0 引　言

航运业兴盛，海洋活动多，船舶航行安全成为了该领域的关键问题。复杂开放水域环境多变，对自动避障路径规划要求高，现有算法在复杂场景下存在局限。

基于改进启发信息的快速随机探索树（Informed Rapidly-exploring Random Tree，Informed-RRT*）算法的舰载机甲板平面路径规划，通过引入启发式信息缩小采样范围^[1]。但该方法容易陷入局部最优，降低路径规划效率。基于双向A*-APF算法的船舶路径规划研究，通过A*算法双向搜索结合人工势场法（Artificial Potential Field, APF）优化路径^[2]。但APF存在局部极小值问题，进而影响规划效率。基于自适应步长快速搜索随机树算法的船舶避碰路径规划，通过自适应步长平衡速度与路径质量^[3]。但步长调整的不及时，容易降低规划效率。基于蚁群算法的舰载机甲板路径规划，模拟蚂蚁觅食找出最优路径^[4]。但初始化信息素分布不均、收敛慢，规划效率低。

考虑到上述方法在规划效率方面存在不足，所以，本文提出复杂开放水域下船舶避障路径自动规划研究，以期通过算法设计与优化提升路径规划效率和质量。

1 建立复杂开放水域三维环境模型

复杂开放水域的地形、礁石浅滩复杂，暗流多变，障碍物分布无规律。传统的二维模型平面表达受限，路径规划容易产生偏差。所以，本文首先建立复杂开放水域的三维环境模型。

在复杂开放水域环境下，为了全面、准确地获取环境信息，本文部署了多种类型的传感器，具体部署情况如表1所示。

这些传感器被合理安装在船舶的关键位置，以实现对周围环境的全方位监测。

不同传感器获取数据特点、精度都有区别，且可能有噪声和误差。所以，本文从数据层、特征层、决策层展开多传感器信息数据融合处理，以提升环境感知准确性与可靠性。

完成数据融合后，进入环境建模阶段。在复杂开放水域环境中，水流等动态因素对船舶航行的影响极为显著。水流不仅会改变船舶航行的速度大小，还会对其航向产生影响^[5]。针对水流影响船舶航速的分析，采用矢量合成的方法展开。设船舶在静水中的速度矢量$ \overrightarrow {{S_{\text{q}}}} $，水流速度矢量为$ \overrightarrow {{S_{\text{w}}}} $，则船舶实际航行速度矢量$ \overrightarrow {{S_{\text{a}}}} $为两者矢量和，即：

$ \overrightarrow {{S_{\text{a}}}} = \overrightarrow {{S_{\text{q}}}} + \overrightarrow {{S_{\text{w}}}}。$

(1)

通过运用该公式，充分考虑水流因素的影响，本文构建了复杂开放水域三维环境模型。建模时，借助ArcGIS软件构建水体三维空间数据栅格数据，将离散环境数据转化为规则栅格数据。借助Skyline平台生成水体数字高程模型，直观展示地形起伏和地貌特征。通过两平台接口，综合考虑水流因素，实现栅格数据与数字高程模型交互，使其相互补充完善^[6]。

经过上述步骤，本文完成复杂开放水域三维环境模型的构建。

2 识别复杂开放水域障碍物

复杂开放水域中，船舶航行安全依赖对障碍物的实时精准感知。本文利用部署于船首、船尾及桅杆等高处的摄像头，实时采集船舶周围图像，视野开阔覆盖航行及侧向区域，为障碍物检测提供数据，但图像易受光线、天气、水体反光干扰，所以本文对其进行处理。

针对复杂开放水域图像因光照变化、水体反光等因素导致的对比度失衡问题，本文采用自适应直方图均衡化（Adaptive Histogram Equalization，AHE）算法增强障碍物细节。该算法通过局部对比度拉伸，有效抑制水体反光干扰，突出障碍物边缘^[7]。设复杂开放水域图像中障碍物的灰度级范围为$ [0,G - 1] $；$ {h_g} $为灰度级$ g $的像素频数；$ {N_{\text{t}}} $为总像素数；$ {\min _g} $为最小灰度值。AHE算法通过非线性映射将原始复杂开放水域图像障碍物$ I(x,y) $转换为图像均衡化后的障碍物，可以通过式(2)进行表示：

$ {I_{{\text{eq}}}}(x,y) = round\left[\frac{{(G - 1) \cdot (S(I(x,y)) - {{\min }_g})}}{{1 - {{\min }_g}}}\right]。$

(2)

