一种智能船舶避碰算法测试场景的自适应生成方法与流程

1.本发明涉及智能船舶航行避碰测试场景生成领域，尤其涉及一种智能船舶避碰算法测试场景的自适应生成方法。


背景技术：

2.随着人工智能与计算机技术的发展，智能船舶及其相关技术逐渐成为水路运输业的研究热点。水面自主船舶凭借安全、高效、经济等优点成为现代船舶发展的重要趋势。在2019年6月14日，imo批准了有关自主水面船舶(maritime autonomous surface ships，mass)试验的临时指南。规定中提出智能船舶建设需要提高风险应对能力，降低所面临的各种风险。因此，对智能船舶避碰算法进行各方面的测试是必要的。
3.测试智能船舶避碰算法需要有完备的场景满足测试要求。现有技术将人工设置典型会遇场景作为智能船舶避碰算法测试的主要方法，分为对遇、交叉、追越等三种会遇类别。然而人工设置测试场景局限性较强，无法确定场景组成因素对不同智能船舶避碰算法的影响，无法准确地定位不同的智能船舶避碰算法在各种场景下的性能模式，难以有效地测试智能船舶避碰算法，缺乏对各种智能船舶避碰算法的针对性。


技术实现要素：

4.本发明提供一种智能船舶避碰算法测试场景的自适应生成方法，以克服现有技术中人工设置测试场景局限性较强，无法确定场景组成因素对不同智能船舶避碰算法的影响，无法准确地定位智能船舶避碰算法在各场景下的不同性能模式，难以有效地测试智能船舶避碰算法，缺乏对各种智能船舶避碰算法的针对性的技术问题。
5.一种智能船舶避碰算法测试场景的自适应生成方法，包括如下步骤：
6.s1：根据测试场景的组成因素和所述组成因素的取值范围，获取若干第一船舶与第二船舶的初始会遇场景以及所述初始会遇场景对应的初始状态数据；
7.s2：对若干所述初始会遇场景的避碰结果进行打分，以获取所述初始会遇场景对应的船舶避碰结果的初始分数值，并建立样本数据集；所述样本数据集包括初始状态数据集和初始分数值集；
8.s3：对所述样本数据集进行训练，建立预测模型，以获取预测会遇场景集以及所述预测会遇场景集对应的预测状态数据集和预测分数值集；并建立预测数据集，所述预测数据集包括所述预测状态数据集和预测分数值集；
9.s4：将所述样本数据集与所述预测数据集进行整合，以建立识别数据集，所述识别数据集包括识别状态数据集和识别分数值集；其中，所述识别状态数据集包括初始状态数据集和预测状态数据集；所述识别分数值集包括初始分数值集和预测分数值集；
10.s5：对所述识别分数值集中的识别分数值进行分类，得到分类后的识别分数值集，以获取每一类的识别分数值集所对应的智能船舶避碰算法的性能模式，和在所述性能模式下的分类后的识别状态数据集，并将分类结果进行保存并绘制；
11.s6：处理分类后的识别状态数据集和对应的分类后识别分数值集，以获取处理数据集，所述处理数据集包括处理分数值集和处理状态数据集；
12.s7：将处理数据集中的每个处理状态数据进行分类，以获取子数据集；
13.s8：计算所述子数据集之间的欧氏距离，获取距离数据集，并选取所述距离数据集中百分比小于第一阈值数量的距离数据，以获取所述性能模式的边界数据集合，所述边界数据集合即作为智能船舶避碰算法测试的场景。
14.进一步的，所述s3中的对所述样本数据集进行训练，建立预测模型的方法为：通过高斯过程回归模型进行训练，建立预测模型。
15.进一步的，所述s5对所述识别数据集中的识别分数值进行分类采用的是均值漂移聚类算法，并将通过聚类算法得到的聚类结果进行保存并绘制矩形图。
16.进一步的，所述s6中处理分类后的识别状态数据集和对应的分类后的识别分数值集，采用的是数据归一化处理，其公式如下：
[0017][0018]
公式中：代表标准化后的数据；x
i_origin
代表第i项数据；x
min
代表同类数据中的最小值；x
max
代表同类数据中的最大值。
[0019]
进一步的，所述s7中将所述处理数据集中的处理状态数据进行分类采用的是基于密度聚类的方法获取子数据集，并将所获取的子数据集采用不同的颜色进行矩阵图的绘制。
[0020]
进一步的，所述s8中计算所述子数据集之间的欧氏距离的公式如下：
[0021]
其中p代表子数据集中的第一子数据；c代表子数据集中的第二子数据，p
ij
代表第一子数据中的初始状态数据中的组成因素；c
ij
代表第二子数据中的初始状态数据中的组成因素。
[0022]
