原标题：智能航行，离不开这些硬核关键技术
依据中国船级社《智能船舶规范》的定义，船舶智能航行具体指可利用计算机技术、控制技术等对感知和获得的信息进行分析和处理，对船舶航路和航速进行设计和优化；可行时，借助岸基支持中心，船舶能在开阔水域、狭窄水道、复杂环境条件下自动避碰，实现自主航行。综合来看，智能航行的关键技术主要包含感知与信息融合、运动控制、避碰决策以及测试验证等方面。
1、感知与信息融合
智能船舶在航行过程中，需要对船舶内部设备运行状态、船舶自身运动状态和外部航行环境进行自动感知，并在不同感知范围、方式上进行融合，以提高单一传感器的感知精度、范围和准确度。
船舶内部设备方面，主要包含船舶机舱内主机、主轴、舵桨等设备运行信息的感知获取，一般通过在关键位置安装温度、压力、转速等传感器来进行状态的实时监测，以满足控制反馈、故障诊断等需求。特别地，对货运船舶(尤其是危险品船)而言，货舱状态和货物状态的实时感知也十分重要，目前主要采用远程监控和压力、液位等传感器结合方式进行状态感知和监控。
船舶自身运动状态主要包含前进、横移、首摇等方向上的位置角度和速度状态，一般通过高精度GPS/GNSS/北斗设备、罗经/惯导等设备获取的经纬度、航速、航向以及船首向等进行解算。其中，GPS和惯导所获取的运动信息可进行相互融合形成组合导航，以减小惯导的累积误差，并提高定位实时性。
船舶的外部航行环境感知是智能航行的重要环节，目前主要以海事雷达、视觉传感器、电子海图、AIS(automatic identification system)等为主，辅以激光雷达、RFID、水下声呐以及超声波距离传感器等感知设备来对其他船舶及水面障碍、岸线、水深等信息进行感知。在早期的研究中，雷达和AIS是较常使用的感知手段，大部分具备ARPA功能的雷达可以跟踪一定数量目标船的运动状态，并得到相对方位、速度以及最近会遇距离(distance close to the point approach, DCPA)、最近会遇时间(time close to the point approach, TCPA)等信息。由于AIS感知的有源特性，常被用于与雷达信息进行融合，以减小雷达目标的虚警率。
2、运动控制
得益于现代控制理论的发展，对船舶运动控制的研究已趋于成熟，主要包含船舶运动建模和自动导航(如航向控制、路径跟踪)问题两大类。
(1)运动建模
目前广泛使用的船舶运动模型主要分为分离型模型、整体型模型和响应型模型三类。分离型模型将裸船体、舵和桨分开进行单独受力分析；整体型模型则将三者作为一个受力整体，通过级数展开来获得各个水动力导数；响应型模型可看作整体型模型的简化，主要描述船舶转首运动对操舵响应的关系。
整体型模型和响应型模型结构简单，多使用系统辩识方法来进行参数确定。在20世纪70年代，KJ.Astrom等就针对水下运载器的一阶响应模型进行了参数辨识。此后，极大似然法、卡尔曼估计滤波以及最小二乘等方法逐渐被应用在船舶运动建模中。到2000年之后，神经网络、支持向量机、群智能算法等开始被广泛关注。近年来，分离型模型由于建模方式灵活、水动力参数意义明确等优点，被应用在一系列复杂船型中。
随着自主船舶的多样化，航行条件的复杂化，常规低频操舵下的运动建模研究难以适应自主船舶运动控制的需求。从不同船型、不同航态下的动态特性中找出影响船舶操纵运动的因素和变化规律，并对操纵性指数作出建模和预报，是目前智能船舶运动建模研究的一个方向。基于此，针对智能船舶在较高频操舵和变化航速下的自动控制需求，对更复杂的水动力模型进行精确建模和预报是未来智能船舶操纵性建模研究的发展趋势。
(2)自动导航
船舶自动导航研究依赖于控制理论的发展和应用。随着GPS/GNSS、北斗等全球导航系统以及差分定位技术的成熟和普及，智能船舶的精确导航已成为可能。在船舶导航研究中，航向控制和路径跟踪是最基本的导航问题，相关方法从最早的PID算法逐步发展到了滑模控制、最优控制、模型预测控制和人工智能等复杂算法。
