機器學(xué)習(xí)在智能輔助避碰系統(tǒng)中的應(yīng)用

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)的實現(xiàn)是船舶駕駛?cè)嬷悄芑年P(guān)鍵。 20 世紀80 年代以來，日本、英國率先使用人工智能的方法對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，通過對避碰信息的分析和處理判斷碰撞危險等級。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)驗及優(yōu)良船藝，做出避碰決策建議。 針對現(xiàn)有專家輔助避碰系統(tǒng)在實際應(yīng)用中的不足，對危險區(qū)域劃分和避碰危險度計算提出相應(yīng)的機器學(xué)習(xí)方法，充分利用現(xiàn)有實船數(shù)據(jù)，將復(fù)雜的實際海況簡化，提高了現(xiàn)有系統(tǒng)的實用性。

1 避碰決策過程

根據(jù)海上實際的航行環(huán)境，智能避碰決策基本過程如下：

第一，避讓對象的識別與提取，包括水上航行船舶與水下礙航物信息的自動獲取與預(yù)處理。 水上航行船舶的動態(tài)信息可以借助如船舶自動識別系統(tǒng)（Automatic Identification System，AIS）、無線電探測和測距（Radio Detection and Ranging，RADAR）/自動雷達標繪儀（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，包括各類避讓對象的位置、速度、距離、相對方位等避碰基本數(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，進行計算，得出避碰算法中需要的參數(shù)。

第三，危險判斷與最佳決策的自動生成。 如何判別航線上所有船舶和靜態(tài)礙航物的危險等級，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。 在遵守COLREG、通常操船方法及優(yōu)良船藝進行船舶間避讓的前提下， 確定安全經(jīng)濟的避讓方案是船舶智能避碰技術(shù)投入實船使用的基本要求。 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。 在這個步驟中，需要得到必要的數(shù)據(jù)信息，同時又需要盡可能地簡化數(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，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，其主要原因是目標數(shù)量超出算法的極限。系統(tǒng)在計算避碰策略之前，引入危險區(qū)域劃分概念，通過機器學(xué)習(xí)方法降低避碰目標數(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)有避碰危險度計算方法在多船相遇時不能客觀地反映各船的危險程度，主要原因是影響因素考慮不全面，并且在衡量危險程度方面沒有準確的量化標準。利用實船數(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?zāi)Ｐ汀?/p>

2 危險區(qū)域劃分

機器學(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數(shù)減少，將一些具有相似特征的目標聚合在一起，形成避碰區(qū)域，從而簡化目標海域信息。 目前已應(yīng)用的船舶輔助避碰算法可以較好地實現(xiàn)3～5 艘危險目標船的避碰分析，但無法較好地處理5 個以上的目標船。 系統(tǒng)將機器學(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現(xiàn)以下功能：

1）確定聚類的數(shù)量。每個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準測度函數(shù)。在考慮船舶自身安全性參數(shù)的前提下，確定聚類計算參數(shù)，通過計算分析形成合理的危險區(qū)域。 危險區(qū)域劃分的流程如圖2 所示。

圖2 危險區(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）計算目標的危險度；

3） 剔除已對本船產(chǎn)生危險的目標，對剩余目標進行聚類分析；

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

5） 判斷危險目標數(shù)量，如果不大于5 個，則進入步驟7），否則進入步驟6）；

6） 刪除次危險級的目標，再對目標進行可行的聚類分析，最終使得危險目標數(shù)量不大于5 個；

7） 將危險目標和經(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，詳細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（聚類中心個數(shù)）；

2）從n 個目標中任意選取k 個目標作為初始聚類中心；

3） 計算每個目標距離均值（聚類中心）的距離，并根據(jù)最小距離重新對目標進行劃分；

4）計算每個（有變化）聚類的均值（中心對象）；

5） 如果每個聚類目標到中心的距離均值大于每個聚類目標的平均SDA（安全會遇距離）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)有多目標避碰算法的使用范圍，在具有大量相似運動特征的船舶航行水域，能夠有效降低避碰問題計算的復(fù)雜度，提升避碰策略的合理性和適用性。

3 碰撞危險度

3.1 碰撞危險度評價體系

根據(jù)COLREG， 船員在實際操作中， 以DCPA（最近會遇距離）和TCPA（最近會遇時間）判斷碰撞危險是最常見的方法。 如果目標船在SDA 外通過，即DCPA＞SDA，則兩船沒有碰撞危險；如果DCPA＜SDA 且TCPA＞0， 則兩船存在碰撞危險。 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)生碰撞的安全會遇距離最小值，又稱碰撞區(qū)域半徑。 文獻［1］以SDA 和最小SDA 作為重要判斷參數(shù)，形成碰撞危險度評估方法如下：

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

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

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

3.2 神經(jīng)網(wǎng)絡(luò)模型

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

1）dCPA——兩船最近會遇距離

2）tCPA——兩船最近會遇時間

3）D——兩船間的距離

4）B——目標船的相對方位

5）Vo——本船速度

6）Vt——目標船速度

7）Co——本船航向

8）Ct——目標船航向

9）Lo——本船船長

10）Lt——目標船船長

在上述10 個因素中， 各因素對碰撞危險度的影響程度不同。 為了能夠更貼合實際情況，在不同的會遇態(tài)勢中，碰撞危險度的神經(jīng)網(wǎng)絡(luò)模型也不一樣。

結(jié)合實際情況和文獻［3］的研究，會遇態(tài)勢可劃分為A、B、C、D 和E 類，如圖4 所示：

圖4 目標船會遇屬性劃分圖

1） A：包含來船與本船右舷交叉的情形和來船與本船對遇的情形，相對方位范圍為｛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，相對方位范圍為｛67.5°，112.5°｝；

3）C：包含來船追越本船的情形，相對方位范圍為｛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 個神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖5所示。 這是一個反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)模型，其中包含輸入層、輸出層和2 個隱藏層。BP 神經(jīng)網(wǎng)絡(luò)的傳播過程主要分為2 個階段：第一階段是信號的前向傳播，從輸入層經(jīng)過隱藏層，最后到達輸出層；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 萬條實船數(shù)據(jù)集，其中包含現(xiàn)有避碰算法的計算結(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BP 神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練后，得到4 個模型預(yù)測準確率分別為：

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

4 結(jié) 語

在智能船舶輔助避碰系統(tǒng)中，使用機器學(xué)習(xí)方法計算或者優(yōu)化相關(guān)參數(shù)，與現(xiàn)有的避碰算法有機結(jié)合，得出更加準確合理的避讓方案。 在危險區(qū)域劃分中，使用聚類算法，在確保安全的前提下，減少避讓目標數(shù)量，擴大了現(xiàn)有多目標避碰算法的使用范圍。 基于文獻［2］的研究思想，利用現(xiàn)有的歷史實船數(shù)據(jù)對BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練， 得到較準確的碰撞危險度預(yù)測模型，為避碰決策的生成提供了準確有效的閾值范圍。 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。