0 引　言

船舶模拟驾驶系统是航海教育培训以及航海实验中的重要系统^[1]。船舶模拟驾驶系统的模拟器不断更新，真实感以及模拟功能更加完善^[2-3]。船舶模拟驾驶系统具有船舶航行全过程模拟的功能。船舶模拟驾驶系统需要具有较高的信息交互识别功能以及导航避障功能^[4]，精准识别船舶模拟驾驶过程中的障碍物，对于提升船舶航行安全具有重要意义。

目前已有众多研究学者针对船舶模拟过程中的障碍物识别进行研究。张照亿等^[5]针对船舶领域模型的障碍物进行识别，避免船舶航行过程中，由于障碍物造成船舶航行碰撞危险。罗贤程等^[6]将动态分阶势场法应用于船舶障碍物识别中，实现船舶的自动避碰。以上2种方法虽然可以有效识别船舶航海过程中的障碍物识别，但是并未考虑船舶航行过程中，船舶驾驶控制对船舶避碍的影响，存在一定的局限性。针对以上2种方法在障碍物识别中存在的问题，研究船舶模拟驾驶系统障碍物自动识别方法。针对船舶模拟驾驶系统的模拟特性，利用改进的支持向量机实现障碍物自动识别。通过实验验证该方法可以自动识别船舶模拟驾驶过程中的障碍物，具有较高的应用性，为船舶智能航行以及制定船舶航行策略提供理论依据。

1 障碍物自动识别方法 1.1 船舶模拟驾驶系统结构

船舶模拟驾驶系统的结构图如图1所示。可知，船舶模拟系统设置了电子海图以及电子导航雷达单元，采集船舶模拟驾驶过程中的环境信息。船舶控制中心利用电子导航雷达单元中，激光雷达传感器采集的船舶环境信息，提取障碍物特征。将所提取的障碍物特征作为改进支持向量机的输入，利用改进的支持向量机自动识别障碍物。船舶模拟驾驶系统依据障碍物的自动识别结果，作为模拟驾驶的决策，控制船舶的航行方向。船舶模拟系统设置了2个投影仪，360°展示不同方位角下的船舶模拟驾驶状态。选取PLC控制芯片采集驾驶台面板功能键开关量，控制船舶模拟驾驶状态。船舶模拟驾驶系统利用变频器转动舵轮，控制船舶模拟驾驶的航行方向变化。

1.2 船舶航行障碍物特征提取

船舶模拟驾驶系统从电子导航雷达单元，利用激光雷达传感器采集船舶环境信息的激光点云数据，从采集的激光点云数据中，提取船舶模拟驾驶的障碍物特征。利用自适应距离阈值聚类法作为提取障碍物特征的方法。自适应距离阈值聚类法对相邻点的距离设置阈值，提取障碍物特征。设待聚类的船舶环境激光点云数据为 $D = \left( {{r_i},{\varphi _i}} \right)$ ，其中 ${r_i}$ 与 ${\varphi _i}$ 分别为点云数据 $i$ 的位置以及角度值。点云数据 $i$ 与相邻点 $i - 1$ 的距离值计算公式如下：

${d_{i.i - 1}} = \sqrt {r_i^2 + r_{i - 1}^2 - 2{r_i}{r_{i - 1}}\cos \Delta \varphi }。$

(1)

设定距离阈值 $d'$ ，当式(1)计算结果超出阈值时，表示数据 $i$ 为断点，将数据 $i$ 前与数据 $i$ 后的数据划分为不同类别。用 ${\boldsymbol{C}} = {\left[ {{c_1},{c_2}, \cdots ,{c_m}} \right]^{\rm{T}}}$ 表示激光雷达数据聚类获取的特征集，通过聚类将激光雷达数据划分为 $m$ 个类别。利用 $（l,x,y）$ 为完成聚类后获取的障碍物特征 ${c_i}$ ，其中 $l$ 与 $x$ ， $y$ 分别表示障碍物特征在极坐标以及直角坐标下的距离值以及坐标值。船舶模拟驾驶过程中，利用障碍物的长短、形状和数量，作为障碍物特征。通过自适应距离阈值聚类法提取的障碍物特征，主要包括以下内容：

1） ${c_i}$ 类别中首个点，与前一类别 ${c_{i - 1}}$ 最终点的距离表达式如下：

${d_1}(i) = \left\{ \begin{gathered} \sqrt {{{({x_{i,1}} - {x_{i - 1,{k_{i - 1}}}})}^2} + {{({x_{i,1}} - {x_{i - 1,{k_{i - 1}}}})}^2}} ,i > 1，\\ 1，i = 1。\\ \end{gathered} \right.$

