基于融合船岸多源信息的大型船舶靠离泊辅助方法
本发明涉及船舶导航与智能航运,具体为基于融合船岸多源信息的大型船舶靠离泊辅助方法。为船舶靠离泊过程作业提供智能化的辅助决策支持,以提高船舶靠离泊的安全性、准确性和效率。
背景技术:
1、大型船舶靠离泊作业是港口运营的关键环节,直接影响港口作业效率和航运安全。随着全球航运业的快速发展,近年来智能信息技术在船舶领域得到初步应用,目前主要依赖船长和引航员的个人经验,结合雷达、自动识别系统(ais)、摄像头、目视观察等有限信息进行决策和操作,存在不足问题:第一,传感器配置单一,多依赖雷达或gps等单一数据源,在复杂环境下可靠性不足;第二,缺乏船岸协同机制,船岸信息交互不及时,无法实现全局优化决策;第三,轨迹预测精度有限,难以满足大型船舶高精度靠泊要求;第四,数据融合算法相对简单,无法有效处理多源异构数据的融合问题。因此,我们提出了基于融合船岸多源信息的大型船舶靠离泊辅助方法来解决上述存在的问题。
技术实现思路
1、针对现有技术的不足,本发明提供了基于融合船岸多源信息的大型船舶靠离泊辅助方法。解决了现有大型船舶靠离泊作业依赖人力经验操作、多源信息融合精度低、轨迹预测误差大、船岸信息交互不实时的技术问题,实现船岸多源信息的高效融合与协同,提升船舶状态估计和轨迹预测的精度,并生成更全方位的辅助支持决策信息为大型船舶靠离泊作业提供科学辅助决策方法。
2、为实现以上目的,本发明通过以下技术方案予以实现:基于融合船岸多源信息的大型船舶靠离泊辅助方法,包括以下步骤:
3、s1、船岸协同数据采集与预处理:通过船端传感器与岸基感知设备采集多源异构数据,所述船端传感器包括导航卫星系统(gnss)、北斗导航(bds)、惯性导航系统(ins)、船舶自动识别系统(ais)、雷达、激光雷达(lidar)和摄像头等;所述岸基感知设备包括岸基雷达、lidar、视觉传感器和气象水文传感器等;并对采集的数据进行数据处理、时空对齐和坐标系转换;
4、s2、船舶运行轨迹预测:构建一种交互式多模型深度预测网络(imm-dpn),基于预处理后的历史轨迹数据,预测船舶未来多个时间步长的运行轨迹;所述imm-dpn包含多个并行的、针对不同运行模态的深度学习预测子模型,并通过马尔可夫链控制模型间的概率转移与融合;
5、s3、靠离泊态势感知与风险评估:融合步骤s1获取的实时多源数据与步骤s2的预测轨迹,构建船舶靠离泊作业的数字孪生场景;在该场景中,实时计算船舶与码头、障碍物之间的距离、相对速度和预计碰撞时间(ttc),评估靠离泊过程的综合风险等级;
6、s4、辅助决策生成与人机交互:根据风险评估结果,结合港口作业规程,生成航向、航速调整建议或自动控制指令,并通过增强现实(ar)和二维态势图界面,将融合后的态势信息、预测轨迹与决策建议可视化呈现给操作人员;
7、进一步地,所述s1中,所述数据清洗包括异常值检测与修复、缺失值插补和噪声过滤;所述时空对⻬采用基于动态时间规整(dtw)的多源数据时间同步方法,以及基于卡尔曼滤波的空间坐标配准;所述坐标系转换包括将船端传感器数据从船体坐标系转换至大地坐标系,将岸基感知设备数据从码头局部坐标系转换至大地坐标系。
8、其中坐标系转换:通过七参数布莎模型进行坐标系统转换(尺度因子、平移量、旋转角)实现不同坐标系之间转换公式:
9、其中为转换后的位置坐标,为转换前的位置坐标,为尺度因子,)为平移量,)为旋转角,)为倾斜因子。
10、所述对采集的多源数据进行质量评估,包括数据完整性、准确性和一致性检查。对于缺失或异常数据,采用基于孤立森林(isolationforest)的异常检测算法,所述缺失值插补采用基于长短期记忆网络(lstm)的时间序列预测方法,所述噪声过滤采用卡尔曼滤波与小波变换相结合的方法进行处理。通过以上处理,形成标准化时空数据集,为后续的轨迹预测和决策生成提供高质量的数据基础。
11、进一步地,所述s2中,所述核心技术创新点交互式多模型深度预测网络(imm-dpn):
