2. 南方海洋科学与工程广东省实验室(珠海),广东 珠海 519082;
3. 武汉理工大学 智能交通系统研究中心,湖北 武汉 430063;
4. 武汉理工大学国家水运安全工程技术研究中心,湖北 武汉 430063;
5. 武汉市敏控科技有限公司,湖北 武汉 430070
2. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519000, China;
3. Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan 430063, China;
4. National Engineering Research Center Water Transport Safety, Wuhan University of Technology, Wuhan 430063, China;
5. Wuhan Minkong Technology Co., Ltd., Wuhan 430070, China
船舶智能航行技术的研究和应用能够减少船舶污染气体排放,降低船员劳动强度,提高航运的效率并降低船舶运输成本。现阶段对智能航行技术的研究热点主要集中在船舶与环境感知、决策(全局航线与避碰路径规划)以及船舶运动控制方面。
船舶的感知、决策、控制等功能的实现及应用,需要经过严格的可靠性测试和验证才能投入应用,对船舶智能航行功能的测试验证具有十分重要的意义。孙峰等[1]基于《国际海上避碰规则》研究并量化船间关系和行动准则等关键概念,依托典型化虚拟测试场景提出测评指标体系的构建原则。刘佳仑等[2]提出了以虚拟仿真为初试、模型测试为中试和实船验证为终试的智能船舶航行功能测试验证方法体系。虚拟测试具有成本低,无风险等优点,但仿真结果与现实存在差异。
在目前的船舶智能航行技术测试研究工作中,小型无人水面自主船(Unmanned Surface Vehicle, USV)是常见的测试平台,被用于船舶路径跟随控制[3-5]、自主避碰[6]、编队控制[7]等功能的测试验证。在实际工程应用中,船舶运动控制算法会受到船体操纵运动特性的影响和制约,USV作为特殊建造的船体,无法充分表现出各类船舶的运动特征。因此,开发缩尺比船模作为试验平台成为船舶智能航行功能测试验证研究的重要手段[8-11]。本文选取多种内河与远洋的典型船型,采用合适缩尺比搭建了“求新”系列模型船,并为其配备相应的软硬设备使其能够满足路径跟随、自主避碰、编队航行、远程驾驶等船舶智能航行功能的测试验证需求,最终形成了一套基于模型船的物理试验测试平台,为船舶智能航行功能测试验证提供技术支撑。
1 试验平台总体设计模型船试验平台的设计启发来源于传统船模自航试验中的自由自航法,以缩尺比船模作为试验对象能更好模拟实际控制对象的操纵特性,使测试结果更具可靠性。“求新”系列模型船选取了包括典型超大型油船、内河集装箱船、内河首尾同型渡船、拖轮在内的多种船型,并配置相应的桨、舵、侧推器、全回转推进器等推进装置,具体情况如表1所示。
严新平等[12]提出了服务于智能船舶航行的“航行脑”系统,将其分为“感知空间”“认知空间”和“决策执行空间”。本文借鉴“航行脑”系统设计理念及模块化设计方法,将模型船试验平台分为能源管理、感知、决策、执行、通信5大模块,建立船-岸-云3大监控与数据采集系统,如图1所示。目前,试验平台配备了基本的船舶位置/姿态感知设备,能够为数据驱动建模、船舶运动控制、自动避碰、编队控制等提供可靠监测数据。基于Python开发了软件控制界面,并利用MySQL开发了模型船数据库,为试验平台提供监控与数据采集服务。
模型船能源管理模块由太阳能发电板、48 V锂电池以及多个DC/DC转换器组成。48 V锂电池是船舶主要电力来源,其输出的电力被分别转换为48 V、24 V以及12 V电压。其中48 V电压将直接供给执行模块的驱动器与伺服电机;24 V供电用于常规控制信号,如PLC供电、各种保护限位及传感器;12 V供电为气象站等感知设备供电。太阳能发电板为电源辅助供电单元,正常状态下为锂电池提供少量电能补充。当锂电池电能不足时,它提供系统最低电能保障,保障定位与通信设备的最低能源消耗,通过4G、北斗卫星通信等方式发送船舶当前位置信号。平台同时配备了带有PoE供电功能的网络交换机,能为基于IP的终端(如监控摄像头、无线路由器等)提供直流电使其正常运行。
2.2 感知模块智能船舶的安全高效控制在很大程度上依赖于具有感知、状态估计、环境感知和态势感知能力的合适导航系统,感知模块为这些功能的测试验证提供平台基础。目前,雷达、激光雷达、声呐以及各种视觉传感器等设备已被广泛应用于智能船舶感知技术开发中。结合模型船和实船应用环境的特点,对这些感知设备的优缺点和适用性进行分析,如表2所示。
