0 引　言

船舶航行的海洋环境复杂，洋流运动、海水密度与天气差异等，干扰因素影响船舶的稳定航行。传统的人工航行控制方式无法达到现代船舶航行对安全性、高效性的要求^[1]。船舶智能航行控制为航运业带来变革，可实现复杂扰动下的自主决策、航迹优化、实时避碰及能效管理，提升航行安全性与稳定性，减少人为因素影响，保证航运效率^[2]。目前，国内外学者对此展开研究。Cui等^[3]基于VDN划分船舶导航任务，结合深度神经网络与改进PPO算法生成航行学习模型，完成智能导航控制，但复杂扰动环境下PPO算法有收敛性问题，导致避碰与分配任务效率低下。刘训文等^[4]引入自适应神经网络优化PID控制器参数，实现船舶航向控制，但自适应神经网络在极端或未知扰动下因船舶动力学模型变化，性能受限，导致航向偏差大。陶毅涵等^[5]通过深度学习算法预测障碍物设计避碰方案，利用航迹规划与跟踪控制器，实现航迹跟踪控制，但复杂扰动下深度学习算法易过拟合，影响轨迹控制效果。隋丽蓉等^[6]创建多船舶智能体避碰模型，引入规则约束与熵正则项实现多船航行避碰，但复杂扰动时会干扰多船舶智能体通信，造成避碰决策不准确。

径向基神经网络以径向基函数为激活函数的人工智能神经网络，其优势显著：泛化性强，可适应复杂数据，避免过拟合，保障复杂场景应用稳定性^[7]；结构简单且局部响应特性高，收敛快，能以随机精度向任意持续函数逼近，处理复杂非线性问题能力强。为此，本文设计基于人工智能的船智能航行控制系统，选取的人工智能技术为径向基神经网络，实现复杂扰动下的船舶智能航向与航速控制，保证船舶的稳定航行。

1 船智能航行控制系统研究 1.1 系统整体架构设计

为实现船舶的智能航行控制，结合人工智能技术，设计船舶智能航行控制系统，其架构如图1所示。

各关键模块描述如下：

1）智能感知模块。使用各种传感器（如雷达、声呐、摄像头、AIS等），在AI技术的驱动下，收集目标船舶周围环境的实时数据。

2）数据处理分析模块。对智能感知模块所收集到的船舶航行数据实施融合、滤波及特征提取等预处理，生成对周围环境状态的准确描述，并生成船舶的运动模型与坐标系。

3）智能控制模块。将预先设定的航行轨迹计划转化为控制指令，操控船舶的推进系统、舵机等执行机构。该模块的核心为融入径向基神经网络的PLC智能控制器，在该模块控制下，确保船舶的稳定航行和精确航向跟踪。

4）人机交互模块。为操作人员提供人机交互界面，操作人员通过该界面监控船舶航行状态、接收系统建议、并实施航行干预和调整。

5）通信模块。负责与其他船舶、岸基设施或卫星间的通信，以获取信息支持，并与其他系统协同工作。

1.2 系统主要硬件结构设计

该系统的硬件包括船载硬件与岸基硬件。其中，岸基硬件为显示器终端，负责存储、处理、分析智能感知模块实时采集的船舶航行数据，并提供交互界面与通信接口；船载硬件包括PLC智能控制器、智能感知设备、数据采集板、驱动器、GPS天线等，负责采集船舶航行数据，保证船舶航行的稳定性。该系统的主要硬件组成结构设计情况如图2所示。

1.3 系统软件部分控制实现 1.3.1 船舶航行坐标及模型构建

在船舶智能航行控制场景下，目标船舶海上的航行运动主要遵循纵移、横移和艏摇三自由度，对其控制能满足实际航行需求，实现智能航行控制与轨迹追踪。为此，本文船舶智能航行控制系统数据处理模块，依据智能感知模块采集的船舶航行数据，建立2种关键坐标系与运动模型，为智能控制模块实现船舶智能航行控制奠定基础。

