0 引　言

智能避障方法可合理规划船舶航迹，精准避障其余船舶，避免出现碰撞危险^[1]。罗贤程等^[2]通过模糊综合评价法获取船舶碰撞危险度，按照不同危险度，确定船舶的避让行动，通过动态分阶势场，建立船舶航行环境模型，并获取船舶航行指令，按照航行指令控制船舶自动舵，实现船舶避让。该方法可实现船舶的避让行动，确保本船与附近船舶在安全距离以外航行，但该方法虽具备较优的实时性，较好的处理船舶避让时的模糊信息，但不存在自适应学习性能，无法在动态环境时，实现船舶避让行动。刘忠等^[3]通过在人工势场法内添加斥力函数，制定船舶避障策略，实现船舶避障，解决船舶避障过程中引力较大问题，结合模拟退火法，帮助该方法在获取船舶避障策略时，跳出局部最小值。该方法在进行船舶避障实验中，具备一定的可行性，但该方法避障处理的实时性较差，在动态环境下的避障效果较差。

网络感知信息是通过不同传感器，获取目标本身与附近环境的全部信息，信息获取精度与效率均较优^[4]，利于为船舶安全航行提供帮助。为此研究基于网络感知信息的船舶航迹规划智能避障方法，实现船舶航迹规划智能避障，确保船舶航行安全。

1 网络感知信息的船舶航迹规划智能避障方法 1.1 多源船舶航迹网络感知信息融合

在船舶运行过程中，利用4G固态雷达、激光雷达、超声波传感器进行网络感知，获取船舶自身状态信息，通过GPS与惯导系统实现船舶自身位置与航向角信息的网络感知。船舶运行过程中，其自身发送频率会影响各传感器获取的网络感知信息，网络感知信息获取的延时性较高^[5]，利用插值法预测船舶运动航迹，降低网络感知信息获取的延时性，t时刻后，船舶位移 $ {x_{t + \Delta t}} $ 、速度 $ {v_{t + \Delta t}} $ 为：

$ \left\{ \begin{gathered} {x_{t + \Delta t}} = f\left( {{x_t} + \Delta x} \right)，\hfill \\ {v_{t + \Delta t}} = f\left[ {6\left( {\frac{{\Delta x}}{{2\Delta t}} - \frac{{{v_t}}}{3}} \right)} \right]。\hfill \\ \end{gathered} \right. $

(1)

其中： $ {x_t} $ ， $ {v_t} $ 为t时刻船舶的位移、速度与加速度； $ \Delta t $ 为网络感知信息更新的时间间隔； $ \Delta x $ 为1艘船舶更新2次后的位置之差；f为时间更新频率。

多传感器融合的前提是对各传感器展开时间与空间对准，经由对比分析各传感器获取的网络感知信息的时间戳完成时间对准^[6]，以本船为原点，船首与左舷方向为X，Y轴，按照本船激光雷达所处的船舶随体坐标体系为基准，完成空间对准。将船舶的经纬度坐标变更成UTM(Universal Transverse Mercator，全局坐标)，本船的UTM坐标是 $ \left( {{X_{UTM0}},{Y_{UTM0}}} \right) $ ，附近船舶坐标为：

$ \left\{ \begin{gathered} {X_r} = \alpha \left( {\cos \theta {X_{UTM1}} + \sin \theta {Y_{UTM1}}} \right) - \hfill\\ \qquad \alpha \left( {\cos \theta {X_{UTM0}} + \sin \theta {Y_{UTM0}}} \right)，\hfill \\ {Y_r} = \alpha \left( {\cos \theta {Y_{UTM1}} - \sin \theta {Y_{UTM1}}} \right) - \hfill \\ \qquad \alpha \left( {\cos \theta {Y_{UTM0}} - \sin \theta {Y_{UTM0}}} \right)。\hfill \\ \end{gathered} \right. $

(2)

其中：α为坐标变更系数；θ为在UTM坐标系下船舶的首向角，经由惯导获取θ； $ \left( {{X_{UTM1}},{Y_{UTM1}}} \right) $ 为附近船舶的UTM坐标。通过式(2)完成各传感器获取的网络感知信息的空间对准。

各传感器获取的网络感知信息经过时间与空间对准后，能够获取本船附近船舶的坐标 $ \left( {{X_{r,1}},{Y_{r,1}}} \right) $ ， $ \left( {{X_{r,2}},{Y_{r,2}}} \right) $ ， $ \left( {{X_{r,3}},{Y_{r,3}}} \right) $ ， $ \left( {{X_{r,4}},{Y_{r,4}}} \right) $ ，利用式(3)融合各传感器感知的多源位置信息，获取融合后的位置感知信息 $ \left( {{{\bar X}_r},{{\bar Y}_r}} \right) $ 为

$ \left\{ \begin{gathered} {{\bar X}_r} = {\omega _1}{X_{r,1}} + {\omega _2}{X_{r,2}} + {\omega _3}{X_{r,3}} + {\omega _4}{X_{r,4}}，\hfill \\ {{\bar Y}_r} = {\omega _1}{Y_{r,1}} + {\omega _2}{Y_{r,2}} + {\omega _3}{Y_{r,3}} + {\omega _4}{Y_{r,4}}。\hfill \\ \end{gathered} \right. $