12、创新点一:船舶轨迹预测进行创新,针对船舶在靠离泊过程中运动模态多变(如匀速接近、减速、转向、横移等)的特点,该方法摒弃了单一模型的局限性,其核心思想是并行运行多个针对特定运动模态的深度学习预测子模型,并通过一个马尔可夫过程动态调整各子模型的权重,实现对复杂机动行为的自适应跟踪与精确预测。每个预测子模型采用一种融合因果自注意力机制的transformer与双层lstm的级联架构(clt-tlstm),transformer编码器用于捕捉轨迹序列的长期依赖关系,而双层lstm则用于强化局部时序特征的提取,从而兼顾全局趋势与局部细节。这种多模型融合架构能够有效应对船舶从航行状态到靠泊状态的剧烈动态变化,预测精度和鲁棒性均优于单一的lstm或transformer模型。
13、其中,imm-dpn的模型融合采用加权平均法,各子模型的权重,根据马尔可夫链的模型概率和预测误差动态调整。权重更新公式为:
14、);其中,为第i个子模型在t时刻的权重,为平衡系数,为模型概率,为误差影响系数,为第i个子模型的预测误差。
15、创新点二:采用鲁棒的自适应滤波策略,引入iarekf、多模型融合与动态遗忘因子,解决传感器噪声时变、观测数据异常等问题,在imm-dpn的每个预测子模型内部集成一种改进的自适应鲁棒滤波策略。策略包含三个关键机制:
16、第一,引入动态遗忘因子:传统卡尔曼滤波对历史数据和当前数据的权重分配是固定的,在动态变化环境中适应性差。将发明引入一个动态调整的遗忘因子,对先验误差协方差矩阵进行加权,从而降低陈旧、可能已不相关的历史数据的影响,增强滤波器对当前船舶运动状态变化的快速响应能力。遗忘因子根据新息序列的统计特性自适应调整,在系统平稳时接近1,信任历史信息;在系统突变时减小,更多地依赖新观测值。
17、第二,基于滑动窗口的自适应噪声协方差矩阵(iarekf):为应对非高斯噪声和突发异常值,将发明采用一种基于滑动窗口的改进自适应鲁棒扩展卡尔曼滤波器(iarekf)。该方法先通过马氏距离和卡方检验实时检测观测异常。一旦检测到异常,便利用一个存储近期历史新息的滑动窗口,动态估算观测噪声的统计特性,并据此调整观测噪声协方差矩阵r。与传统的sage-husa等仅依赖当前新息的自适应算法相比,滑动窗口机制利用更多历史信息,使噪声估计更平滑、更鲁棒,有效避免因单点异常导致的滤波发散。
18、第三,交互式多模型(imm)融合策略:imm算法本身就是一种高级的融合策略。它通过“交互-滤波-概率更新-融合”的循环过程,不仅实现了多个模型预测结果的加权融合,更重要的是,它允许不同模型之间进行状态交互。这意味着在每个周期开始时,每个模型的状态都是由所有模型在前一时刻的状态加权混合而成。这种“软切换”机制使系统在模型切换时过渡平滑,避免单一最佳模型切换带来的突变,极大提高对目标机动行为的跟踪能力。
19、与现有技术相比,发明创新将动态遗忘因子、滑动窗口自适应噪声估计和imm多模型框架有机结合,形成了一套多层次、多维度的自适应滤波体系。这体系不仅能应对模型不确定性(通过imm),还能处理过程和观测噪声的时变与异常(通过动态遗忘因子和iarekf),鲁棒性和精度远超单一的自适应或鲁棒滤波算法。
20、进一步地,所述s3中,所述融合步骤s1获取的实时多源数据与步骤s2的预测轨迹进行深度融合,构建船舶靠离泊作业的数字孪生场景;该场景不仅精确复现船舶、码头、航道、障碍物等物理实体及其状态,还融入预测信息。在此数字孪生环境中,系统实时计算关键安全指标,如船舶与码头关键点(如码头⻆、碰垫)的距离、相对速度、接近角,以及与周围其他船舶或碍航物的预计碰撞时间(ttc)。基于这些动态指标,并结合“人-船-环境”协同风险评估模型,量化评估当前及未来一段时间内的综合风险等级。
21、进一步地,所述s3与s4中,所述全流程船岸多源数据融合与辅助决策。所述定义分阶段的融合策略,在靠离泊不同阶段,利用船岸多源数据进行协同感知与决策,实现传感器资源的按需分配和优势互补,确保在靠离泊全流程中始终获得最优的态势感知信息。
22、远距离接近阶段:以岸基vts和广域雷达数据为主,融合本船ais信息,进行宏观交通态势分析和全局路径规划。岸基提供的气象水文数据(风、流、浪、潮汐)被用于修正船舶运动模型和能耗预测,实现“绿色航行”。
