基于CBR方法的船舶避碰决策支持模型探析

介绍了CBR技术,并从船舶避碰案例库的建立、基于评估系统的避碰案例学习两个方面阐述了基于CBR方法的船舶避碰决策支持模型。     

舰船自动智能避碰数学模型及其仿真研究

为了提高舰船航行的安全和效率,达到最佳操船效果,需要建立舰船自动智能避碰数字模型。当前模型在分析舰船避碰风险度的基础上,通过人工智能、进化计算和软计算等方法实现舰船自动智能避碰,存在避碰识别准确率较低的问题。本文提出一种新的舰船自动智能避碰数学模型,首先对舰船会遇态势进行判断;然后建立预测舰船碰撞风险判断模型,预测本舰船实施自动智能避碰方案后的复航时机是否已到,以及本舰船立即复航是否能够让清目标舰船或其他所有目标舰船;最后依据舰船碰撞风险判断结果,以当前舰船潜在碰撞风险为例,建立舰船自动智能避碰数学模型。仿真结果证明,所提模型能够实现舰船自动智能避碰。     

舰船自动智能避碰数学模型及其仿真研究

为了提高舰船航行的安全和效率,达到最佳操船效果,需要建立舰船自动智能避碰数字模型.当前模型在分析舰船避碰风险度的基础上,通过人工智能、进化计算和软计算等方法实现舰船自动智能避碰,存在避碰识别准确率较低的问题.本文提出一种新的舰船自动智能避碰数学模型,首先对舰船会遇态势进行判断;然后建立预测舰船碰撞风险判断模型,预测本舰船实施自动智能避碰方案后的复航时机是否已到,以及本舰船立即复航是否能够让清目标舰船或其他所有目标舰船;最后依据舰船碰撞风险判断结果,以当前舰船潜在碰撞风险为例,建立舰船自动智能避碰数学模型.仿真结果证明,所提模型能够实现舰船自动智能避碰.     

一个对象关系型船舶避碰案例模糊数据库系统模型

提出了一个基于对象关系数据模型的避让案例模糊数据库系统模型。该模型分为二级：用户级和系统级。其中引入了模糊技术和面向对象的方法，分别建立起了用于描述避让案例的数据库模型和用于描述系统模糊性的知识库模型，确定了相应的模糊数据表示形式，定义了各种模糊对象类型，重载并新增了相应的模糊操作算子，实现了模糊数据库上的查询功能。该模型具有更好的实用性和系统性，可以为船舶避碰提供更加有效的决策支持。     

多船会遇自主避碰算法

船舶碰撞事故不仅带来人员和财产的巨大损失,还造成了环境污染、资源浪费等严重后果。因此,船舶自主避碰技术已成为当前船舶与航运领域研究的热点问题。提出了一种满足COLREGs避碰规则的多船会遇自主避碰算法,以经典速度障碍法为基础设计自适应采样避碰轨迹生成算法,并应用运动基元理论对避碰轨迹进行调整,使轨迹满足船舶操纵性约束条件。针对案例三体船模型,完成了多船会遇场景下的船模自主避碰航行试验,验证了所提算法的有效性和实用性,对船舶自主避碰系统的研发具有重要借鉴意义。。     

基于CBR的船舶避碰决策系统研究

此文主要讨论了基于案例推理技术在船舶避碰决策系统中的应用问题,对避碰案例的表示、案例的检索和案例的修正等关键技术问题作了研究,并提出基于案例推理的船舶避碰决策系统开发的思路和方法.     

模糊数据库技术在航海避碰决策支持系统中的应用

将航海避碰案例规范化 ,并根据案例中部分信息的不精确性 ,在数据库系统的数据表示和查询中引入模糊技术 ,从而形成了一个模糊关系型的避碰案例数据库系统 ,并将其嵌入到航海避碰决策支持系统当中 ,为安全航行提供了更丰富的决策信息。     

马尼拉修正案下“船舶值班与避碰”实践教学课程创新

针对当前"船舶值班与避碰"课程教学形式单一、教学方法缺少创新、不适应STCW公约马尼拉修正案新要求的问题,从制订课程教学计划、搜集及选取船舶案例、编订实践实训手册等方面探讨"船舶值班与避碰"实践教学课程的开展模式,并具体讨论雷达避碰、船舶事故分析和驾驶台航行等实践教学。     

船舶避碰多Agent决策支持系统的设计

建立了一个船舶避碰(SCA)多Agent(主体)决策支持系统(SCA-MADSS),设计了SCA-MADSS的组织结构,并给出该结构的形式化描述,提出了船舶避碰联盟的概念及其构造原则,根据在避碰决策制定过程中功能的不同,分别建立了Control-Agent、Union-Agent、Ship-Agent和VTS-Agent四种智能主体模型,并重点介绍了Ship-Agent的BDI结构模型。     

船舶避碰计算机辅助教学软件的开发制作

《船舶避碰计算机辅助教学软件》是学习《１９７２年国际海上避碰规则》全文的多媒体软件,本文提出了对该软件开发研制的构思,并对软件的制作和适用环境等作了详细的描述     

桥梁墩身避碰承台轮廓设计研究

墩身抗撞能力远不及承台，没有必要使墩身像承台一样抗撞，只要结构尺寸合理就能达到墩身避碰目的。本文根据船首形状，吃水，碰撞变形，桥墩形状和水文条件等，建立墩身避碰数学模型，以例验证。     

基于驾驶实践的无人船智能避碰决策方法

[目的]为实现沿海无人驾驶船舶自主航行,充分考虑无人驾驶船舶智能避碰决策的合理性和实时性后,提出并建立一种基于驾驶实践的无人船智能避碰决策方法.[方法]首先,以本体论为基础,设计无人驾驶船舶航行态势本体概念模型,并结合《国际海上避碰规则》及良好的船艺将船舶航行态势量化划分为12种会遇场景;然后,从驾驶实践的角度改进影响...     

