楊凌波

（北京海蘭信數(shù)據(jù)科技股份有限公司，北京100095）

0 前 言

船舶碰撞問題的研究一直是航海界專家、學(xué)者的重要研究方向，而船舶智能避碰系統(tǒng)的實(shí)現(xiàn)是船舶駕駛?cè)嬷悄芑年P(guān)鍵。 20 世紀(jì)80 年代以來，日本、英國率先使用人工智能的方法對(duì)船舶避碰問題展開研究。 專家系統(tǒng)作為人工智能領(lǐng)域中的一個(gè)重要分支，在船舶智能輔助避碰領(lǐng)域得到了廣泛應(yīng)用。

本智能輔助避碰系統(tǒng)是基于專家系統(tǒng)的船舶智能化應(yīng)用，通過對(duì)避碰信息的分析和處理判斷碰撞危險(xiǎn)等級(jí)。根據(jù)《國際海上避碰規(guī)則》（Convention on the International Regulations for Preventing Collisions at Sea 1972，COLREG）、船長和駕駛員豐富航海經(jīng)驗(yàn)及優(yōu)良船藝，做出避碰決策建議。 針對(duì)現(xiàn)有專家輔助避碰系統(tǒng)在實(shí)際應(yīng)用中的不足，對(duì)危險(xiǎn)區(qū)域劃分和避碰危險(xiǎn)度計(jì)算提出相應(yīng)的機(jī)器學(xué)習(xí)方法，充分利用現(xiàn)有實(shí)船數(shù)據(jù)，將復(fù)雜的實(shí)際海況簡(jiǎn)化，提高了現(xiàn)有系統(tǒng)的實(shí)用性。

1 避碰決策過程

根據(jù)海上實(shí)際的航行環(huán)境，智能避碰決策基本過程如下：

第一，避讓對(duì)象的識(shí)別與提取，包括水上航行船舶與水下礙航物信息的自動(dòng)獲取與預(yù)處理。 水上航行船舶的動(dòng)態(tài)信息可以借助如船舶自動(dòng)識(shí)別系統(tǒng)（Automatic Identification System，AIS）、無線電探測(cè)和測(cè)距（Radio Detection and Ranging，RADAR）/自動(dòng)雷達(dá)標(biāo)繪儀（Automatic Radar Plotting Aid，ARPA）或者兩者融合后的船舶信息作為其信息源。

第二，避碰信息的處理，包括各類避讓對(duì)象的位置、速度、距離、相對(duì)方位等避碰基本數(shù)據(jù)。 這類信息是避碰決策支持的輸入信息。 獲取基本數(shù)據(jù)后，進(jìn)行計(jì)算，得出避碰算法中需要的參數(shù)。

第三，危險(xiǎn)判斷與最佳決策的自動(dòng)生成。 如何判別航線上所有船舶和靜態(tài)礙航物的危險(xiǎn)等級(jí)，采用安全的避讓措施是智能避碰決策過程的核心環(huán)節(jié)，是船舶智能避碰決策的關(guān)鍵點(diǎn)。 在遵守COLREG、通常操船方法及優(yōu)良船藝進(jìn)行船舶間避讓的前提下， 確定安全經(jīng)濟(jì)的避讓方案是船舶智能避碰技術(shù)投入實(shí)船使用的基本要求。 船舶避碰決策基本過程如圖1 所示。

圖1 船舶避碰決策基本過程

海域信息的自動(dòng)采集和預(yù)處理決定著避碰決策的合理性和有效性。 在這個(gè)步驟中，需要得到必要的數(shù)據(jù)信息，同時(shí)又需要盡可能地簡(jiǎn)化數(shù)據(jù)。 良好的信息采集與預(yù)處理能夠極大地提升避碰算法的功能。

在處理避碰信息時(shí)，現(xiàn)有輔助避碰技術(shù)在繁忙水域中無法很好地生成避碰策略，其主要原因是目標(biāo)數(shù)量超出算法的極限。系統(tǒng)在計(jì)算避碰策略之前，引入危險(xiǎn)區(qū)域劃分概念，通過機(jī)器學(xué)習(xí)方法降低避碰目標(biāo)數(shù)量，充分利用現(xiàn)有的避碰策略生成算法。

在生成最佳避碰方案過程中，現(xiàn)有避碰危險(xiǎn)度計(jì)算方法在多船相遇時(shí)不能客觀地反映各船的危險(xiǎn)程度，主要原因是影響因素考慮不全面，并且在衡量危險(xiǎn)程度方面沒有準(zhǔn)確的量化標(biāo)準(zhǔn)。利用實(shí)船數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型能夠輸入所有影響因素，在數(shù)據(jù)集足夠大的前提下，能夠生成接近客觀的經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