有益效果：本发明的一种智能船舶避碰算法测试场景的自适应生成方法，从数据预测和分析的角度对智能船舶避碰算法测试场景的生成进行了研究，采用避碰结果反向推导不同的智能船舶避碰算法的性能模式区域，针对任意智能船舶避碰算法进行了自适应场景生成，覆盖了所有人工设置的场景，解决了人工设置场景的局限性，以及对各类算法的针对性。
附图说明
[0023]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0024]
图1是本发明的智能船舶避碰算法测试场景的自适应生成方法流程图；
[0025]
图2是本发明的智能船舶避碰算法测试场景的自适应生成方法的变量传递流程示意图；
[0026]
图3是本发明的智能船舶避碰算法测试场景的自适应生成方法的限定船舶方位和船舶船首向的范围区域图；
[0027]
图4是本发明的智能船舶避碰算法测试场景的自适应生成方法的船舶测试场景图。
具体实施方式
[0028]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029]
本实施例提供了一种智能船舶避碰算法测试场景的自适应生成方法，包括：搜索场景模式和识别所述场景模式的边界，如附图1和附图2，具体的，
[0030]
s1：根据测试场景的组成因素和所述组成因素的取值范围，获取若干第一船舶与第二船舶的初始会遇场景以及所述初始会遇场景对应的初始状态数据；
[0031]
具体的，所述s1中的组成因素包括但不限于第一船舶/第二船舶的对地航速v、第一船舶与第二船舶的距离d、第二船舶相对第一船舶的方位b、第二船舶船首向h；在本实施例中的四种组成因素取值范围分别为：v＝[5,35]，单位“knot”；第一船舶与第二船舶的距离d＝[2,6]，单位“n mile”；第二船舶相对第一船舶的方位b＝[0,360]，单位
“°”
；第二船舶船首向h＝[0,360]，单位
“°”
。
[0032]
具体而言，本发明实施例中获取第一船舶和第二船舶会遇场景对四种组成因素在取值范围内进行对应取值；第一船舶设定为船首向固定，航速固定，目标点位于第一船舶航线某处；第二船舶设定为航行在第一船舶周围。
[0033]
根据图3所示的限定船舶方位和船舶船首向的范围区域图确定船舶方位b、船舶船首向h的对应取值区域。
[0034]
其中，p1，p2，p3，p4，p5，p6区域代表第二船舶相对第一船舶的不同方位；ho表示对遇局面；ot1表示追越局面，第二船舶在追越第一船舶；ot2表示追越局面，第一船舶在追越第二船舶；cr1表示交叉相遇局面，第二船舶给第一船舶让路；cr2表示交叉相遇局面，第一船舶给第二船舶让路；sf表示安全会遇，第一船舶和第二船舶之间不存在碰撞危险。
[0035]
根据图4所示，共有71个船舶测试场景分布在不同区域，将这71个场景与图3中的区域进行匹配，获得不同方位区域对应场景的数量比例为：22：17：2：11：2：17。根据图3与所述比例，可得第二船舶方位与第二船舶船首向的对应取值(所述方位与船首向单位皆为
“°”
)，具体如下：
[0036]
p1区域，第二船舶方位范围(337.5，360)，(0，22.5)，第二船舶船首向范围(0，360)；
[0037]
p2区域，第二船舶方位范围(22.5，90)，第二船舶船首向范围(180，360)；
[0038]
p3区域，第二船舶方位范围(90，112.5)，第二船舶船首向范围(270，360)；
[0039]
p4区域，第二船舶方位范围(112.5，247.5)，第二船舶船首向范围(270，360)，(0，90)；
[0040]
p5区域，第二船舶方位范围(247.5，270)，第二船舶船首向范围(0，90)；
[0041]
p6区域，第二船舶方位范围(270，337.5)，第二船舶船首向范围(0，180)；
[0042]
第一船舶/第二船舶的对地航速v与第一船舶与第二船舶的距离d可以在其取值范围内进行随机取值采样，采样数量与第二船舶相对第一船舶的方位b和第二船舶船首向h采样数量一致。
[0043]
s2：根据船舶避碰结果得分的评价标准对若干所述初始会遇场景的避碰结果进行打分，以获取所述初始会遇场景对应的船舶避碰结果的初始分数值，并建立样本数据集；所述样本数据集包括所述初始状态数据集和初始分数值集；
[0044]
具体而言，本发明采用的船舶避碰结果得分的评价标准以专利《一种通过评价船舶航行避碰合规性自主避碰的方法》为依据，专利号为cn202110326512.7的现有技术，这里不进行详细描述。根据所述评价方法对所述的所有初始会遇场景避碰结果进行打分，其得分向量为：y＝[y1,y2,