(3)

其中： $ \left( {{X_{r,1}},{Y_{r,1}}} \right) $ ， $ \left( {{X_{r,2}},{Y_{r,2}}} \right) $ ， $ \left( {{X_{r,3}},{Y_{r,3}}} \right) $ ， $ \left( {{X_{r,4}},{Y_{r,4}}} \right) $ 为4G固态雷达、激光雷达、超声波传感器与GPS感知的位置信息； $ {\omega _1} $ ， $ {\omega _2} $ ， $ {\omega _3} $ ， $ {\omega _4} $ 为相应的权重。

1.2 构建船舶航迹规划中碰撞危险度模型

依据多源船舶航迹网络感知信息融合结果，构建船舶航迹规划中碰撞危险度模型，并求解附近船舶的运动参数。依据网络感知信息获取本船与附近船舶的位置坐标 $ \left( {{{\bar X}_u},{{\bar Y}_u}} \right) $ ， $ \left( {{{\bar X}_o},{{\bar Y}_o}} \right) $ ，利用式(1)获取船舶X，Y轴的速度分量 $ \left( {{v_{u,x,t}},{v_{u,y,t}}} \right) $ ， $ \left( {{v_{o,x,t}},{v_{o,y,t}}} \right) $ 。依据这些信息求解本船与附近船舶运动参数，船航迹规划的速度矢量 $ \left( {{v_u},{\xi _u}} \right) $ 为：

$ \left\{ \begin{gathered} {v_u} = {\left( {\sqrt {{v_{u,x,t}}} + \sqrt {{v_{u,y,t}}} } \right)^2} ，\hfill \\ {\xi _u} = \arctan \frac{{{v_{u,y,t}}}}{{{v_{u,x,t}}}}。\hfill \\ \end{gathered} \right. $

(4)

其中： $ {v_u} $ ， $ {\xi _u} $ 分别为本船速度大小与方向。

同理，获取附近船舶的速度矢量 $ \left( {{v_o},{\xi _o}} \right) $ 。附近船舶相对于本船的相对速度矢量 $ \left( {{v_b},{\xi _b}} \right) $ 为：

$ \left\{ \begin{gathered} {v_b} = {\left( {\sqrt {{v_{b,x,t}}} + \sqrt {{v_{b,y,t}}} } \right)^2} = {\left( {\sqrt {{v_{o,x,t}} - {v_{u,x,t}}} + \sqrt {{v_{o,y,t}} - {v_{u,y,t}}} } \right)^2} ，\hfill \\ {\xi _b} = \arctan \frac{{{v_{b,y,t}}}}{{{v_{b,x,t}}}} = \arctan \frac{{{v_{o,x,t}} - {v_{u,x,t}}}}{{{v_{o,y,t}} - {v_{u,y,t}}}}。\hfill \\ \end{gathered} \right. $

(5)

附近船舶和本船间的相对距离R为：

$ \left\{ \begin{gathered} R = {\left( {\sqrt {{{\bar X}_o} - {{\bar X}_u}} + \sqrt {{{\bar Y}_o} - {{\bar Y}_u}} } \right)^2}，\hfill \\ \eta = \arctan \frac{{{{\bar X}_o} - {{\bar X}_u}}}{{{{\bar Y}_o} - \bar Y}}。\hfill \\ \end{gathered} \right. $

(6)

本船与附近船舶最近会遇距离(DCPA)是本船几何中心至遇船舶相对运动线间的垂直距离，即

$ DCPA = R\sin {\varphi _b} - R\sin \pi - R\sin \eta。$

(7)

在会遇船舶处于本船左舷情况下，会遇船舶过本船船首是负，过本船船尾是正；在会遇船舶处于本船右舷情况下，会遇船舶过本船船首是正，过本船船尾是负。最小会遇时间(TCPA)就是会遇船舶到达相对运动线垂足需要的时间，垂足代表最近会遇点(Closest Point of Approach，CPA)为：

$ TCPA = \frac{{R\cos {\varphi _b} - \cos \pi - \cos \eta }}{{{v_b}}}。$

(8)

在会遇船舶到达CPA情况下，TCPA是负，说明本船和会遇船舶无碰撞危险，否则，TCPA是正，说明本船和会遇船舶存在碰撞危险。对船舶航迹规划中出现碰撞危险的4个客观因素R_T、船速比v₀/v_u，DCPA，TCPA展开综合评价，塑造船舶航迹规划中碰撞危险度综合评判模型，各客观因素的隶属度函数如下：

$ {\gamma _{{R_T}}} = \left\{ \begin{gathered} 1，\mathop {}\nolimits_{} R \leqslant {D_1}，\hfill \\ 0，\mathop {}\nolimits_{} R > {D_2} ，\hfill \\ \end{gathered} \right. $