式中：$ S(I(x,y) $为原始复杂开放水域图像障碍物的累积分布函数。

均衡化处理后，本文采用改进的Sobel算子提取障碍物轮廓。Sobel算子基于一阶导数，在3×3邻域内计算障碍物水平$ {{x}} $与垂直$ {{y}} $方向梯度幅值$ {s_{{x}}} $和$ {s_{{y}}} $。这一过程如式(3)所示：

$ \left\{ {\begin{array}{*{20}{c}} {{s_{{x}}} = \sum\limits_{m = - 1}^1 {\sum\limits_{n = - 1}^1 {{I_{{\text{eq}}}}(x + m,y + n) \cdot {G_{{x}}}(m + 2,n + 2)} } }，\\ {{s_{{y}}} = \sum\limits_{m = - 1}^1 {\sum\limits_{n = - 1}^1 {{I_{{\text{eq}}}}(x + m,y + n) \cdot {G_{{y}}}(m + 2,n + 2)} } } 。\end{array}} \right. $

(3)

式中：$ {G_{{x}}} $和$ {G_{{y}}} $为方向卷积核，分别用于计算图像在水平和垂直方向上的梯度。

将障碍物边缘信息作为特征，利用SVM模型识别复杂开放水域障碍物。SVM在高维特征空间寻找最优分类超平面，分隔不同类别障碍物特征向量。设训练样本集为$ \left\{ {({s_{{\text{x}},i}},{s_{{\text{y}},i}})} \right\}_{i = 1}^Q $，其决策函数可以通过式(4)进行表示：

$ d = {\rm{sgn}} \left(\sum\limits_{i = 1}^N {\theta K({s_{{{x}},i}},{s_{{{y}},i}}) + } \varphi \right)。$

(4)

式中：$ \theta $为拉格朗日乘子；$ \varphi $为偏置项；$ K({s_{{{x}},i}},{s_{{{y}},i}}) $为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^[8]。

通过各环节协同运作，本文能在复杂开放水域实现航行环境图像障碍物的实时精准检测，为船舶的避障路径规划提供可靠数据支撑。

3 自动规划船舶避障路径

将SVM模型识别的障碍物信息实时更新至三维环境模型，形成含动态障碍物的综合模型。基于综合环境模型，为了快速准确规划安全高效船舶避障路径，本文改进传统蚁群算法以适应复杂开放水域。传统蚁群算法全局搜索强、鲁棒性好，但收敛慢、易陷入局部最优。针对此，本文在启发式信息中引入动态风险因素，改进后的启发式信息$ \eta (x,y) $设计为：

$ \eta (x,y) = \frac{1}{{l((x,y),({x_g},{y_g})) + \lambda \cdot R(x,y)}}。$

(5)

式中：$ l((x,y),({x_g},{y_g})) $为复杂开放水域下船舶从当前栅格$ (x,y) $到目标点$ ({x_g},{y_g}) $的欧氏距离；$ \lambda $为风险权重系数；$ R(x,y) $为复杂开放水域下船舶在栅格$ (x,y) $处面临的风险值（综合考虑水流、障碍物、风浪等因素）。

通过这种方式，船舶在选择路径时不仅关注距离，更重视路径的安全性，倾向于选择距离较短且风险较低的路径。

接下来，本文采用动态调整信息素挥发系数$ b $策略，初期设置较大$ b $值以鼓励探索，随着迭代增加逐渐减小$ b $，保留优秀路径信息素。更新过程如下式：

$ c(x,y) = (1 - b) \cdot c(x,y) + \Delta c(x,y)。$

(6)

式中：$ c(x,y) $为复杂开放水域下船舶在栅格$ (x,y) $处的信息素浓度；$ \Delta c(x,y) $为本次迭代中蚂蚁在该栅格上留下的信息素增量。

同时，为了使规划出的路径更符合船舶实际航行特性、减少不必要的转向和航程，本文对蚁群算法搜索得到的初始路径采用三次样条插值方法进行平滑处理，生成1条光滑的避障路径。3次样条插值能够保证路径在各关键点处的一阶和二阶导数连续，从而使复杂开放水域下船舶在航行过程中能够平稳转向和加速^[9]。

基于上述改进蚁群算法，本文提出的船舶避障路径自动规划流程如下：

1）初始化。设置蚁群算法的参数，如蚂蚁数量、信息素初始浓度、信息素挥发系数的初始值、风险权重系数等。同时，根据实时采集的环境数据构建动态风险分布图。

2）蚂蚁搜索。每只蚂蚁从起点出发，根据综合考虑信息素浓度和启发式信息的转移概率公式选择下一个栅格，逐步向目标点移动。

3）信息素更新。当所有蚂蚁完成一次搜索后，根据路径的优劣更新各栅格上的信息素浓度。路径越优，留下的信息素增量越大，从而引导后续蚂蚁选择更优路径。

4）动态风险评估与路径调整。在每次迭代过程中，实时更新动态风险分布图。若发现复杂开放水域下船舶当前路径上的某些区域风险值显著增加，则重新规划该区域附近的路径，确保船舶航行安全。

