基于人工智能的内河无人驾驶船舶环境感知与安全策略研究

Unmanned driving is one of the important direction of artificial intelligence today, but less development of the unmanned ship has been seen and even less research on safety strategy of unmanned ship. This project simulates the captain driving decision-making process from environmental perception, safety strategy and accumulated driving experience based on artificial intelligence. It generates environmental safety state parameters of inland river unmanned ship by obtaining environmental observation information and shore-based support information, etc. to realize the environmental observation function; and it proposes safety index model of inland river unmanned ship based on the Accident-Causing Theory to build safety strategy library. It also presents safe driving decision optimizing scheme of inland river unmanned ship based on comprehensive value judgment of the safety and economic implications, to achieve safe driving decision-making process , creating generation of safety strategy library learning update rules based on the deep reinforcement learning method to realize the experiential learning and accumulation function of safe driving. The research result of this project explains accident causation of unmanned ship in theory, and enriches the theoretical system of accident prevention. Also, it can improve the safety and economic application of unmanned ship, promotes the interlink and fusion of information discipline, artificial intelligence and ship engineering discipline academically, which provides new ideas for future intelligent shipping development.

无人驾驶技术是当今人工智能发展的重要方向之一，但无人驾驶船舶的发展相对较晚，尤其对无人驾驶船舶的安全策略研究更少。本项目基于人工智能方法，从环境感知、安全策略和驾驶经验学习积累三个方面模拟船长驾驶决策过程：通过获取的环境观察信息与岸基支持信息等，生成内河无人驾驶船舶环境安全状态参数，实现环境观察功能；提出基于事故致因的内河无人驾驶船舶安全指数模型，构建安全策略数据库，基于安全性与经济性综合价值判断，提出内河无人驾驶船舶安全驾驶优化决策方案，实现安全驾驶决策功能；基于深度强化学习方法，创建安全策略数据库学习更新规则，实现安全驾驶经验学习积累功能。本项目研究成果，在理论上诠释了无人驾驶船舶的安全事故致因，丰富安全事故理论体系；在应用上可以提高内河无人驾驶船舶的安全性和经济性；在学术上可促进信息学科、人工智能学科和船舶工程学科交叉融合；为未来智能航运发展提供新思路。

无人驾驶船舶的安全问题是当今研究相对较弱，但又非常重要的发展方向之一。本项目基于人工智能方法，从环境感知、安全策略和经验学习三个方面展开研究，以实现无人驾驶船舶的安全驾驶策略优化。项目通过获取的环境观察信息等，研究了基于深度学习的智能目标识别、路径跟随及控制等的环境数据处理方法，提出了基于事故致因的内河无人驾驶船舶安全指数模型，构建安全策略数据库，基于安全性与经济性综合价值判断，提出内河无人驾驶船舶安全驾驶优化决策方案，创建了安全策略数据库学习更新规则。.本项目主要的创新工作体现在：基于机器学习的内河无人驾驶船舶环境态势感知与环境安全状态参数生成；基于模糊贝叶斯网的内河无人驾驶船舶安全指数模型构建；内河无人驾驶船舶航运安全策略库构建与策略优化。.项目研究了典型视觉不利场景的图像增强技术，实现了白天与夜晚图像去雾和去雨；研究了船舶图像分类识别方法，提高了复杂环境下目标的检测识别与跟踪能力，构建了船舶环境安全状态参数集。研究了不同通航环境下导致事故发生的影响因素及相互作用机理；构建了基于模糊贝叶斯网安全指数模型；研究了样本船和指数基期的确定原则与方法；提出了内河无人船航运安全指数与有人船航运安全指数共同构建区域（航段）航运安全指数的观点。研究构建了基于船舶属性、环境属性、管控属性的无人驾驶船舶航行场景分类模型，实现内河无人驾驶船舶航行场景的聚类；研究了无人船安全操纵策略；基于内河避碰规则与船舶会遇态势制定避碰策略；构建了内河无人驾驶船舶航运安全策略库，建立了无人船的自主安全驾驶行为决策及自主全局路径规划模型；基于TD3算法进行优化设计，针对内河航运最常见的对驶、交叉相遇及追越三种会遇场景进行仿真试验，实现自主驾驶策略优化。.本项目研究丰富了安全事故理论体系，为提高内河无人驾驶船舶的安全性和经济性，促进信息学科、人工智能学科和船舶工程学科交叉融合，促进智能航运发展提供了新思路。