0 引　言

近年来随着智慧交通的飞速发展，智能感知技术被应用于路上和海上的辅助交通系统中。伴随着沿海及内河航道水路运输需求的持续升高和水路航行密度大等现象的发生，事故率也越来越大，其中碰撞事故占据比重最大^[1]，且在碰撞过程中大部分是在靠泊阶段出现碰撞；激光雷达的准确感知能为船舶的靠泊提供基础，船舶通过获取到船的离岸信息辅助船长和引航员靠泊。靠泊过程中由于船速较低，船的旋回性较差，船长需要严格把控船的离岸距离；且港口内部环境复杂，船舶较多情况下需要及时避障，此时激光雷达能够较好地感知避障，获得船舶的实时态势以及靠泊的辅助等。

激光雷达在船用传感器中拥有量程范围广、测量精度高、抗干扰能力强的特点，因此被广泛应用在船舶的智慧靠泊领域。激光雷达感知性能既可以辅助船长引航员靠泊，又可以辅助无人船在繁忙水域或狭水道进行靠泊操作。

本文对激光雷达在靠泊领域的应用情况进行综述，介绍船舶靠泊的分类，对智能靠泊技术在智能靠泊中的重要感知技术进行分析，举例展示了目前船载式激光雷达和岸基式激光雷达在靠泊中的应用，并对激光雷达在靠泊中的障碍物检测、靠泊辅助、态势分析3种用途进行分析，指出激光雷达目前存在的问题，以期为激光雷达在船舶靠泊研究提供科学依据。

1 船舶靠泊技术

船舶靠泊分为自力靠泊、拖轮协助靠泊、智能靠泊3种方式。

自力靠泊主要依靠船舶自身控制设备进行靠泊，仅适合在良好气象条件下的小型船舶；拖轮协助靠泊主要依靠船舶和拖轮的配合进行靠泊，是现在中大型船舶靠泊的主流方式；智能靠泊主要依靠对传入船岸距离信息进行分析判断，对船舶和拖轮进行控制操纵，现在正处在探索实验阶段。

船舶智慧靠泊辅助系统如图1所示。可知，船舶通过激光雷达点云数据处理模块，得到船舶的实时动态信息，结合图像处理、港口信息、水文数据、气象因素和AIS数据等获得船舶靠泊姿态预测和船舶靠泊最优路线。

2 智能靠泊辅助方式

在智能靠泊辅助方面，目前通过激光雷达传感器作为靠泊辅助系统的方式分为两类：船载式激光雷达靠泊辅助系统和岸基式激光雷达辅助系统。

闫晓飞^[2]利用2台岸基式激光雷达通过处理点云数据，建立船舶靠泊信息感知模型，进行船舶态势分析；兰加芬等^[3]通过半径与统计组合滤波方法保留船舶的点云特征并除去噪点，提出一种船舶进出船厢的辅助决策系统，对于船舶的位置和姿态感知更具准确性并具有鲁棒效应。马守军^[4]通过激光雷达采集到的船首尾点云数据的变化来确定船舶靠泊偏角和离岸距离、根据首尾处点云数据的变化获得法向靠岸距离，降低平行靠泊的难度；Lee等^[5]通过机械学习结合激光靠泊辅助系统来获取船头到码头的距离进行靠泊速度预测。

相较于岸基激光雷达，船载激光雷达能够更加灵活地勘测到周围的障碍物或其他船舶；岸基激光雷达更适用于船舶辅助靠泊系统，而船载激光雷达普遍应用于无人船领域的靠泊研究。胡斌^[6]通过船载激光雷达构建基于机器人操作系统（Robot Operation System, ROS）的船舶感知框架实现无人船在靠泊阶段的自身状态和靠泊状态估计。

3 激光雷达靠泊感知技术

激光雷达（Light Detection and Ranging，LiDAR）感知技术利用激光束发射和接收来获取目标物体的位置、形状和运动等信息。

靠泊感知技术使激光雷达成为自动驾驶、机器人技术、环境监测和建筑测绘等领域中不可或缺的工具，为实现精准感知和环境理解提供重要的数据基础。

激光雷达与其他传感器的对比如表1所示。可知，激光雷达具有显著优势，包括采集数据密度大、精度高、分辨率高、抗干扰能力强和探测距离远等，因此在各个领域应用广泛。

3.1 激光雷达感知技术 3.1.1 点云数据扫描获取

激光雷达通过发射激光束并接收其回波来获取目标物体的位置信息。这些回波数据包括激光束的距离、强度和角度等信息，以及激光束的发射位置和时间戳等原始数据。在激光雷达靠泊过程中通常会采用2个激光雷达以确保扫描船舶整体。

