论文部分内容阅读
在“无人船”从投入使用到全面普及的过程中,必将经历“无人船对有人船”模式下的两类或多类型船舶会遇的复杂过渡时期。这个时期是海上航行安全研究的瓶颈期,也是在研究过程中考虑的影响因素最多、海域环境最复杂的时期。为此本论文尝试在“无人船对有人船”模式条件下,开展无人船舶智能避碰决策及关键技术的研究,并以“基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习”为选题,研究如何生成合理有效的船舶智能避碰决策新方法。将自动识别系统(Automatic Identification System,AIS)大数据与人工智能/机器学习的相关理论进行有效结合,期望能够提升船舶智能避碰决策的实用性、有效性和合理性。本文以AIS大数据为研究基础,围绕船舶智能避碰决策及关键技术,对相关问题进行分析研究,针对AIS大数据挖掘、船舶会遇数据提取、船舶轨迹关键特征点识别、船舶航行行为预测、船舶操纵行为识别以及避碰决策学习等多个方面进行研究。整体采取“大数据挖掘”-“大数据分析”-“大数据学习”的研究流程,对船舶智能避碰决策进行研究,力求得出拟人化的贴近常规海上做法的船舶智能避碰决策。同时,本文基于2018年宁波舟山、2015年天津港区、2017年老铁山水道附近水域和2017年成山头附近水域AIS实船轨迹数据,进行了上述方法的验证和神经网络训练。本文使用AIS大数据,克服了以往对于数据来源可靠性较低、说服力不足以及收集基础数据困难等缺点。从AIS大数据中提取海上成功避碰案例,建立船舶避碰行为模式库,通过机器学习训练得出合理有效的避碰决策。本论文的主要研究内容有:(1)应用支持向量分类机(Support Vector Classification,SVC)模型,构造船舶会遇方位图。识别AIS数据中实际发生船舶会遇的轨迹数据,计算得出船舶会遇对应的方位散点,将大数据挖掘的结果与《国际海上避碰规则》相结合,精确量化船舶会遇方位各边界数值,得出船舶会遇8方位图和12类船舶会遇模式;(2)提出改进的变尺度Sliding window算法,构建船舶轨迹点的价值衡量体系,识别并提取AIS轨迹数据中具有时空特性的关键特征点。提升整体AIS数据质量,降低后续研究的运算量,挖掘轨迹数据中隐藏的船舶操纵行为;(3)提出船舶操纵行为基(Ship Handling Behavior Basic,SHBB)的概念。在船舶轨迹关键特征点的位置切割船舶轨迹,采用T分布随机近邻嵌入(T-Distributed Stochastic Neighbor Embedding,T-SNE)和谱聚类的联合算法对截断产生的船舶子轨迹段进行聚类分析,得到1 1类船舶的操纵行为模式;(4)构建双向长短时记忆循环神经网络(Bidirectional Long Short-Term Memory Recurrent Neural Network,Bi-LSTM RNN)来预测船舶航行行为,预判他船航行时的操纵意图,提高船舶智能避碰系统的准确性、有效性和先验性;(5)基于提取出的船舶会遇避碰成功案例,构建Encoder-Decoder应答式网络对船舶避碰行为模式库进行seq2seq的结构化机器学习,快速学习经过筛选识别的船舶会遇数据,通过应答的方式生成船舶避碰决策;(6)将训练成熟的Encoder-Decoder网络迁移嵌套进入条件-生成对抗神经网络之中并结合所提出的船舶操纵行为基拼接规则构建基于序列-条件生成对抗神经网络(Sequence Conditional Generative Adversarial Networks,Seq-CGAN)的船舶智能避碰拟人化决策的结构化学习模型,使生成的决策更为贴近海上航行的通常做法以及良好船艺的要求,提高与有人船的融合性,力求得出拟人化的船舶智能避碰决策。综上所述本文有效地提升了船舶避碰的智能化水平,降低了船舶碰撞风险,对保障船舶海上航行安全具有现实意义,为数据科学在海事领域中的应用提供了重要理论基础,为人工智能技术在船舶驾驶方向的应用提供研究支持。