一种以船舶自身为参考的附体坐标系$ D $，紧密关联船舶的运动状态，描述船舶各部分的相对运动；另一种以地球为参考的惯性坐标系$ A $，提供宏观、稳定的参考框架，便于确定船舶在航行空间中的位置与运动趋势。通过2种坐标系的协同运用，该系统能够精准地计算船舶的实时位置、预测航行运动轨迹，并据此做出合理的航行决策。2种船舶航行坐标系为：

$ \left\{ \begin{gathered} D = \left( {{x_d},{y_d},{z_d}} \right)，\\ A = \left( {{x_a},{y_a},{z_a}} \right)。\\ \end{gathered} \right. $

(1)

式中：x_a、y_a、z_a分别为惯性坐标系下船舶的横、纵坐标以及转艏角；x_d、y_d、z_d分别为附体坐标系下船舶的前向、横漂及艏摇角速度。船舶的航行坐标系如图3所示。

船舶在2种坐标系下的三自由度运动模型表示为：

$ \left\{ \begin{gathered} {{\dot x}_a} = {x_d}\cos {z_a} - {y_d}\sin {z_a} ，\\ {{\dot y}_a} = {x_d}sin{z_a} + {y_d}\cos {z_a} ，\\ {{\dot z}_a} = {z_d} ，\\ {{\dot x}_d} = {g_{{x_d}}}\left( {{x_d},{y_d},{z_d}} \right) + {\raise0.7ex\hbox{${\left( {{e_{{x_d}}} + {\varsigma _{{x_d}}}} \right)}$} \mathord{\left/ {\vphantom {{\left( {{e_{{x_d}}} + {\varsigma _{{x_d}}}} \right)} {{b{{x_d}}}}}}\right.} \lower0.7ex\hbox{${{b{{x_d}}}}$}} ，\\ {{\dot y}_d} = {g_{{y_d}}}\left( {{x_d},{y_d},{z_d}} \right) + {\raise0.7ex\hbox{${{e_{{y_d}}}}$} \mathord{\left/ {\vphantom {{{e_{{y_d}}}} {{b{{y_d}}}}}}\right.} \lower0.7ex\hbox{${{b{{y_d}}}}$}} ，\\ {{\dot z}_d} = {g_{{z_d}}}\left( {{x_d},{y_d},{z_d}} \right) + {\raise0.7ex\hbox{${\left( {{e_{{z_d}}} + {\varsigma _{{z_d}}}} \right)}$} \mathord{\left/ {\vphantom {{\left( {{e_{{z_d}}} + {\varsigma _{{z_d}}}} \right)} {{b{{z_d}}}}}}\right.} \lower0.7ex\hbox{${{b{{z_d}}}}$}} 。\\ \end{gathered} \right. $

(2)

式中：$ {\dot x_a} $为$ {x_a} $对时间的一阶导数，2种坐标系下的其他船舶坐标参数以此类推；$ {\varsigma _{{z_d}}} $与$ {\varsigma _{{x_d}}} $分别为船舶操纵装置的转弯力矩与纵向主推进力；$ {e_{{x_d}}} $、$ {e_{{y_d}}} $、$ {e_{{z_d}}} $分别为船舶实际航行时受到的3个方向扰动；$ {g_{{x_d}}}\left( {{x_d},{y_d},{z_d}} \right) $、$ {g_{{y_d}}}\left( {{x_d},{y_d},{z_d}} \right) $、$ {g_{{z_d}}}\left( {{x_d},{y_d},{z_d}} \right) $为船舶航行的3个方向高阶流体动力项；$ {b_{{x_d}}} $、$ {b_{{y_d}}} $、$ {b_{{z_d}}} $为船舶航行3个方向上的惯性质量参数。