为了利用不同传感器的特性,取得优异的导航性能,通常采用异构传感器对试验船舶进行配置。基于对以上传感器特性的分析,试验平台的感知模块安装了包括支持实时差分定位(Real-Time Kinematic, RTK)的全球卫星导航系统(Global Navigation Satellite System, GNSS),惯性测量单元(IMU),能够为运动控制等提供可靠的位置和姿态信息,如表3所示。同时,还对超宽带无线定位技术(Ultra-Wide Band, UWB)以及双目相机在智能船舶功能测试验证技术开发中的应用进行了探索。
决策模块是模型船试验平台的核心模块,其包括数据采集板、网络交换机、船载计算机、VPN网关以及可编程逻辑控制器(Programmable Logic Controller,PLC)等组件。各感知设备的信号将通过RS485、RS232,TCP/IP,LoRa等通信接口传输至数据采集板,由其进行汇总和处理后通过网络交换机传输至船端计算机进行存储和分析;网络交换机能为船端计算机、数据采集板、PLC和VPN网关等设备提供信息交换服务;船端计算机能接收来自船、岸、云端的信息,对船舶进行监控和数据存储,并为需要功能测试的算法提供物理承载;PLC控制器是执行模块的“大脑”,能够将船端计算机提供的指令下达给驱动器,通过伺服电机驱动推进装置运行,也能对来自伺服电机反馈的状态信息进行监控,并提供应急保护。
2.4 执行模块执行模块是直接控制船舶运动的单元,为拟合实际船舶的操纵性能,试验平台安装了与模型船相同缩尺比的各类推进装置模型,并采用伺服电机为推进装置提供动力。伺服电机将电压信号转化为转矩和转速以驱动控制对象,迅速响应决策模块发出的控制指令,并通过调节相关参数设置螺旋桨加速度、舵的旋转速度等,模仿实际船舶设备的工况,驱动器与伺服电机相关技术参数如表4所示。
通信模块的效率和可靠性将直接影响试验平台的测试验证能力。目前,试验平台借助以太网,WIFI,4/5G,LoRa电台、北斗通信卫星等手段和设备实现船用设备-船用设备,船-船,船-岸,船-云,岸-云,船-卫星之间的通信。船用设备间的通信能够保证环境与船舶航行信息的正常采集记录,以及控制命令的收发。船与船之间能够利用LoRa电台和WIFI设备进行通信,为编队控制提供可行的通信方案。试验平台通信拓扑结构如图2所示。
WIFI能够保证在试验水池/小范围封闭水域(约80 m)内的通信效果,LoRa作为一种功率小、范围广、抗干扰能力强的新兴调制解调技术,在海上和大范围封闭水域内能够保证20 km范围内的通信能力。由于WIFI/LoRa电台通信技术的可靠性,其也被用作船端与岸基的通信方式,此外,船端与岸端也利用4/5G通信技术作为冗余通信方式。岸端各设备间采用以太网有线通信进行连接,保障通信的稳定性和快速性。船端与云端能通过基站利用4/5G信号进行通信,也能借助岸基平台实现更加稳定的通信效果。由于实际航行场景下船舶可能受气象海况等因素的干扰出现通信中断情况,试验平台同时开发了北斗卫星的短报文功能。作为一种天基通信方式,北斗短报文具备了卫星通信的所有优点,如全天候、全域广覆盖、可靠性高等,已被用于海事、科考等领域。试验平台安装的北斗通信定位单元能提供区域短报文,在中国及周边地区范围内提供平均60 s一次的短报文服务,每次通信可以传输72 Bit的信息,为试验船舶提供极端环境下的通信保障。
2.6 监控与数据采集系统作为面向船舶智能航行功能测试验证开发的物理试验平台,模型船应具备可靠的数据采集与存储功能,以服务于算法性能分析等用途。试验平台开发了船-岸-云三位一体的监控与数据采集系统,能够在船、岸、云三端进行数据监控和采集;平台能够以50 Hz的频率采集并存储包括船舶位置、首向、六自由度速度、风速、风向、基准站定位数据、船用伺服电机读写数据等。
3 物理试验测试平台应用为检验模型船试验平台的效果,利用“求新4号”分别进行了回转试验和Z形试验。回转试验能测定船舶回转性能,其试验流程为:使船舶以设定速度直航稳定后,转舵到设定舵角并保持不变,船舶进入回转,当转首达540 °时试验结束。“求新4号”部分回转试验结果如图3所示。Z形操纵试验是一种用来衡量船舶机动性能的试验方法,也是确定船舶K、T指数公认的标准方法。“求新4号”部分Z形试验结果如图4所示。
试验水池尺寸为60 m×80 m,在测试过程中,“求新4号”螺旋桨转速被设定为10 Hz,左右舵同时同值变化,船舶对地速度约为0.5 m/s。通过回转试验与Z形试验测试,模型船试验平台的操纵性能和数据记录能力得到验证。结果表明,所开发的试验平台能为船舶智能航行功能测试验证提供技术支撑。
4 结 语本文提出基于“航行脑”系统设计思想的模型船物理试验平台,为智能航行功能测试验证提供技术支持。目前,已基于所开发的物理试验平台实现了船舶航向预测模型辨识,并基于辨识模型实现了路径跟随的预测控制[13]。未来,试验平台将在以下3个方面进行优化和创新:
1)面向智能航行功能测试验证体系研究,开发基于模型船试验平台的测试方案,降低测试成本与测试风险,提高测试效率与测试结果可靠性,充分发挥缩尺比模型船在测试验证领域中的优势,探索其在操纵性预测、能效评估等领域的应用。
2)面向航行过程中态势感知功能的开发测试,开发基于智能船舶异构传感器多模态感知融合方法。对文本、图像、音频、视频等多个领域的信息进行融合,为试验平台提供基于多源信息的感知支持,增强感知系统的可靠性和容错性。