(2)

式中， ${k_i}$ 为类别 ${c_i}$ 中包含的特征数量。

2） ${c_i}$ 类别最终点，与后一类别 ${c_{i + 1}}$ 中首个点的距离表达式如下：

${d_2}(i) = \left\{ \begin{gathered} \sqrt {{{({x_{i,{k_i}}} - {x_{i + 1,1}})}^2} + {{({x_{i,{k_i}}} - {x_{i + 1,1}})}^2}} ,i < {k_i}，\\ 1，i = {k_i}。\\ \end{gathered} \right.$

(3)

3） ${c_i}$ 类别中，样本点集距离值 ${l_i}$ 的标准差 ${l'_i}$ 计算公式如下：

${l'_i} = \sqrt {\frac{1}{{{k_i} - 1}}\sum\limits_{j = 1}^{{k_i}} {{{({l_{i,j}} - {{\bar l}_i})}^2}} }。$

(4)

4） ${c_i}$ 类别中，首个点与最终点连线 ${s_i}$ 的最大距离计算公式如下：

${d_{\max }}(i) = \max \left\{ {{d_{i,j}}} \right\}。$

(5)

5） ${c_i}$ 类别中，随机点 $i$ 偏离直线 ${s_i}$ 距离的方差 ${d_\delta }(i)$ 计算公式如下：

${d_\delta }(i) = \sqrt {\frac{1}{{({k_i} - 2) - 1}}\sum\limits_{j = 2}^{{k_i} - 1} {{{({d_{i,j}} - {{\bar d}_{i,j}})}^2}} }。$

(6)

综合以上聚类结果，构建障碍物特征向量的表达式为 $c = \left\{ {{d_1},{d_2},{{l'}_i},{d_{\max }},{d_\delta }} \right\}$ 。

1.3 改进支持向量机的障碍物自动识别

选取支持向量机作为障碍物自动识别方法的分类器，选取障碍物特征向量 $c$ 与障碍物识别结果 $y$ 作为分类器的训练样本。输入支持向量机的训练样本参数为 $\left\{ {({c_i},{y_i})\left| {{y_i} \in Y} \right.} \right\}$ ，障碍物识别结果集为 $Y = \left\{ {{y_1},{y_2},{y_3}} \right\}$ ，其中 ${y_1}$ ， ${y_2}$ ， ${y_3}$ 分别表示未知障碍物、航标以及其他船舶。支持向量机在高维特征空间中，搜寻可以将所提取的障碍物特征向量，分成不同类别的超平面。用 $K\left( {{x_i} \cdot {x_j}} \right)$ 表示支持向量机将低维障碍物特征向量映射至高维空间的核函数。利用支持向量机自动识别障碍物的分类器表达式如下：

$f\left( c \right) = {\rm{sign}}\left( {\sum\limits_{i = 1}^N {\alpha _i^ * {y_i}K} \left( {{x_i} \cdot {x_j}} \right) + {b^ * }} \right)，$

(7)

式中， $\alpha _i^ *$ 与 ${b^ * }$ 分别表示拉格朗日乘子以及偏置。

选取径向基核函数作为障碍物自动识别的核函数，其表达式如下：

$K\left( {{x_i} \cdot {x_j}} \right) = \exp \left( { - \gamma {{\left\| {{x_i} - {x_j}} \right\|}^2}} \right)，$

(8)

式中， $\gamma$ 表示核参数。

采用支持向量机自动识别障碍物时，核参数 $\gamma$ 的值的确定极为重要，选取粒子群优化算法确定最优核参数 $\gamma$ 。粒子群优化算法是全局最优化算法中的重要算法。设置自动识别障碍物的支持向量机的核参数 $\gamma$ 作为粒子群优化算法中的粒子。粒子运动速度更新公式如下：

$\begin{split} {v_{ij}}\left( {t + 1} \right) = & w{v_{ij}}\left( {t + 1} \right) + {c_1}{r_1}\left( t \right)\left( {{p_{ij}}\left( t \right) - {x_{ij}}\left( t \right)} \right) +\\ &{c_2}{r_2}\left( t \right)\left( {{p_{gj}}\left( t \right) - {x_{ij}}\left( t \right)} \right)，\end{split}$

(9)

粒子位置更新公式如下：

${x_{ij}}\left( {t + 1} \right) = {x_{ij}}\left( t \right) + {v_{ij}}\left( {t + 1} \right) 。$

(10)