1.3.2 智能控制器实现船舶智能航行控制

在构建的船舶航行坐标与运动模型的基础上，结合径向基神经网络设计智能控制器，以应对船舶实际航行的风速与水流等干扰，实现船舶的智能航行控制。假设船舶航行存在的不同方向上的不确定干扰因素$ {e_{{x_d}}} $、$ {e_{{y_d}}} $、$ {e_{{z_d}}} $为整体的不确定部分$ e $，结合径向基神经网络逼近船舶航行的不确定干扰部分$ e $。选取船舶在纵移、横移和艏摇三自由度下航行时的实时航速x_d、y_d、z_d及航向角x_a、y_a、z_a等信息作为关键航行参数，设此类参数为径向基神经网络的输入$ x $，通过该网络的不断学习和调整，优化对不确定干扰部分$ e $的估计，输出其估计值$ \hat e $为：

$ \hat e = {\hat {\boldsymbol{\omega}} ^{\rm T}}\hat \delta。$

(3)

式中：$ \hat {\boldsymbol{\omega}} $为径向基神经网络的预估权值矩阵；$ \hat \delta = \delta \left[ {x\left( t \right),\hat o,\widehat {\left( {1/\iota } \right)}} \right] $，其中，$ \delta \left( {} \right) $为径向基神经网络的高斯函数，其以中心矢量$ o $为基函数，此基函数的宽度为$ \iota $。

结合径向基神经网络的自适应逼近性能，得到以下假设：

1）假设在船舶实际航行场景下，该网络的最优权值$ {\omega ^ * } $及网络关键参数$ {o^ * } $、$ {\left( {1/\iota } \right)^ * } $都在合理范围内，也就是存在正常数，且符合$ \left\| {{\omega ^ * }} \right\| \leqslant {\omega _b} $、$ \left\| {{o^ * }} \right\| \leqslant {o_b} $、$ \left\| {{{\left( {1/\iota } \right)}^ * }} \right\| \leqslant {\left( {1/\iota } \right)^ * }_b $，其中，$ \left\| {\;\;} \right\| $表示$ {{F}} $范数，$ b $表示船舶的总体惯性质量参数。如此限定可保障该神经网络在合适参数区间内运行，避免因参数失控导致对船舶航行控制失效。则通过此假设能够将径向基神经网络对船舶实际航行中不确定干扰部分$ e $的理想逼近表示成：

$ e = {\omega ^ * }^{\rm T}{\delta ^ * } + \sigma。$

(4)

式中：$ \sigma $为径向基神经网络逼近船舶实际航行中不确定干扰部分$ e $的误差；$ {\delta ^ * } = \delta \left[ {x\left( t \right),{o^ * },{{\left( {1/\iota } \right)}^ * }} \right] $。

2）假设在船舶航行中，存在各种难以精确预测的干扰因素。对于给定的可接受误差范围的小正数$ {\sigma _1} $，通过优化神经网络的权值矢量$ {\omega ^ * } $，让神经网络对船舶实际受到的干扰$ e $的估计误差$ \sigma $控制在一个极小的范围内，即误差绝对值$ \left| \sigma \right| $满足：

$ \left|\sigma \right|=\left|{\omega }^{\ast }{}^{{\rm T}}\delta -e\right|＜{\sigma }_{b} 。$

(5)

基于此设计的智能控制器可表示为：

$ \zeta = {\zeta _1} + {\zeta _2} + {\zeta _3} 。$

(6)

式中：$ {\zeta _1} $、$ {\zeta _2} $、$ {\zeta _3} $分别为船舶运动模型的估计控制律、神经网络补偿控制器、鲁棒控制器。其中，$ {\zeta _2} = - b\hat e $，$ {\zeta _1} = b\left( {\ddot D - k{\mu _d} - k{\mu _a}} \right) + \dot AG $，其中，$ \ddot D $、$ \dot A $分别为对应$ D $与$ A $的二阶导数与一阶导数；$ {\mu _d} $、$ {\mu _a} $分别为船舶航行跟踪的航速与航向角误差；$ G $为船舶航行中的流体动力；$ k $为控制器的控制系数。

