预测的船舶避碰决策方法。

技术介绍

[0002]随着海运行业发展，进出港的船舶数量日益增长，船舶在航行过程中，了解自己和目标船舶在特定时间跨度内的未来位置对于有效解决碰撞情况至关关键。实践表明，更可靠、更准确的信息，能在预测船舶轨迹和做出正确决策方面提供重要依据，极大程度上影响了港口船舶作业安全性。
[0003]近年来船舶碰撞事故发生率明显增长，人为失误是海上事故的主要原因之一，成为船舶安全航行作业的潜在风险，类似事件给船舶安全生产敲响了警钟，因此，船舶驾驶员在有全面准确了解掌握如何避免船舶避碰的需求日益迫切。如何效减少避碰过程中的人为因素，提高船舶智能航行的安全性以及可靠性，减少驾驶人员的负担，为驾驶人员提供一定的建议和参考，从而降低船舶碰撞事故的发生率，已成为目前行业内主流需求。
[0004]综上，现需要设计一种基于数据融合轨迹预测的船舶避碰决策方法来解决以上现有技术中的问题。

技术实现思路

[0005]为解决上述现有技术中问题，本专利技术提供了一种基于数据融合轨迹预测的船舶避碰决策方法，通过数据融合，将多个双自主传感设备对船舶当前位置的测量考虑在内，增加了预测的可靠性和准确性；满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率。
[0006]为达到上述目的，本专利技术采用如下技术方案：一种基于数据融合轨迹预测的船舶避碰决策方法，包括以下步骤：S1、采集并融合多个传感器的数据得到所述船舶的导航数据；S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解；其中，所述步骤S2中的运动参数预测值通过所述自适应神经网络的响应权重确定，所述响应权重ω
i
的计算公式为：其中，m为神经网络数量，
푖
为神经网络的编号，ω
i
为第
푖
个神经网络的响应权重，ε
i
为第
푖
个神经网络预测误差，ε
min
为预测误差最小值，ε
max
为预测误差最大值；所述预测误差ε
i
根据所述步骤S1中的导航数据确定。
[0007]在本专利技术的一些实施例中，所述步骤S1中的导航数据由加权平均值表示：其中，(为所述船舶在笛卡尔坐标中时刻t的位置融合值，(为所述船舶在笛卡尔坐标中时刻t的船速融合值，为融合权重矩阵，(为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的位置融合值，(为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的船速融合值。
[0008]在本专利技术的一些实施例中，所述融合权重矩阵A
l
(t)的计算公式为：其中，P
ij
‑1(t)为第i个和第j个传感器之间的误差互协方差矩阵。
[0009]在本专利技术的一些实施例中，所述误差互协方差矩阵P
ij
‑1(t)的计算公式为：其中，I4为矩阵，K
i
(t)和K
j
(t)分别为第i个和第j个传感器（1≤i≤N，1≤j≤N）在时刻t的滤波增益矩阵，H，Φ为常数矩阵：，。
[0010]在本专利技术的一些实施例中，所述运动几何关系包括目标船与本船的相对航速ν
R
、相对航速的方向φ
R
、目标船与本船的距离R
T
、目标船相对于本船的方位α
T
。
[0011]在本专利技术的一些实施例中，所述目标船相对于本船的方位α
T
的计算公式为：式中，为确定目标船对于本船方位的辅助角，其大小根据本船与目标船的位置关系确定，即当时，，当时，，当当时，，当当时，；其中，为目标船在X轴坐标，为本船在X轴坐标，为目标船在Y轴坐标，为本船在Y轴坐标。
[0012]在本专利技术的一些实施例中，所述步骤S4中建立避碰角决策模型包括以下步骤：
S41、计算所述本船与所述目标船的会遇距离DCPA及到达会遇点的时间TCPA；S42、设定目标函数：；其中，L
COST
为避碰行动造成的航程损失。
[0013]在本专利技术的一些实施例中，所述避碰角决策模型进行求解过程包括以下步骤：S51、初始化种群和权重向量，并计算任意两个权重间的距离，以获得邻居；S52、为每个子问题分配权重向量；S53、根据聚合函数值更新父代种群；当达到停止条件则停止，输出最优解集，否则回到步骤S2重新为每个子问题分配权重向量。
[0014]在本专利技术的一些实施例中，所述聚合函数采用切比雪夫聚合函数，公式如下：其中，表示是目标的优化向量，x是待优化变量，z为参考点。
[0015]在本专利技术的一些实施例中，所述停止条件为目标迭代次数。
[0016]本专利技术的技术方案相对现有技术具有如下技术效果：通过将多个双自主传感器对船舶当前位置的测量数据进行融合，提高了预测的可靠性和准确性。为了最大限度地减少预测误差，设计一种算法利用了人工神经网络。同时，为了提高船舶智能避碰决策的效果与效率，建立以保障船舶航行安全为目标的避碰角决策模型，将船舶的运动参数预测值作为输入量，通过多目标优化算法对目标函数进行优化，计算出最优的转向避碰角和转向时机，满足不同会遇局面下船舶转向避碰的安全性和经济型要求，大幅度降低了误检率，保证了正确率，为船舶航行、航道监控等提供信息支持，减少船舶航行中的安全隐患。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0018]图1为本专利技术船舶避碰决策方法流程图；图2为本专利技术通过两个传感器判断船舶位置以及融合产生的导航数据；图3为本专利技术中所述步骤S5的流程图；图4为本专利技术避碰决策模型最优解集；图5为本专利技术目标船仿真数据表；图6为本专利技术行进过程中本船与目标船间的距离。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通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，都属于本专利技术保护的范围。
[0020]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，包括以下步骤：S1、采集并融合多个传感器的数据得到所述船舶的导航数据；S2、根据所述步骤S1中的导航数据构建自适应神经网络并确定运动参数预测值；S3、根据所述步骤S2中的运动参数预测值构建船舶间的运动几何关系；S4、对所述步骤S3中得到运动几何关系，设定碰撞危险的度量与目标函数，建立避碰角决策模型；S5、将所述步骤S2中的运动参数预测值作为已知量，输入限制条件和所述步骤S4中的目标函数，通过多目标优化算法对避碰角决策模型进行求解；其中，所述步骤S2中的运动参数预测值通过所述自适应神经网络的响应权重确定，所述响应权重ω
i
的计算公式为：其中，m为神经网络数量，
푖
为神经网络的编号，ω
i
为第
푖
个神经网络的响应权重，ε
i
为第
푖
个神经网络预测误差，ε
min
为预测误差最小值，ε
max
为预测误差最大值。2.根据权利要求1所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述步骤S1中的导航数据由加权平均值表示：其中，(为所述船舶在笛卡尔坐标中时刻t的位置融合值，(为所述船舶在笛卡尔坐标中时刻t的船速融合值，为融合权重矩阵，(为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的位置融合值，(为对于第i个传感器（1≤i≤N）在笛卡尔坐标中时刻t的船速融合值。3.根据权利要求2所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述融合权重矩阵A
l
(t)的计算公式为：其中，P
ij
‑1(t)为第i个和第j个传感器之间的误差互协方差矩阵。4.根据权利要求3所述的一种基于数据融合轨迹预测的船舶避碰决策方法，其特征在于，所述误差互协方差矩阵P
ij
‑1(t)的计算公式为：其中，I4为矩阵，K
...

【专利技术属性】
技术研发人员：耿增涛，张子青，丁香乾，刘迅，任福鑫，李全喜，范振琳，于树松，王炳森，魏立明，赵巍，
申请(专利权)人：山东港口科技集团青岛有限公司，
类型：发明
国别省市：