[发明专利]基于注意力机制和环境感知LSTM的船舶预测导航方法

说明书

本发明公开了一种基于注意力机制和环境感知LSTM的船舶预测导航方法，包括：S1，对关注海域内所有船只的船舶AIS信息进行数据预处理，构建轨迹数据集；S2，为关注海域内每个船只分别建立一个轨迹预测模型，所述轨迹预测模型包括基于注意力机制的社会关系特征提取模块和障碍特征提取模块、运动信息编码器以及LSTM；S3，基于S1中的轨迹数据集，对S2中的所有轨迹预测模型进行同步训练；S4，利用S3中训练好的轨迹预测模型，预测某一船只未来时刻的轨迹点，从而得到一条导航推荐路线。

技术领域

本发明属于智能轨迹预测技术领域，具体涉及一种基于注意力机制和环境感知LSTM的船舶预测导航方法。

背景技术

近年来，沿海地区船舶不断增多，导致海道拥挤存在船只碰撞的危险，对周围船舶轨迹进行预测对实现船舶智能路线规划和危险预警具有重要意义。不同于普通车辆轨迹受道路和严格交通规则的制约，船舶航行随机性强、情况复杂，预测的难度更大。

目前主流的方法是机器学习，根据历史轨迹数据学习船舶运动模型的参数，其泛用性高于一般的运动模型。在船舶轨迹预测中被广泛采用的深度学习算法包括BP神经网络、卷积神经网络和长短期记忆神经网络等。

由于海域环境的复杂性，相近的船只之间存在避让或跟随的交互关系，船只对岛屿和暗礁等静止障碍物的避让也是影响其未来航路的重要因素，以上所提的算法缺少对船只间交互和避障行为的考虑，如何综合船舶的运动模型和交互避障行为是船舶智能路线导航目前面临的巨大挑战。

发明内容

鉴于以上的分析，本发明旨在公开一种基于注意力机制和环境感知LSTM的船舶预测导航方法，解决复杂拥挤环境下船舶智能导航的问题。

本发明为解决上述技术问题采用以下技术方案：

本发明公开了一种基于注意力机制和环境感知LSTM的船舶预测导航方法，包括：

S1，对关注海域内所有船只的船舶AIS信息进行数据预处理，构建轨迹数据集；

S2，为关注海域内每个船只分别建立一个轨迹预测模型，所述轨迹预测模型包括基于注意力机制的社会关系特征提取模块和障碍特征提取模块、运动信息编码器以及LSTM；

S3，基于S1中的轨迹数据集，对S2中的所有轨迹预测模型进行同步训练；

S4，利用S3中训练好的轨迹预测模型，预测某一船只未来时刻的轨迹点，从而得到一条导航推荐路线。

进一步的，所述S1实现方式包括以下子步骤：

选取船舶交互复杂、地形复杂的区域，获取关注海域内所有船只的船舶AIS信息，选定坐标原点，通过坐标轴转换将固定时间段内关注海域内船舶i的运动信息其中n是采样时刻数，表示第t个采样时刻船舶i的运动信息是第t 个采样时刻船舶i的坐标，是第t个采样时刻船舶i的航向。

对于同一区域采样到不同时间(这里指的是现实时间，几时几分)运动信息的数据，设需要第在第t采样时刻和第t+1采样时刻之间插值的采样时刻为t+Δt，对于当前船舶运动信息(X_t,Y_t,Azi_t)中的任一属性值Z_t，线性插值后的值为从而将不同时刻的坐标航向等数据对齐到相同的时刻。同样的方法将周围环境中静止的障碍物位置信息转换到同一坐标系下。

将关注海域划分为N×N的网格，船只的临近区域为N₀×N₀大小的网格，其中N₀代表临近区域的边长，N＞N₀，N为正整数。将船舶运动信息和其临近区域内的静止障碍物位置信息都进行数据归一化形成轨迹数据集。将轨迹数据集中的n个数据划分为Obs个观测输入和n-Obs个预测值。同时，将轨迹数据集划分为训练集、验证集和测试集。