2 危險(xiǎn)區(qū)域劃分

機(jī)器學(xué)習(xí)中的聚類分析算法（k-means）能夠通過分類劃分的方法將避碰目標(biāo)數(shù)減少，將一些具有相似特征的目標(biāo)聚合在一起，形成避碰區(qū)域，從而簡(jiǎn)化目標(biāo)海域信息。 目前已應(yīng)用的船舶輔助避碰算法可以較好地實(shí)現(xiàn)3～5 艘危險(xiǎn)目標(biāo)船的避碰分析，但無法較好地處理5 個(gè)以上的目標(biāo)船。 系統(tǒng)將機(jī)器學(xué)習(xí)中的聚類分析算法融入到寬水域輔助避碰系統(tǒng)，縮小可航行區(qū)域，減少避碰算法的計(jì)算量，使之能夠應(yīng)用到繁忙水域中。

目前聚類分析算法主要用于實(shí)現(xiàn)以下功能：

1）確定聚類的數(shù)量。每個(gè)繁忙水域的情況不盡相同，聚類的數(shù)量決定著避碰算法輸出結(jié)果的合理性。

2）確定聚類分析算法的標(biāo)準(zhǔn)測(cè)度函數(shù)。在考慮船舶自身安全性參數(shù)的前提下，確定聚類計(jì)算參數(shù)，通過計(jì)算分析形成合理的危險(xiǎn)區(qū)域。 危險(xiǎn)區(qū)域劃分的流程如圖2 所示。

圖2 危險(xiǎn)區(qū)域劃分流程圖

具體步驟：

1） 收集附近海域信息，得到所有船舶的方位、距離、航向、航速等信息；

2）計(jì)算目標(biāo)的危險(xiǎn)度；

3） 剔除已對(duì)本船產(chǎn)生危險(xiǎn)的目標(biāo)，對(duì)剩余目標(biāo)進(jìn)行聚類分析；

4） 將聚合的目標(biāo)進(jìn)行區(qū)域劃分，將這些區(qū)域設(shè)置為禁航區(qū)；

5） 判斷危險(xiǎn)目標(biāo)數(shù)量，如果不大于5 個(gè)，則進(jìn)入步驟7），否則進(jìn)入步驟6）；

6） 刪除次危險(xiǎn)級(jí)的目標(biāo)，再對(duì)目標(biāo)進(jìn)行可行的聚類分析，最終使得危險(xiǎn)目標(biāo)數(shù)量不大于5 個(gè)；

7） 將危險(xiǎn)目標(biāo)和經(jīng)過上面步驟處理后的可航行區(qū)域輸入到避碰算法中。

其中步驟3）的聚類分析為該技術(shù)的重點(diǎn)，詳細(xì)的聚類分析流程如圖3 所示。

圖3 聚類分析流程圖

具體步驟：

1）通過SSE（簇內(nèi)誤方差）分析得出最合理的k值（聚類中心個(gè)數(shù)）；

2）從n 個(gè)目標(biāo)中任意選取k 個(gè)目標(biāo)作為初始聚類中心；

3） 計(jì)算每個(gè)目標(biāo)距離均值（聚類中心）的距離，并根據(jù)最小距離重新對(duì)目標(biāo)進(jìn)行劃分；

4）計(jì)算每個(gè)（有變化）聚類的均值（中心對(duì)象）；

5） 如果每個(gè)聚類目標(biāo)到中心的距離均值大于每個(gè)聚類目標(biāo)的平均SDA（安全會(huì)遇距離）值，則結(jié)束算法，否則回到步驟3）。

使用聚類算法后，有效地提高了現(xiàn)有多目標(biāo)避碰算法的使用范圍，在具有大量相似運(yùn)動(dòng)特征的船舶航行水域，能夠有效降低避碰問題計(jì)算的復(fù)雜度，提升避碰策略的合理性和適用性。

3 碰撞危險(xiǎn)度

3.1 碰撞危險(xiǎn)度評(píng)價(jià)體系

根據(jù)COLREG， 船員在實(shí)際操作中， 以DCPA（最近會(huì)遇距離）和TCPA（最近會(huì)遇時(shí)間）判斷碰撞危險(xiǎn)是最常見的方法。 如果目標(biāo)船在SDA 外通過，即DCPA＞SDA，則兩船沒有碰撞危險(xiǎn)；如果DCPA＜SDA 且TCPA＞0， 則兩船存在碰撞危險(xiǎn)。 最小SDA是以本船為中心，不考慮船舶操縱余量，兩船保向保速不致發(fā)生碰撞的安全會(huì)遇距離最小值，又稱碰撞區(qū)域半徑。 文獻(xiàn)［1］以SDA 和最小SDA 作為重要判斷參數(shù)，形成碰撞危險(xiǎn)度評(píng)估方法如下：