基于强化学习的自主式水下潜器障碍规避技术（英文）

Obstacle avoidance becomes a very challenging task for an autonomous underwater vehicle(AUV) in an unknown underwater environment during exploration process. Successful control in such case may be achieved using the model-based classical control techniques like PID and MPC but it required an accurate mathematical model of AUV and may fail due to parametric uncertainties, disturbance, or plant model mismatch. On the other hand, model-free reinforcement learning(RL) algorithm can be designed using actual behavior of AUV plant in an unknown environment and the learned control may not get affected by model uncertainties like a classical control approach. Unlike model-based control model-free RL based controller does not require to manually tune controller with the changing environment. A standard RL based one-step Q-learning based control can be utilized for obstacle avoidance but it has tendency to explore all possible actions at given state which may increase number of collision.Hence a modified Q-learning based control approach is proposed to deal with these problems in unknown environment.Furthermore, function approximation is utilized using neural network(NN) to overcome the continuous states and large statespace problems which arise in RL-based controller design. The proposed modified Q-learning algorithm is validated using MATLAB simulations by comparing it with standard Q-learning algorithm for single obstacle avoidance. Also, the same algorithm is utilized to deal with multiple obstacle avoidance problems.     

基于Matlab平台的船舶避碰模型研究

根据本船的运动参数及连续两次观测所得到的目标船的相对方位和距离,运用避碰几何原理,在Matlab平台下建立了船舶避碰真运动模型,可以得到目标船运动参数及本船的避让措施和恢复航向的时机,并给出真运动轨迹图。文中还选择船舶会遇的典型实例对本模型进行了验证,结果表明,模型模拟的结果正确,对实际避碰行动有参考价值。     

基于前景理论的船舶避碰决策优化方法

针对船舶避碰决策行为差异,提出一种运用前景理论求取最佳船舶避碰决策方案的优化方法。在分析避碰行为个体差异的基础上,运用前景理论和多指标灰关联决策相结合的方法,构建考虑驾驶员风险态度的船舶避碰方案选择决策优化模型,以船舶碰撞危险度、航程损失和轨迹平稳性作为决策指标,研究在同一会遇场景下驾驶员不同风险态度的最优避碰方案并进行对比分析。研究结果表明:该模型可优化船舶驾驶员在不同风险偏好下的最优避碰方案选择,将前景理论运用到船舶避碰决策优化中是可行且有效的,能为船舶避碰决策和决策拟人化提供支持。     

基于"当前"统计模型的机动目标运动要素解算

在避碰过程中,舰船一般处于机动状态.因而,对机动目标运动要素解算的精度直接影响到避碰的效果.通过对多种模型的比较,选用了"当前"统计模型,"当前"统计模型相对于其他模型能够更为真实地反映目标的机动变化.仿真结果表明,此算法收敛迅速并有较高精度,其解算所得的目标运动要素能够满足舰船避碰等实用要求.     

Local path planning method of the self-propelled model based on reinforcement learning in complex conditions

Conducting hydrodynamic and physical motion simulation tests using a large-scale self-propelled model under actual wave conditions is an important means for researching environmental adaptability of ships. During the navigation test of the self-propelled model, the complex environment including various port facilities, navigation facilities, and the ships nearby must be considered carefully, because in this dense environment the impact of sea waves and winds on the model is particularly significant. In order to improve the security of the self-propelled model, this paper introduces the Q learning based on reinforcement learning combined with chaotic ideas for the model＇s collision avoidance, in order to improve the reliability of the local path planning. Simulation and sea test results show that this algorithm is a better solution for collision avoidance of the self navigation model under the interference of sea winds and waves with good adaptability.     

复杂海况下基于强化学习的USV局部路径规划方法研究（英文）

Conducting hydrodynamic and physical motion simulation tests using a large-scale self-propelled model under actual wave conditions is an important means for researching environmental adaptability of ships. During the navigation test of the self-propelled model, the complex environment including various port facilities, navigation facilities, and the ships nearby must be considered carefully, because in this dense environment the impact of sea waves and winds on the model is particularly significant. In order to improve the security of the self-propelled model, this paper introduces the Q learning based on reinforcement learning combined with chaotic ideas for the model's collision avoidance, in order to improve the reliability of the local path planning. Simulation and sea test results show that this algorithm is a better solution for collision avoidance of the self navigation model under the interference of sea winds and waves with good adaptability.     

船舶航行自动避让研究--船舶自动避让系统的危险度评价

提出1种船舶航行自动避让系统的组成方式，利用AIS或ARPA获得相关避让数据，根据不同的航行区域与条件，通过对来船的方位、来船与本船的相对距离、DCPA(最近会遇点距离)和TCPA(最近会遇点时间)数据的评价，给出相应的合理避让依据，供系统进行决策和采取自动避让措施，以达到船舶航行安全的目的。