为保证船舶稳定航行，引入对称正定阵$ {\boldsymbol{Q}} $，使其满足李雅普诺夫方程。基于此，设计的自适应鲁棒控制器$ {\zeta _3} $为：

$ {\zeta _3} = k\left( {x} \bigg/\left\| {x} \right\|\right) \left\| {\hat \omega } \right\| 。$

(7)

式中：$ k \geqslant {{{\gamma_{\max }}\left( {\boldsymbol{Q}} \right)}} \bigg/ {{\gamma _{\min }}\left( {\boldsymbol{Q}} \right)}\left\| h \right\| $，其中，$ h $表示高阶矢量。

2 结果分析

为检验本文船舶智能航行控制系统在实际应用中的效果，某货船作为实验对象，利用该系统对其航行的航速与航向实施智能控制。实验船舶的关键参数如表1所示。

设定实验船舶的期望行驶轨迹，原始位置及航速设定为(0,9 m,0,0,0,0)。在此设定下，对实验船舶在不同状态下，航行轨迹跟踪和速度跟踪情况进行实验分析。

在实验船舶稳定航行状态下，本文系统控制后的实验船舶航行轨迹跟踪情况如图4所示。分析可知，本文系统控制下实验船舶的航行轨迹能够在（10 m,4 m）位置跟踪到预设航行轨迹，且后续的航行轨迹跟踪结果也十分吻合。说明本文方法可快速实现稳定航行状态下实验船舶航速与航向的精准跟踪，所跟踪轨迹能够与预设航行轨迹相吻合，跟踪效果理想。

实验船舶稳定航行状态下，本文系统控制后其前向与艏摇2种速度参数的跟踪情况如图5所示。分析得知，本文系统控制后，在5 s之前，实验船舶航行中的前向速度与艏摇速度均出现波动趋势，是因为船舶航行控制期间，船舶的航行初始速度设定为由0开始，在初始速度下开始航行的起始时间段内速度会存在明显波动；在5 s之后可精准跟踪上船舶的设定前向速度与艏摇速度，并在后续航行中始终保持稳定的航速跟踪。

当实验船舶航行环境存在复杂风场扰动时，船舶航行稳定性较差，检验本文系统的实际控制效果。该复杂风场的风速为17.8 m/s，风向为40°。此复杂风场扰动状态下，本文系统控制后的实验船舶航行轨迹跟踪情况如图6所示。分析得出，当实验船舶航行环境存在复杂风场扰动时，在本文系统的控制下，实验船舶的航行轨迹能在（14 m,20 m）位置跟踪到预设航行轨迹，并且在后续持续保持航行的稳定跟踪控制，令实验船舶保持稳定航行状态。可见，本文方法可实现非稳定航行状态下实验船舶航速与航向的有效控制，控制后船舶可稳定跟踪设定轨迹航行并保持平稳状态。

在此扰动情况下，本文系统控制后实验船舶航行的纵向、横向及艏摇角的误差情况统计结果如图7所示。分析得知，在外界环境的强烈风场扰动下，本文系统控制后，实验船舶的纵向、横向、艏摇角三自由度的航行跟踪误差分别在5.2、6.9、8.1 s时得到稳定收敛。说明本文系统的抗扰动性能较好，可抵抗强风场扰动，快速精准地控制船舶依据预设轨迹稳定航行，控制精度较高。

3 结　语

本文基于人工智能的船智能航行控制系统，应用在径向基人工智能神经网络，在应对复杂扰动变化下的高效控制参数自适应逼近性能，设计具有高鲁棒性的智能控制器，可对不同复杂扰动环境下的船舶航速与航向，实施精准控制，令其稳定航行并保持在预设航行轨迹上，最后通过实际应用验证本文系统在所述方面的优越表现。