(9)

$ {\gamma _{{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}}} = 1 + \dfrac{1}{{\dfrac{2}{{\left( {{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}} \right)\sqrt {{{\left( {{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}} \right)}^2} + 2\left( {{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}} \right)\sin C} }}}}，$

(10)

$ {\gamma _{DCPA}} = \left\{ \begin{gathered} 1，\mathop {}\nolimits_{} DCPA \leqslant {d_1}，\hfill \\ 0，\mathop {}\nolimits_{} DCPA > {d_2} ，\hfill \\ \end{gathered} \right. $

(11)

$ {\gamma _{TCPA}} = \left\{ \begin{gathered} 1，\mathop {}\nolimits_{} DCPA \leqslant \frac{{{{\left( {\sqrt {{D_1} - DCPA} } \right)}^2}}}{{{v_b}}} ，\hfill \\ 0，\mathop {}\nolimits_{} DCPA > \frac{{{{\left( {\sqrt {6 - DCPA} } \right)}^2}}}{{{v_b}}} 。\hfill \\ \end{gathered} \right. $

(12)

其中：d₁为安全会遇距离；d₂为安全通过距离；γ_DCPA=1时，说明本船具有碰撞危险，γ_DCPA=0时，说明本船无碰撞危险；D₁为最晚避障距离；D₂为采取避障措施距离；C为碰撞角。

船舶航迹规划中碰撞危险度模型如下：

$ \gamma = {\omega _R} \cdot {\gamma _R} + {\omega _{{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}}} \cdot {\gamma _{{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}}} + {\omega _{DCPA}} \cdot {\gamma _{DCPA}} + {\omega _{TCPA}} \cdot {\gamma _{TCPA}}。$

(13)

其中： $ {\omega _R} $ ， $ {\omega _{{{{v_o}} \mathord{\left/ {\vphantom {{{v_o}} {{v_u}}}} \right. } {{v_u}}}}} $ ， $ {\omega _{DCPA}} $ ， $ {\omega _{TCPA}} $ 为各客观因素的权重。

利用式(13)判断本船在船舶航迹规划中与会遇船舶是否存在碰撞危险。

2 试验结果与分析

以某地区的部分海域为试验场地，该部分海域长宽在3 000 m，2 000 m左右，深度10 m，试验所用船舶为1艘长1.8 m，宽0.5 m的全力推进船舶，利用本文方法对该艘船舶航迹规划进行智能避障处理。试验开始前，在该艘船舶四周安装4G固态雷达、激光雷达、超声波传感器，在船舶内部安装GPS与惯导，前3个传感器均安装在距离水面0.6 m左右处，俯角为15°。利用Mobotsim仿真软件进行船舶航迹规划智能避障试验。

利用本文方法感知该艘船舶附近船舶的效果，感知结果如表1所示。根据表1可知，在不同时间内，本文方法均可有效感知本船附近区域不同类型的船舶，且感知到的附近船舶坐标与实际坐标非常接近，本文方法可精准感知附近船舶的坐标信息。

利用Mobotsim仿真软件分析本文方法在处理单一左交叉会遇冲突场景下的智能避障效果，左交叉会遇冲突场景时的智能避障结果如图1所示。根据图1可知，在左交叉会遇冲突场景下，本文方法可有效进行船舶航迹规划智能避障处理，改变本船航迹方向，确保本船无碰撞危险，完成智能避障后，便可恢复至设定航迹。结果表明，在单一船舶左交叉会遇冲突场景下，本文方法可有效避障规划船舶航迹，避免出现碰撞危险。

利用Mobotsim仿真软件设计复杂会遇环境，分析本文方法在处理本船处于复杂会遇情况下的智能避障效果，智能避障处理结果如图2所示。从图2可知，本文方法在本船感知到附近船舶后，可有效在不同时刻重新规划本船的航迹，避免出现船舶碰撞情况，完成船舶航迹规划智能避障处理，表明本文方法可有效完成船舶航迹规划智能避障处理，确保船舶不会出现碰撞危险。

通过本船和目标船在航行过程中的两船距离，以及本船避障目标船时的航向角，分析本文方法智能避障的有效性，结果图3和图4所示。由图3可知，本文方法在进行船舶航迹规划智能避障处理时，在不同航行时间时，本船与各目标船的距离均大于安全距离，同时本船与各船间的最小距离，依旧明显高于安全距离。根据图4可知，本文方法在进行船舶航迹规划智能避障处理时，本船经过目标船时的航向角变化曲线非常平稳，没有抖动情况。表明本文方法进行避障处理时，能够合理控制本船的航向角，确保船舶航行安全。

3 结　语

船舶航行的关键是安全航行，为避免出现碰撞危险，需研究智能避障方法，确保船舶精准避开附近船舶，为此研究基于网络感知信息的船舶航迹规划智能避障方法，通过各类型传感器完成船舶本身及附近环境的网络信息感知，根据感知的网络信息，设计智能避障方法，实现船舶航行规划的智能避障处理，确保船舶不会出现碰撞危险。