3)面向数据库维护管理,保护船舶测试数据可用性、完整性和保密性,确保经过网络传输和交换的数据不发生增加、修改、丢失和泄露等。
[1] |
孙峰, 蔡玉良, 马吉林. 船舶智能避碰策略测试方法与指标研究[J]. 交通信息与安全, 2019, 37(5): 84-93. DOI:10.3963/j.issn.1674-4861.2019.05.012 |
[2] |
刘佳仑, 杨帆, 马枫, 等. 智能船舶航行功能测试验证的方法体系[J]. 中国舰船研究, 2021, 16(1): 45-50. DOI:10.19693/j.issn.1673-3185.01780 |
[3] |
MU D, WANG G, FAN Y, et al. Path following for podded propulsion unmanned surface vehicle: Theory, simulation and experiment[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2018.
|
[4] |
文元桥, 杨吉, 李通, 等. 一种面向科研试验的无人艇[J]. 船舶工程, 2019, 41(1): 11-16+39. DOI:10.13788/j.cnki.cbgc.2019.01.03 |
[5] |
GU N, PENG Z, WANG D, et al. Anti-disturbance coordinated path following control of robotic autonomous surface vehicles: theory and experiment[J]. IEEE/ASME Transactions on Mechatronics, 2019, 24(5): 2386-2396. |
[6] |
NAAEM W, IRWIN G W, YANG A. COLREGs-based collision avoidance strategies for unmanned surface vehicles[J]. Mechatronics, 2012, 22(6): 669-678. DOI:10.1016/j.mechatronics.2011.09.012 |
[7] |
刘彬. 多无人艇协同编队控制理论及实验研究[D]. 武汉: 华中科技大学, 2019.
|
[8] |
THYRI E H, BREIVIK M, LEKKAS A M. A Path-velocity decomposition approach to collision avoidance for autonomous passenger ferries in confined waters[J]. IFAC-Papers online, 2020, 53(2): 14628-14635. DOI:10.1016/j.ifacol.2020.12.1472 |
[9] |
SHEN H, 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. DOI:10.1016/j.apor.2019.02.020 |
[10] |
HINOSTROZA M A, XU H, SOARES C G. Motion planning, guidance, and control system for autonomous surface vessel[J], Offshore Mechanics and Arctic Engineering, 2018.
|
[11] |
WANG Y, CHAI S, NGUYEN H D. Experimental and numerical study of autopilot using Extended Kalman Filter trained neural networks for surface vessels[J]. International Journal of Naval Architecture and Ocean Engineering, 2020(12): 314-324. DOI:10.1016/j.ijnaoe.2019.11.004 |
[12] |
严新平, 吴超, 马枫. 面向智能航行的货船“航行脑”概念设计[J]. 中国航海, 2017, 40(4): 95-98+136.
|
[13] |
WANG L, LI S, LIU J, et al, Data-driven model identification and predictive control for path-following of underactuated ships with unknown dynamics [J], International Journal of Naval Architecture and Ocean Engineering, 2022.
|