…
ym]，yi代表评价体系中的第i个评分元素的具体分数，m代表评分元素的数量，其数值与所述评价标准中的评分因素数量一致；n个初始会遇场景状态的评分数据集为：yn＝[y1,
…yn
],yi代表某个第i个初始会遇场景的得分向量，n代表采样所获得初始会遇场景的数量。
[0045]
将所述初始状态数据集与初始分数值集整合为样本数据集：dn＝[xn,yn]。
[0046]
在本实施例中，通过随时采样获得初始状态数据，通过四种组成因素组成四维场景状态配置空间：χn＝[χ1,
…
,χn],其中χi代表每种变量的取值范围，n代表变量的种类数量，此处n＝4；四种变量组成的状态向量：x＝[x1,x2,
…
xn]，其中x代表状态向量，xi代表某种变量的某个具体数值，此处n＝4；n个初始会遇场景状态的数据集为：xn＝[x1,
…
xn],xi代表某个状态向量，n代表采样所获得的初始场景状态的数量。
[0047]
s3：对所述样本数据集进行训练，建立预测模型，以获取预测会遇场景集以及所述预测会遇场景集对应的预测状态数据集和预测分数值集；并建立预测数据集，所述预测数据集包括所述预测状态数据集和预测分数值集；
[0048]
所述s3中的对所述样本数据集是通过高斯过程回归模型进行训练，建立预测模型，所述通过高斯过程回归模型进行数据预测的方法为：
[0049]
在所述初始会遇场景中进行随机取样，以生成数据样本集；通过高斯过程回归方法(gaussian process regression，gpr)对所述数据样本集进行拟合；以获取所述预测数据集；其中的高斯过程回归模型为机器学习领域的在先技术，是通过高斯过程回归方法所获得。
[0050]
具体而言，算法将样本数据集dn分割为训练集与测试集，通过训练集训练并生成高斯过程回归模型，测试集用来测试高斯过程回归模型的准确度；在本发明的实施例的四种组成因素的取值范围内随机生成新的预测状态数据集x
l
，将新数据带入高斯过程回归模型进行预测获得对应的可能得分数据集y
l
；
[0051]
在所述高斯过程回归模型的生成过程中，本发明采用高斯过程回归方法生成预测模型具体的，其核函数为混合核函数，包含：径向基核函数、正弦平方核函数、有理二次核函数、基础核函数(white kernel)，混合方式为加法。
[0052]
s4：将所述样本数据集与所述预测数据集进行整合，以建立识别数据集，所述识别数据集包括识别初始状态集和识别分数值集；其中，所述识别状态数据集包括初始状态数据集和预测状态数据集；所述识别分数值集包括初始分数值集和预测分数值集；
[0053]
具体的，所述识别数据集由所述样本数据集和所述预测数据集整合而成；
[0054]
预测的得分数据集y
l
与对应的初始状态数据集x
l
整合为预测数据集d
l
＝[x
l
,y
l
]；进一步得到识别数据集：d＝dn d
l
。
[0055]
s5：通过均值漂移算法对所述识别分数值集中的识别分数值进行分类，得到分类后的识别分数值集，以获取每一类的识别分数值集所对应的智能船舶避碰算法的性能模式，和在所述性能模式下的分类后的识别状态数据集，并将分类结果进行保存并绘制；
[0056]
所述s5中的通过均值漂移算法对所述识别数据集中的识别分数值进行分类的方法为：
[0057]
对识别数据集中的识别分数值进行均值漂移聚类，得到分类后的识别分数值集，以获取每一类的识别分数值集所对应的智能船舶避碰算法的性能模式，和在所述性能模式下的分类后的识别状态数据集，并提取通过聚类分析得到的聚类结果，将其进行保存并绘制。
[0058]
获得分类后的初始状态数据集，即存在获得分类后的初始状态数据集，即存在获得新的数据集为进而得到所有性能模式对应数据集的集合即其中p代表分类获得的性能模式；pk代表第k个性能模式；代表第k个性能模式对应的分类后的识别状态数据集；xi代表所述第i个分类后的识别状态数据集向量；ti代表所述第i个分类后的识别分数值集向量；代表第k个性能模式pk对应的分类后的识别数据集，包括分类后的识别状态数据集与分类后的识别分数值集，k的取值范围由性能模式的数量决定。
[0059]
具体而言，识别数据集d中数据类型分为两部分：识别初始状态数据以及相对应的识别分数值。通过均值漂移算法将识别分数值集中的识别分数值进行分类，得到船舶的性能模式，由于分数值与初始状态数据一一对应的特征，可获得所述性能模式对应的分类后的识别状态数据集。
