智能运输船舶多传感器感知信息融合及应用深度学习的避碰导航方法

Multi-sensor perceptual information fusion and collision avoidance navigation method for Intelligent transport ship are both scientific problems to be solved to realize safe, energy-efficient environmental protection navigation in such kind of the surface vessel. It needs strong perceptual capability for intelligent ships due to actual navigation environment complex and diversified and highly unstructured. It is the aim of the proposal for better handling performance and realization of safe and efficient navigation of intelligent transport ship. The research contents are as follows. (1) To explore and research effective data/image fusion of multi-sensor mounted on board: data fusion of INS, GPS and LOG adopted gravitational field particle filter, image fusion of radar and ECDIS realized by convolutional neural network; (2) To explore and realize a collision avoidance method based on deep competitive reinforcement learning and A-Star algorithm, combined with the rules and the experience of collision avoiding at sea and suitable for a variety of complex navigational environments. Ship handling characteristics is fully considered in the design of reinforcement learning tasks, to reduce training time so as collision avoiding model available to a large class of intelligent ships. The research results of the proposed project will provide some novel methodologies for exploring and realization of sensing information fusion and optimal collision avoidance manoeuvring and control for intelligent/unmanned transport ship.

智能运输船舶的多传感器感知信息融合和基于人工智能技术的智能船舶避碰导航方法，是实现该类船舶安全高效节能环保航行所需亟待解决的科学问题。由于智能船舶的实际航行环境复杂多样，非结构化程度高，因此需要对航行环境具有很强的感知能力。本申请以提高智能运输船舶的操纵控制性能，实现其安全高效航行为目标：（1）探索研究智能运输船舶多传感器数据/图像的有效融合：应用基于引力场粒子滤波实现INS、GPS、计程仪的数据融合，应用卷积神经网络实现雷达、电子海图信息与显示系统的图像融合；（2）研究应用深度竞争强化学习及A*算法，结合海上避碰规则和避让经验，探索实现一种能够适用于多种复杂航行环境的智能运输船舶避碰导航方法。在强化学习避碰任务设计中充分考虑船舶的操纵特性，实现缩减训练时间并使得避碰模型能适用于一大类智能船舶。本研究将为探索实现智能/无人运输船舶的感知信息融合及避碰操纵优化控制，提供新的研究思路和方法。

智能运输船舶的多传感器感知信息融合和基于人工智能技术的智能船舶避碰导航方法，是实现该类船舶安全高效节能环保航行所需亟待解决的科学问题。由于智能船舶的实际航行环境复杂多样，非结构化程度高，因此需要对航行环境具有很强的感知能力。本项目以提高智能运输船舶的操纵控制性能、实现其安全高效航行为目标，完成了以下研究工作：在水面船舶运动学及动力学模型的基础上，建立磁罗经、惯性导航系统、全球导航卫星系统、多普勒测速仪的量测误差模型，对水面船舶导航传感器系统进行仿真研究。对于智能运输船舶多传感器数据/图像的有效融合研究包括：应用基于引力场粒子滤波实现INS、GPS、计程仪的数据融合，应用卷积神经网络实现雷达、电子海图信息与显示系统的图像融合。.针对航海雷达实时观测信息与电子海图水文静态信息的融合问题，构建了一种基于深度学习的雷达/电子海图感知信息融合算法。采用深度学习算法对雷达图像进行特征目标兴趣区域检测。根据检测出的雷达特征目标兴趣区域，结合雷达工作原理，设计了一种特征点搜寻算法，并依据搜寻到的映射特征点对进行融合。提出一种基于加权Harr离散小波变换的算法对其进行优化，增强了电子海图高频信息的同时，还保留了雷达探测得到的实时水面信息特征。通过实船雷达图像和海图数据验证，该算法能够实现雷达图像与电子海图的特征级融合。.项目实现了申请书中提出的研究目标。结合上述研究工作，在国际和国内重要学术期刊和学术会议发表相关论文50余篇，其中大多数被SCI或EI收录。获得4项相关发明专利。近期在国防工业出版社将出版《船舶系统仿真技术》专著一部。本研究工作成果为探索实现智能/无人运输船舶的感知信息融合及避碰操纵优化控制，提供了新的思路和方法。