[发明专利]一种船舶自主导航方法及装置

说明书

本发明涉及一种船舶自主导航方法，包括以下步骤：构建船舶运动模型，并基于航行水域地图构建航行水域模型；基于所述航行水域模型，采用蚁群优化算法进行全局航迹规划，生成全局参考航迹；基于所述船舶运动模型，采用Q‑learning算法进行局部风险避碰规划，生成实时风险避碰策略；结合所述全局参考航迹和所述局部风险避碰策略实现船舶自主导航。本发明可以实现船舶在大水域范围内航行时，实时、准确的自主导航。

技术领域

本发明涉及船舶控制与决策技术领域，尤其涉及一种船舶自主导航方法、装置及计算机存储介质。

背景技术

随着人工智能、物联网等高新技术的蓬勃发展，船舶作为一种广泛应用于货物流通，军事巡航，民众通行的载具，得到了研究人员地高度重视。由于船舶的运动不同于陆上、空中载具，受环境影响较大，航行存在大量不确定性和风险性。为了实现船舶的正常航行，需要解决船舶全局航迹规划和局部风险避碰这两个关键性问题。

对于全局航迹规划问题，目前多种算法被应用于船舶自主导航的研究，如Dijkstra算法、A*算法、人工势场法、粒子群优化算法、蚁群优化算法等。但这些经典的离线方法，需要预先获取完整的环境先验知识，这是目前难以完全实现的，同时这也加大了环境建模的难度，因此单独使用上述方法不适用于船舶实时的自主导航。

对于局部风险避碰问题，主流方法侧重于对环境进行实时建模。如通过分析船体一定范围内的障碍物信息进行复杂度聚类，结合蚁群优化算法实现了动态避障，这种方法在避障上有优秀的表现，但当起始点距离目标较远时，易产生冗余的轨迹。而另一些研究人员采用试错法弱化环境建模的复杂度，考虑到了海上风浪影响，提出了基于Q-learning的自主导航算法，实现了未知环境下机器人的智能避碰；在Q-learning算法上，引入了人工势场法，进一步提高了Q-learning算法的收敛速度。但基于栅格的Q-learning算法受水域尺寸的影响较大，在大型水域中进行自主导航将会增大航迹随机性，不利于航迹收敛。

发明内容

有鉴于此，有必要提供一种船舶自主导航方法及装置，用以解决全局航迹规划无法适用于实时导航，局部风险避碰不适用于大型水域、航迹收敛慢的问题。

本发明提供一种船舶自主导航方法，包括以下步骤：

构建船舶运动模型，并基于航行水域地图构建航行水域模型；

基于所述航行水域模型，采用蚁群优化算法进行全局航迹规划，生成全局参考航迹；

基于所述船舶运动模型，采用Q-learning算法进行局部风险避碰规划，生成实时风险避碰策略；

结合所述全局参考航迹和所述局部风险避碰策略实现船舶自主导航。

进一步地，构建船舶运动模型，具体为：

建立船舶模型；

将船舶的运动分解为随中心点的平动以及绕中心点的转动，将船舶的运动简化为在水平面的运动，得到船舶的运动学描述；

设置转向阈值，对船舶的转向进行约束；

以中心点为圆心、以安全距离为半径，设置船舶的安全区域；

结合所述船舶模型、运动学描述、转向阈值以及安全区域，得到所述船舶运动模型。

进一步地，基于航行水域地图构建航行水域模型，具体为：

获取航行水域地图，对所述航行水域地图中障碍物进行边缘提取；

利用Graham扫描法提取边缘的凸包，设置最小边长阈值与最小周长阈值，滤除边长小于最小边长阈值或周长小于最小周长阈值的凸包；

对所述凸包进行等距离缩放，使之完全包围相应的障碍物；