式中： ${v_{ij}}$ 与 ${x_{ij}}$ 分别为粒子运动速度以及粒子位置； $t$ 与 $t + 1$ 分别为当前时刻以及下一时刻； ${p_{ij}}$ 与 ${p_{gj}}$ 分别为粒子的当前最优解以及全局最优解； $w$ 与 ${c_1}$ ， ${c_2}$ 分别为惯性权重以及学习因子； ${r_1}$ ， ${r_2}$ 均为随机常数。

利用粒子群优化算法，优化应用于船舶模拟驾驶系统，障碍物自动识别的支持向量机分类器流程如下：

1）初始化粒子群优化算法参数。

2）依据支持向量机对障碍物识别的预测结果与实际结果，计算粒子的适应度值。粒子群优化算法的适应度值计算公式如下：

$f = \sum\limits_{i = 1}^N {\left| {{z_i} - {{z'}_i}} \right|}。$

(11)

式中： ${z_i}$ 与 ${z'_i}$ 分别为障碍物预测结果与实际结果； $N$ 为支持向量机的训练样本数量。

3）更新粒子运动速度以及位置。

4）计算粒子群更新后，各粒子的适应度值。

5）对比粒子最优位置与最优速度，粒子当前最优位置以及最优速度，优于全局最优位置以及最优速度时，将当前最优位置和最优速度，设置为全局最优速度以及全局最优位置。

6）粒子满足适应度值或最大迭代条件时，输出支持向量机的核参数 $\gamma$ 。

7）利用具有最优核参数的支持向量机，输出船舶模拟驾驶系统障碍物自动识别结果。

2 实验结果与分析

选取某海域作为船舶模拟驾驶的模拟对象。设置障碍物自动识别的研究海域为1000 m×1000 m。船舶模拟驾驶系统利用激光雷达传感器采集船舶模拟驾驶过程中的障碍物信息，为障碍物自动识别提供数据基础。船舶模拟驾驶系统采用的激光雷达传感器最大角度范围为180°，扫描频率为40 Hz，激光二极管波长为1 020 nm。船舶模拟驾驶系统运行时，系统显示界面图如图2所示。通过图2船舶模拟驾驶系统界面图可以看出，船舶模拟驾驶系统可以有效模拟船舶驾驶过程，实现船舶模拟驾驶海洋效果的三维动态模拟。用户采用船舶模拟驾驶系统模拟船舶航行状态时，通过系统的界面显示结果，控制船舶模拟驾驶状况。系统具有360°全景展示功能，可以观察船舶航行的周围环境状况。船舶模拟驾驶系统具有较高的真实性，可以应用于船舶驾驶的模拟训练中。

在船舶模拟驾驶系统的模拟区域中，设置5个静态障碍物。采用本文方法自动识别障碍物，利用障碍物自动识别结果，规划船舶模拟驾驶路径结果如图3所示。由图3可知，船舶模拟驾驶系统采用本文方法作为障碍物自动识别方法，可以有效识别模拟海域的障碍物。对于研究区域设置的5个障碍物，本文方法均可以精准识别。船舶模拟驾驶系统运行时，将本文方法对障碍物的识别结果，作为船舶模拟驾驶路径规划的依据，实现船舶模拟驾驶过程中的有效避障。

在船舶模拟驾驶系统的模拟区域中，设置动态障碍物，设障碍物以6 km/s的速度移动。统计采用本文方法自动识别动态障碍物的识别结果，统计结果如图4所示。可以看出，本文方法在障碍物为动态运行状态下，仍然可以精准识别。本文方法可以适应船舶模拟驾驶的复杂海洋环境变化，实现动态障碍物的自动识别。将动态障碍物的自动识别结果，作为船舶模拟驾驶避障决策的重要依据，成功规避障碍物，安全到达目标点。

统计本文方法在船舶模拟驾驶系统运行过程中，自动识别障碍物的识别结果，统计结果如表1所示。分析表1实验结果，采用本文方法可以有效识别船舶模拟驾驶过程中障碍物的具体类型。本文方法通过障碍物方向、障碍物角度以及障碍物与船舶的直线距离，精准识别障碍物，确定障碍物的具体位置。船舶模拟驾驶时，依据障碍物识别结果，精准规避障碍物，满足船舶安全航行需求。

3 结　语

针对船舶模拟驾驶系统对障碍物识别精度要求较高的特点，研究船舶模拟驾驶系统障碍物自动识别方法。将该方法应用于船舶模拟驾驶系统实际应用中。通过实验验证，该方法可以精准识别船舶模拟驾驶时的障碍物，对于静态障碍物与动态障碍物，该方法均可以有效识别。