23、中距离操纵阶段:启动船载雷达、lidar与岸基高清摄像头进行数据融合。通过特征级融合技术,将岸基视觉提供的丰富纹理信息与船载雷达/lidar提供的精确距离信息相结合,生成高精度的环境模型,精确识别泊位轮廓、关键系泊点以及航道内的静态和动态障碍物。
24、近距离靠泊阶段:采用高频、高精度的传感器组合,如船侧安装的超声波传感器、岸基布设的激光测距仪。这些数据通过紧耦合融合算法,实时解算出船体与码头线之间的平行度、距离和靠拢速度,精度可达厘米级。这些高精度状态信息直接反馈给船舶的低频运动控制器,实现对侧推器、主桨和舵的精细化自动控制。
25、进一步地,所述s3与s4中实现上述数据融合与协同决策,所述基于数字孪生的船岸云一体化协同架构,构建“船-岸-云”一体化的协同架构。该架构的核心是岸基数字孪生中心,它构建了一个与物理世界实时同步、高保真的虚拟港口和船舶模型。所有船岸多源数据在此汇集,轨迹预测、风险评估等复杂计算在岸基强大的计算资源上完成,并将结果以轻量化、可视化的方式(如ar指令叠加在船端视频上)传回船上。船端则作为边缘节点,负责实时数据采集和执行快速响应的本地控制。云端平台则利用大数据和人工智能技术,对全球范围内的历史靠离泊数据进行离线分析和模型训练,不断优化算法库,并通过协同算法优化平台向岸基中心推送更新。这种架构将计算密集型任务转移至岸基和云端,减轻船载设备的负担,同时通过船岸协同实现了“岸基辅助、船端决策”或“岸基遥控、船端值守”的先进操作模式。
26、本发明imm-dpn网络实现深度学习子模型与imm模块闭环数据交互,完整数据流传递逻辑如下:
27、每个clt-tlstm深度学习子模型完成时序特征提取后,同步输出两类核心数据:
28、一是船舶未来多时间步的位置、航速、航向、横向位移状态预测序列;
29、二是子模型滤波输出的观测残差(新息向量)。
30、两类数据作为imm模块的专属输入,无额外中间转换环节直接推送至多模型交互层。
31、在imm模型概率更新阶段,imm调取各子模型输出残差计算对应子模型似然函数,结合马尔可夫转移概率矩阵完成贝叶斯后验概率更新;
32、在状态融合阶段,imm调取全部clt-tlstm子模型输出的船舶状态序列,以更新后的子模型概率作为加权系数完成全局状态融合,最终输出最优船舶轨迹。
33、本发明有益效果
34、本发明提供了基于融合船岸多源信息的大型船舶靠离泊辅助方法。与现有技术相比具备以下有益效果:
35、信息获取全面性:本发明通过船岸协同数据采集,整合了船舶端与岸基的多源异构数据,包括导航数据、环境数据、图像数据等,克服了传统方法信息单一的局限性,为精准态势感知提供了数据基础。
36、轨迹预测高精度:提出的交互式多模型深度预测网络(imm-dpn)针对不同运行模态设计模型,并通过马尔可夫链实现模型动态切换与融合,相比单一模型预测方法,提高了复杂工况下的轨迹预测精度。
37、风险评估实时性:通过构建数字孪生场景,实现了船舶与周围环境的动态建模,结合改进的距离计算算法和ttc计算方法,能够实时评估靠离泊过程中的潜在风险,为操作人员提供充足的反应时间,满足实时性要求。
38、支持辅助决策效率提高:基于规则推理与辅助决策方法相结合,能够根据实时风险评估结果生成科学合理的操作建议,降低人为判断的主观性和失误率。同时,多模态人机交互界而(ar+二维态势图)使操作人员能够直观掌握态势信息,提高决策效率。通过多源数据融合和异常值检测修复技术,提高了系统对传感器故障和环境干扰的鲁棒性。
39、应用范围广泛:本发明适用于各种类型的大型船舶(集装箱船、油轮、散货船等)在不同港口条件下的靠离泊作业,具有较强的通用性和可扩展性。同时,该方法也可应用于船舶狭水道航行、桥区航行等其他高风险水域的辅助导航。
40、本发明将imm多模型融合框架与带iarekf滤波的clt-tlstm深度网络绑定为整体创新组合,明确深度子模型输出至imm的完整数据流,实现深度学习长时序特征提取与imm多模型软切换、鲁棒滤波的协同作用;相较于单一imm、单一深度学习预测方案,大幅提升船舶靠离泊复杂机动场景下轨迹预测精度,同时依靠滑动窗口自适应滤波抑制传感器异常噪声,鲁棒性显著提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com