3.1.2 点云数据预处理

原始点云数据可能存在一些噪声和无效数据，需要进行预处理以提高数据质量。预处理步骤包括去除离群噪点、滤波、降采样和坐标转换等操作。蒲文浩等^[7]采用多传感器融合的方法解决了由于点云畸形和误差积累的运动失真问题。

3.1.3 点云分割

点云分割是将点云数据按照一定的标准或规则划分为不同类别或区域的过程。点云分割是为了提取点云中的有用信息，例如物体的形状、位置、属性等，避免信息丢失、提取不完善及效率低下的问题。李鹏江^[8]提出基于核点卷积和Transformer的三维点云语义分割算法，帮助系统更好地感知外界环境。宋振杰^[9]提出2种基于图神经网络点云分类分割算法，AN-GCNet具有灵活的局部结构，在分类精度上更高，适用于更高精度的分类任务；PN-GANet在分割性能和效率方面更具优势，适合较大的点云处理和快速的分割任务。汪争锐等^[10]提出PointNet神经网络模型，该模型能充分地分割处理局部的点云数据并完成点云分类分割任务。

3.1.4 点云分类

点云分类是针对已经分割的点云进行分类识别，为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。在进行障碍物检测的时候要根据不同类的点云特征进行分类检测。利用激光雷达强度和距离信息可以提取重要特征，张蕊等^[11]提出PCA-BP点云分类方法先通过主成分分析法得到不同的地物点在三维空间的几何特征分布，再将特征输入神经网络进行训练，构建神经网络模型，最后进行激光点云分类。龚亮^[12]提出激光点云分类的基础模型，通过确定每个激光点属性，经分类处理的点云可以广泛用于后续产品制造以及后续其他分类模型。

3.2 船舶感知障碍物检测

船舶应用激光雷达障碍物检测过程为：通过激光雷达扫描获得物体的点云数据，并对数据进行预处理和坐标系转换，删除冗余数据；其次分析点云特征，借助地面分割法，将全部点云中障碍物的点分离出来；最后对障碍物进行聚类分析，分析障碍物的特征，进行障碍物识别。

在靠泊过程中，港口内部情况非常复杂，识别障碍物是靠泊的重要应用场景。Wang等^[13]提出一种以自主水面船舶（Autonomous Surface Vessl, ASV）为中心的新型船舶靠泊辅助系统（Berthing Aid System, BAS），定位模块采用SLAM算法，并根据实时运动学（Real-Time Kinematic, RTK）数据实现了船舶精准定位。该系统能够为无人船提供导航区域，通过线性拟合算法确定空闲泊位并能够实时检测船舶的基本靠泊参数。韩金霞等^[14]运用三角激光测距方法进行目标检测，可在船舶靠泊过程中实现智能导航，不与动态障碍物碰撞。

3.3 船舶智慧靠泊辅助

王卓琳^[15]通过对激光雷达点云的数据级融合，并对于融合后的激光雷达和毫米波雷达进行数据分别处理；通过激光雷达和毫米波雷达分割出目标泊位，最后利用加权融合的思想为安全高效的靠泊提供数据支持。陈静^[16]基于视觉和激光雷达融合提出无人船自主靠泊环境感知系统，利用视觉快速识别和定位岸壁，用激光雷达得出船舶离岸距离。Wang等^[17]基于三维激光雷达的扫描匹配算法，以自动驾驶车辆为参考，运用迭代最近点（Iterative Closest Point, ICP）和正态分布变换算法和变体来实现无人船的自主导航，通过实验验证对于不同帧的最适用算法。

3.4 船舶靠泊态势分析

郭钰菡等^[18]通过激光雷达置于岸基的合适位置使船舶运动在视野中央扫描点云数据，抓取船舶主要的特征点来判断船舶的靠泊轨迹趋势；同时搭建数据采集、数据处理中心、数据发布3个部分并通关网络连接组成船舶靠泊辅助系统。Chen等^[19]采用主成分分析法计算船舶航向和法向量；确定船首、船尾的特征点，对动态船舶船首船尾对于船坞的距离角速度等进行定性和定量分析。Wang等^[20]提出一种结合GIS空间理论，分割提取出最佳船体分割区域且能够可视化船舶和海岸之间的空间关系特征。