1） 一般危險(xiǎn)：本船改向30°或10°（本船為追越船），目標(biāo)船與本船能在SDA 外安全通過；

2） 緊迫局面：本船改向90°或Cm（特殊交會(huì)特征DCPA 變化最大且小于90°的最大改向角），目標(biāo)船與本船能在最小SDA 以外安全通過；

3） 緊迫危險(xiǎn)：本船改向90°或Cm，目標(biāo)船與本船在最小SDA 以外不能安全通過，此時(shí)需要本船變速或者需要目標(biāo)船協(xié)同避讓。

3.2 神經(jīng)網(wǎng)絡(luò)模型

基于文獻(xiàn)［2］的研究，采取神經(jīng)網(wǎng)絡(luò)方法計(jì)算碰撞危險(xiǎn)度。 系統(tǒng)選用以下10 個(gè)因素作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)：

1）dCPA——兩船最近會(huì)遇距離

2）tCPA——兩船最近會(huì)遇時(shí)間

3）D——兩船間的距離

4）B——目標(biāo)船的相對(duì)方位

5）Vo——本船速度

6）Vt——目標(biāo)船速度

7）Co——本船航向

8）Ct——目標(biāo)船航向

9）Lo——本船船長

10）Lt——目標(biāo)船船長

在上述10 個(gè)因素中， 各因素對(duì)碰撞危險(xiǎn)度的影響程度不同。 為了能夠更貼合實(shí)際情況，在不同的會(huì)遇態(tài)勢(shì)中，碰撞危險(xiǎn)度的神經(jīng)網(wǎng)絡(luò)模型也不一樣。

結(jié)合實(shí)際情況和文獻(xiàn)［3］的研究，會(huì)遇態(tài)勢(shì)可劃分為A、B、C、D 和E 類，如圖4 所示：

圖4 目標(biāo)船會(huì)遇屬性劃分圖

1） A：包含來船與本船右舷交叉的情形和來船與本船對(duì)遇的情形，相對(duì)方位范圍為｛354°，360°｝和｛0°，67.5°｝；

2）B：包含來船與本船右舷大角度交叉的情形，相對(duì)方位范圍為｛67.5°，112.5°｝；

3）C：包含來船追越本船的情形，相對(duì)方位范圍為｛112.5°，247.5°｝；

4）D：包含來船與本船構(gòu)成左舷交叉的情形，相對(duì)方位范圍為｛247.5°，354°｝；

5）E：包含來船為被追越船的情形。

其中A 類和E 類在避讓方法上沒有區(qū)別， 將它們劃歸為同一類。 所以最后組成4 個(gè)神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖5所示。 這是一個(gè)反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)模型，其中包含輸入層、輸出層和2 個(gè)隱藏層。BP 神經(jīng)網(wǎng)絡(luò)的傳播過程主要分為2 個(gè)階段：第一階段是信號(hào)的前向傳播，從輸入層經(jīng)過隱藏層，最后到達(dá)輸出層；第二階段是誤差的反向傳播，從輸出層到隱藏層，最后到輸入層。 依次調(diào)節(jié)輸入層、 各隱藏層和輸出層的權(quán)重 （w） 和偏置（b）。 訓(xùn)練數(shù)據(jù)集使用經(jīng)過篩選后的100 萬條實(shí)船數(shù)據(jù)集，其中包含現(xiàn)有避碰算法的計(jì)算結(jié)果。

圖5 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

使用大量數(shù)據(jù)對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練后，得到4 個(gè)模型預(yù)測(cè)準(zhǔn)確率分別為：

1）A 類和E 類情形：96.4%；

2）B 類情形：94.0%；

3）C 類情形：96.6%；

4）D 類情形：92.0%。

預(yù)測(cè)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)算法能夠得到準(zhǔn)確度較高的碰撞危險(xiǎn)度，再繼續(xù)增加訓(xùn)練數(shù)據(jù)集的大小后，能夠繼續(xù)提升準(zhǔn)確度。

4 結(jié) 語

在智能船舶輔助避碰系統(tǒng)中，使用機(jī)器學(xué)習(xí)方法計(jì)算或者優(yōu)化相關(guān)參數(shù)，與現(xiàn)有的避碰算法有機(jī)結(jié)合，得出更加準(zhǔn)確合理的避讓方案。 在危險(xiǎn)區(qū)域劃分中，使用聚類算法，在確保安全的前提下，減少避讓目標(biāo)數(shù)量，擴(kuò)大了現(xiàn)有多目標(biāo)避碰算法的使用范圍。 基于文獻(xiàn)［2］的研究思想，利用現(xiàn)有的歷史實(shí)船數(shù)據(jù)對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 得到較準(zhǔn)確的碰撞危險(xiǎn)度預(yù)測(cè)模型，為避碰決策的生成提供了準(zhǔn)確有效的閾值范圍。 神經(jīng)網(wǎng)絡(luò)的應(yīng)用和大數(shù)據(jù)集的使用為未來的避碰研究方向提供了思路。