在基于模型的控制方法中，模型预测控制(model predictive control，MPC)具有显示处理约束、滚动优化和实时反馈的能力，成为船舶自动导航的常用控制方法。此外，外界环境干扰和系统扰动是精确跟踪控制的一大难点，需要引入状态观测器和自抗扰控制等技术对扰动进行抑制处理。
相比较普通船舶而言，智能船舶对于自动导航控制算法的鲁棒性和自适应性要求较高，未来智能船舶的自动导航需要研究更为通用和精确的控制算法。
3、避碰决策
在船舶的航行过程中，在航线范围内出现来船或其他障碍时，进行及时有效的自动避碰决策是船舶航行安全的重要保障。目前所研究的方法包含以A*、人工势场APF为代表的路径规划方法、基于规则的决策方法和专家系统、神经网络、模糊控制、群智能优化、深度学习和强化学习等优化理论与方法。
A*和APF路径规划方法原理较为简单，易于实现，但原始算法存在局部极值、效率较低等问题，一般需要进行一些改进性研究。如当栅格地图较为复杂或地图较大时，通过分层规划策略来改进A*的搜索效率；当APF因为步长选择不当、或斥引力共线等情况下陷入局部极值时，可通过修改斥力场函数、来跳出局部极值问题。此外，极限环方法(Limited Cycle Method, LCM)也是一种与APF类似的虚拟势场方法，通过一个围绕障碍物的对相邻点具有吸引力的极限环来得到收敛在环上的路径。一般地，路径规划方法对船舶操纵性考虑不多，较适用于静态或相对本船速度较小的障碍物，在多船会遇或来船速度较大时效果欠佳。
基于规则的方法则一般通过综合考虑《国际海上避碰规则》、船舶的操纵特性、专家的开船经验等来进行规则设定，然后基于规则并结合神经网络、专家系统、模糊逻辑等算法进行推理，给出转向、加减速等决策建议。这类算法在两船会遇中易于实现，但在处理多船复杂态势中需要仔细考虑规则的适用性。
专家系统方法通过借鉴航海领域内的专家经验和航行规则来解决避碰问题。以典型基于AIS的专家系统为例，通过使用AIS信息作为专家系统的数据库，使用船长开船经验和避碰规则作为推理机中的部分规则进行避碰模拟，最后得到避碰方案。
随着模糊数学、模型预测控制(model predictive control, MPC)、神经网络、速度障碍法(velocity obstacle, VO)、进化算法、随机搜索算法、深度学习、强化学习(reinforcement learning, RL)等优化算法的逐渐发展和应用，综合考虑船舶运动模型、最近会遇距离DCPA、最近会遇时间TCPA和航行规则等因素进行实时船舶避碰研究成为智能航行避碰决策的发展趋势和主要方向。这类方法通过在预先计算得到的无碰撞区域内进行优化，或直接在优化目标中考虑碰撞约束来实现动作的实时决策。其中，随机搜索算法和强化学习RL这类模型无关的方法近年来开始受到学者的广泛关注。
随机搜索算法不需要待优化对象的显式梯度信息，使用随机搜索策略和给定的适应度函数进行寻优，以蚁群算法(ant colony optimization, ACO)和粒子群算法(particle swarm optimization, PSO)应用最为广泛。其适应度函数一般以与障碍物距离或碰撞危险度等为安全适应度，以总路径长度、转向角度等为经济适应度来进行构建。鉴于PSO结构简洁，易于与不同的算法进行结合，由此改进而取得的一系列算法(包括双种群PSO、小生境PSO、混沌PSO、元胞PSO等)均在船舶避碰中得到了广泛应用。
强化学习RL方法通过自身模型所搭建的训练环境来考虑模型特性，可将避碰的约束加入回报函数中，最终通过对策略网络的不断更新，学习到满足避让要求的即时策略，但同时需要长时间的预先训练过程。此外，强化学习方法需要选择合适的状态-动作空间和回报函数，否则会产生策略难以收敛、计算复杂度较高等问题，增加时间代价。目前，传统Q-learning和深度Q网络、DDPG等深度强化学习方法在船舶避碰领域均有应用，已取得了初步成果。