3.5 激光雷达在船舶靠泊过程中的应用

在复杂的港口环境下，仅凭借船长和引航员的相关经验还不能提高成功安全靠泊的概率。无人船在水上交通领域发挥着越来越重要的作用，很多危险性高的探测任务都需要它们来完成。因此，激光雷达对于智慧船舶靠泊发挥重要作用；一方面可以应用于船长的靠泊辅助系统，另一方面可以帮助无人船实现自动靠泊。

对于无人船上的应用研究：2015年中国船级社发布全球首个《智能船舶规范》，2018年国际海事组织（International Maritime Organization, IMO）确定了水面自主航行船舶，并启动了国际航运法规和修订工作，2024年中国船级社发布了新版的《智能船舶规范》，新的规范将进一步引导工业界智能产品迭代升级，增强市场的竞争性和应用实效。促进智能技术在拖轮、内河船舶、极地航行、辅助航行、远程遥控等领域的应用和推广^[21]。

参考无人车、无人船的感知和雷达技术，穆胜军等^[22]通过激光雷达开发了“三用工作船智能辅助靠泊系统”，实现了工作船在船尾靠泊的横向和纵向测距和并靠中的测距，可以有效消除船长的视野盲区，还可以结合港口的水文数据、码头信息、AIS系统和图像信息进行船舶靠泊辅助系统的研发，帮助引航员和船长进行靠泊。

4 靠泊辅助系统的构成

BAS的核心是对入港船舶的靠泊信息进行采集，增强控制系统对船舶运动状态的感知。船舶辅助靠泊过程如图2所示。

热红外、微光、激光雷达融合全景系统，如图3所示。基于三维点云船舶态势信息如图4所示。船舶动态信息提取流程图如图5所示。

在对激光雷达三维点云数据预处理后，根据靠泊船舶的干舷高度、码头水线以上高度和船舶运动姿态等信息，适当考虑冗余程度，在点云数据中，提取船舶与码头接触的区域（船舷截线），用于船舶动态信息的提取，可有效提高数据处理速度与效率，降低通信传输压力。

靠泊指挥控制中心可实时向便携手持终端推送船舶靠泊所需的各类信息，包括视频图像、靠泊参数、环境参数、船舶参数和辅助决策信息等，其硬件平台为平板电脑或手机，为引航员、拖船船长实时提供直观、精确、迅速的助航信息，降低主观偏差，为船舶靠泊安全操作提供精准支持、减轻人为观测压力、提升安全靠泊能力。

针对船舶自身信息（型深、吃水、重心、回转半径）、码头信息（泊位）、环境信息（气象水文）等相关信息给出船舶停靠建议以及靠泊规划路径。在此基础上，后续将利用人工智能等技术，基于历史数据，提升辅助决策分析能力。

无人船领域BAS运用激光雷达感知流程图如图6所示。通过将相邻的激光点进行配准以获得当前点云与前一帧点云之间的位姿差，再利用位姿差将激光雷达从前一帧位姿变换到当前位姿实现船舶定位；再基于ROS感知框架，将港口当地的坐标系转换成激光雷达坐标系，从而构建地图坐标，通过感知船舶的运动信息实现自动靠泊，该靠泊的感知框架可以结合RTK系统实现更为准确的船舶位置。

5 结　语

本文总结了船舶智能靠泊技术的研究现状，可知通过激光雷达靠泊辅助系统能够提高靠泊的安全性和作业效率，并指出当前阶段存在的问题：激光雷达在靠泊领域设备昂贵且水上测量距离小于实际距离导致无法实现测量预期；在智能靠泊辅助系统中，船舶靠泊态势分析需通过大量船舶数据训练，但对于特种船舶还需要额外考虑；如何在局部出现点云数据丢失的情况下建立有效船舶预测方法等。未来可以利用激光雷达通过三维点云数据的处理，搭建虚拟的靠泊场景，将激光雷达与更多精细化传感器融合，把船舶运动态势实时准确地在操作界面可视化，并加入人工智能等辅助决策，提高靠泊的高效性、安全性，为实现智能航运提供参考。