[0060]
所述性能模式代表不同的智能船舶避碰算法在不同场景下的效果。具体而言：
[0061]
在本发明中，采用的评价标准限定了不同的性能模式的得分范围，共分为五类。满分为100分，具体描述为：
[0062]
得分范围在(80，100)区间内，性能模式为优秀；
[0063]
得分范围在(60，80)区间内，性能模式为良好；
[0064]
得分范围在(20，60)区间内，性能模式为较差；
[0065]
得分范围在(0，20)区间内，性能模式为很差；
[0066]
得分为0分的，性能模式为极差。
[0067]
其中的均值漂移即mean shift算法属于无监督聚类算法，在mean shift算法的实施过程中，首先要确定其带宽值，于是利用mean shift算法中的sklearn.cluster.estimate.bandwidth算法计算获得，其中的mean shift算法为现有技术，因此这里不进行赘述。
[0068]
具体的，本发明的实施例中采用矩阵图的绘制方法对聚类结果进行曲线绘制。矩阵图能够展示多维散点图，并且能够方便快捷的分析得到每个维度之间的关系。
[0069]
s6：通过数据归一化处理分类后的识别状态数据集和对应的分类后的识别分数值集，以获取处理数据集，所述处理数据集包括处理分数值集和处理状态数据集；
[0070]
具体而言，数据归一化采用最小最大标准化方法，对数据集c
p
中的每个数据线性变换，使其映射到[0,1]范围内。公式如下：为利用最大-最小标准化方法进行数据归一化处理，其中，最大-最小标准化公式如下：
[0071][0072]
公式中：代表标准化后的数据；x
i_origin
代表第i项数据；x
min
代表同类数据中的最小值；x
max
代表同类数据中的最大值；
[0073]
进一步地，得到归一化处理后的数据集为
[0074]
s7：通过dbscan聚类算法将所述每个处理状态数据按照密度分布进行分类，以获取子数据集；
[0075]
所述s7中的对所述每个处理状态数据进行分类采用的是基于密度聚类的方法获取子数据集，并将所获取的子数据集采用不同的颜色进行矩阵图的绘制。
[0076]
具体的，在本发明的一个实施例中，对每个性能模式下的处理状态数据进行分类采用的是dbscan聚类算法，并将所获取的子数据集采用不同颜色进行矩阵图的绘制。
[0077]
具体而言，采用dbscan聚类算法处理数据集中的初始状态数据，将其按照密度分布进行分类，得到数据集中包含的子数据集可表示为：可表示为：代表归一化处理后的处理状态数据；∈c代表定义密度是的领域半径；n
min
代表定义核心时的阈值。
[0078]
s8：计算所述子数据集之间的欧氏距离，获取距离数据集，利用统计百分位法按比例选取所述距离数据集中百分比小于第一阈值数量的距离数据，优选的，在本发明的实施例中，将所述距离数据集中的数据按照从小到大进行排列，并取前20％的距离数据，作为最终的边界数据集合，即作为智能船舶避碰算法测试的场景。
[0079]
所述s8中欧式距离的计算如下：
[0080][0081]
其中p代表子数据集中的第一子数据；c代表子数据集中的第二子数据，p
ij
代表第一子数据中的初始状态数据中的组成因素；c
ij
代表第二子数据中的初始状态数据中的组成因素。
[0082]
具体的，在本发明的一个实施例中，取得距离最近的子数据集合所利用的是统计百分位法，即按照20％的比例参考值取最小距离值对应的会遇场景为最终的边界数据集合。
[0083]
具体而言，子数据集与中包含的数据为归一化处理后的处理状态数据，包含四个类别的数据，计算欧氏距离应采用多维欧式距离计算公式，通过推导可获得以下公式，即四维欧氏距离计算：
[0084][0085]
其中p与c是不同的性能模式的两个子数据集，p
ij
为子数据集中的第j项初始状态数据，c
ij
为子数据集中的第j项初始状态数据。
[0086]
进一步地，保存子数据集之间的欧氏距离结果，取每行最小值作为子数据集之间的对应项初始状态数据距离最小值；将最小距离从小到大排列；利用百分位法截取前20％最小距离，得到这些最小距离对应的初始状态数据项作为不同性能模式之间的边界数据集合。
[0087]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。