4、测试验证
在智能航行技术研究方面，目前国内外相关机构和学者已经在理论方法上取得了丰富的成果。但随着智能算法复杂程度不断提升，其应用于实船中进行航行和避碰试验的难度和风险逐渐增大。根据《智能船舶规范》，船舶自动避碰能力是智能航行系统的关键，有必要结合海上避碰规则和实际场景进行船舶避碰性能的系统性测试与验证，形成可靠的评价指标体系。以下以船舶避碰测试技术为例，分析在测试验证中的一些要点和指标要求。
(1)会遇局面分析
实际两船的会遇场景在国际海上避碰规则中被定义为对遇、追越以及交叉相遇三大类。其中，对遇局面以及追越局面(被追越)的定义较为清晰。一般认为对遇指当一船看见他船在正前方或接近正前方的情形。追越为一船正从他船正横后大于22.5°的某一方向赶上他船时，即该船对其所追越的船所处的位置。剩余的会遇态势则用交叉相遇来概括，如下图所示。
图 不同会遇态势
考虑到在不同的会遇态势下，不同相对距离的两船之间形成的碰撞危险不尽相同。原则上，应在碰撞危险局面、紧迫局面和紧迫危险局面下分别考虑对不同会遇态势的两船进行避碰测试。
①碰撞危险局面
当本船为直航船时，在考虑规则和最终避碰目的前提下，在碰撞危险局面下本船应为直航船，需要保向保速；当相对位置接近到紧迫局面或紧迫危险时，本船不免除避让义务。当本船为让路船时，无论两船之间处于何种局面，本船应采用必要的措施以最小化碰撞危险，避免发生事故。此外，能见度和海况对避碰建议也具有一定影响。能见度和海况不佳时，形成会遇局面的两船均具备避让义务。此时规则只对原则性行为进行规定，如应尽可能避免除对被追越船外，“对正横前的船舶采取向左转向”，“对正横或正横后的船舶采取朝着它转向”行为。一般地，此时本船行动的初始条件基于他船保速保向来进行决定，但不排除他船采取非正常行为时的会遇场景。
②紧迫局面
两船处于紧迫局面时，本船在所有情形下均需要采取必要的避让行为。此时无需区分直航船与让路船。此外，能见度、海况情况，以及他船行为合理性均需要进行考虑。
③紧迫危险
在紧迫危险下，两船之间的避让责任与紧迫局面相同。由于在该阶段，单靠本船行动已经难以避免碰撞，一般需要两船采取协调行为以最小化碰撞危险，但在测试时仍需要考虑他船不协调避让的情形。
综合来看，会遇局面(危险、紧迫、紧迫危险)、能见度与海况、他船行为合理性等均是在船舶避碰测试中需要考虑的因素，在测试过程中需要根据这些因素组合得到合适的测试场景。
(2)测试指标体系
船舶避碰问题是典型的不确定性问题，即通过有限场景和已知干扰环境下的实船或仿真测试也无法完全确定船舶是否能成功避让一定条件下的所有来船。因此，目前船舶避碰指标的研究基本采取定性功能指标和定量性能指标综合进行判定的方法，并结合专家经验给出避碰能力的大致描述。
图 避碰指标体系
上图所示为避碰测试指标体系的示意图。在定性指标中，规则符合性、会遇态势判断准确性、避让及时性、以及是否避让成功(根据DCPA、相对距离等来进行判断)等均是需要考虑的因素；而在定量指标中，则需要对实际两船距离、航向角曲线、舵角曲线、绕路距离、油耗曲线等的统计结果(如最小相对距离、平均油耗)进行计算，最后通过专家打分或设定权重方式得到最终避让能力的评判指标。
船舶智能航行是船舶迈向自主化的关键技术内容。目前，国内外在智能航行方面的理论方法研究已经较为成熟，但针对不同算法和模型的测试研究尚未形成统一的指标体系。鉴于实际智能船舶的完全自主化和无人化还需要较长一段时间，未来还需要针对复杂条件下船舶的自动避碰、自动靠离泊、远程驾驶等的相关测试技术、测试方法进行深入研究，并制定完整的船舶智能航行测试以及评估方案，保障船舶智能航行的安全性和可靠性。
END
责任编辑：