5）终止条件判断。判断路径质量是否满足要求。若满足终止条件，则输出最优避障路径；否则，返回步骤2继续进行迭代搜索^[10]。

通过上述船舶避障路径自动规划方法，本文能够在复杂开放水域环境下，快速、准确地规划出1条安全、高效的避障路径。由此，本文完成了复杂开放水域下船舶避障路径自动规划的研究。

4 实　验 4.1 实验准备

本次实验以一艘大型船舶为研究对象，在复杂开放水域环境下，对该船舶的避障路径进行规划，评估不同路径规划算法的性能。表2为本次实验所涉及的主要参数。

明确上述实验参数后，本文将依据这些参数开展复杂开放水域下的船舶避障路径规划实验，以探索船舶在复杂环境中的安全航行策略。

4.2 实验水域障碍物模拟设置

为了更真实的模拟复杂开放水域，本文实验设置多种类型和规格障碍物，分布于不同水域，模拟详情如表3。

通过对这些障碍物的设置，模拟复杂开放水域环境，全面评估船舶避障路径规划算法在复杂开放水域环境下的性能和适应性。对比其他算法，验证本文算法在路径规划上的优势，证明其在复杂水域中的有效性和优越性。

4.3 测试指标及对比方法设置

为了验证研究方法的优越性，本文设计了对比实验。将本文提出的路径规划研究作为方法1，基于改进Informed-RRT*算法的路径规划作为方法2，基于双向A*-APF算法的路径规划研究作为方法3，基于自适应步长快速搜索随机树算法的路径规划作为方法4。

其中，4种方法的描述及对应相关参数设置如下表4所示。

以路径长度和迭代次数为指标，直观展示各算法在路径规划效率和路径质量上的差异。

4.4 实验结果及分析

分别使用以上4种方法对船舶避障路径进行规划，本文首先从规划路径长度这一核心指标展开对比分析，图1直观呈现了4种方法路径规划长度的情况。

可知，本文方法在规划路径长度上优势显著，路径长度在4种方法中最短。方法2的路径较长，可能因为针对平面规划，对复杂开放水域动态环境考虑不足，搜索效率低。方法3的路径也较长，双向A*算法虽然能进行全局搜索，但APF局部避障可能遇到局部极小值问题，使路径曲折。方法4的路径长度也不占优势，自适应步长调整策略在复杂水域中难以精准适应障碍物分布。而本文方法充分考虑了复杂水域因素，通过合理算法设计和优化，能更有效的避障，规划出更短路径。

除了上述的路径长度外，本文接下来从迭代次数这一角度进一步探究各算法在复杂开放水域下船舶避障路径规划中的表现。结果如图2所示。

从图2中可知，本文方法在迭代次数上表现优异，迭代曲线增长平缓且最终迭代次数较少，在13 s时所提方法达到稳定，迭代次数稳定在4次。这得益于本文方法针对复杂开放水域特点进行了深度优化，充分考虑了水域中的障碍区域等多种复杂因素，能够快速确定搜索方向，减少无效搜索。而方法2、方法3和方法4的迭代曲线增长较快且最终迭代次数较多，其中，方法2在20 s时达到稳定，迭代次数稳定在7次；方法3在15 s时达到稳定，迭代次数稳定在6.5次；方法4在16 s时达到稳定，迭代次数稳定在8次。综上可知，所提方法可减少迭代次数找到较优路径。

5 结　语

本文通过多传感器采集了复杂开放水域的环境信息，并利用多源信息融合技术对数据进行处理，构建了精准的三维环境模型。结合图像处理技术和支持向量机算法，精准识别了复杂开放水域下的障碍物。改进传统蚁群算法，引入动态因素与策略并平滑路径，在复杂开放水域快速准确的输出了最优避障路径。结果表明，所提方法充分考虑了复杂水域因素，通过合理算法设计和优化，能更有效的避障，规划出更短路径；且迭代曲线增长平缓且最终迭代次数较少，在13 s时所提方法达到稳定，迭代次数稳定在4次。综上结果说明，所提方法在规划路径长度上优势显著，可减少迭代次数找到较优路径。