一、关于船舶自动避碰仿真方法的研究（论文文献综述）
王金铎[1]（2021）在《狭窄水域多船动态避障方法研究》文中指出近年来,随着智能化航运的发展,智能船舶在航运业得到广泛关注,主要是在军事和民用领域。自动避障技术是智能船舶关键技术之一,不仅可以衡量其智能化水平,也是其高效、安全完成各项航行任务的前提。目前自动避障技术仍存在很多缺陷,尤其是在狭窄水域中对多船进行实时规避的问题亟待解决。本文以狭窄水域中智能船舶多船动态避障方法研究为主题,分析智能船舶狭窄水域动态避障需求,提出适用于船舶的自适应速度权值动态窗口算法,搭建智能船舶自动避碰系统,并开展实船实验进行验证。论文的主要工作包括:（1）研究智能船舶狭窄水域环境中的避碰特性约束,推导智能船舶与障碍船会遇时相对位置参数,并基于加权法对船舶碰撞危险度进行计算。通过分析狭窄水域船舶避碰会遇态势,比较各个避障算法的优缺点,确定以动态窗口法作为避碰决策的核心算法。（2）结合狭窄水域的环境特点以及智能船舶动力学特性,构建船舶二维运动模型,同时,根据船舶实际航行要求对评价函数中的速度目标函数和艏向目标函数进行推导计算,并引入自适应速度权值,提出基于自适应速度权值的动态窗口法,解决了动态窗口法在夹击会遇场景中由于固定的速度权值出现避碰失败以及避碰过程中离障碍物过近的问题。通过对比夹击会遇场景中两种算法的仿真,结果显示,在夹击会遇场景中,本文所提出的算法可以根据离障碍物的距离改变航速,具有更好的通过性和安全性。同时,对复杂环境下多船动态避障进行仿真,验证了改进算法的有效性。（3）搭建智能船舶自动避碰系统。首先,根据智能船舶在狭窄水域中的避碰需求,对自动避碰系统整体方案进行设计。然后,运用坐标转换与多线程的方法实现多传感器时间和空间上的融合,并通过Rviz可视化工具对融合之后的数据进行显示和传输,搭建基于ROS（Robot Operating System,机器人操作系统）的船舶定位于感知系统。最后,开发人机界面控制平台,实现传感器数据和控制参数的数字化显示,搭建船舶控制系统。（4）狭窄水域实船控制特性与避碰试验。根据前文研究的内容和所搭建的系,开展船舶控制特性试验、单船以及多船会遇情景下的避碰实验。结果表明基于自适应速度权值的动态窗口法能够对动态障碍物进行有效避让,避让轨迹更加平滑,验证了此实验平台的可靠性以及本文提出的改进避碰算法的有效性,为智能船舶在狭窄水域中多船动态避障提供了解决方法。
展琼谣[2]（2021）在《PIDVCA算法优化及其决策效果可视化研究》文中提出随全球航运业的蓬勃发展,开阔水域的船舶密度日益增大,海上碰撞事故频繁发生,究其过程是人为疏忽的原因造成的。基于船舶拟人智能避碰决策（PIDVCA）算法的开阔水域避碰辅助决策系统研究已有一些成果,但开阔繁忙水域多船会遇PIDVCA算法以及避碰辅助决策功能界面设计存在不足。因此,本文依托国家自然基金项目《复杂水域船舶拟人智能避碰避险决策关键技术研究》和工业和信息化部项目《船舶航行态势智能感知系统研制》,重点研究开阔繁忙水域多船紧迫危险决策方法和两船协调避让的可视化解释,进一步完善PIDVCA算法,优化系统界面设计,为驾驶员提供安全、经济的避碰辅助决策方案,主要完成工作如下:（1）简要介绍PIDVCA算法的原理及船舶碰撞危险评价体系,阐述了基于船舶碰撞危险评价体系的改向失效下多船紧迫危险含义;分析了PIDVCA算法的组成、特点及其局限性,提出了解决多船紧迫危险避碰决策的思路、方法和内容。（2）构建多船典型会遇场景紧迫危险决策库。分析船舶碰撞危险体系下多船（两目标船）紧迫危险采取变速或改向变速决策成功避让的可行性;利用空间目标方位及其交汇特征组合确定典型多船会遇场景,借助几何分析与手动模拟实验相结合的方法构建开阔繁忙水域多船典型会遇场景紧迫危险决策库;通过模拟操船实验构建变速及改向变速操纵参数估算模型,以实现仿真实验过程能正确估算避让决策执行点到避让结束点的操纵延时。（3）多船紧迫危险避碰算法设计及验证。基于多船典型会遇场景紧迫危险决策库,设计多船紧迫危险避碰算法模块并集成到PIDVCA算法库,嵌入到我校自主研发的船舶智能操控仿真平台。设计典型测试案例对算法仿真测试,实验结果证明设计的多船紧迫危险算法模块具备处理紧迫局面改向失效下的决策问题,并初步验证了算法的有效性。（4）介绍船舶避碰辅助决策系统的碰撞危险预警及辅助决策功能,分析雷达避碰辅助决策功能界面显示及决策可视化需求,以此设计调查问卷。根据调查问卷分析结果,设计避碰辅助功能界面及其决策可视化界面,重点研究实现了两船协调避让决策建议可视化并设计了决策依据的解析模式。通过设置仿真案例,利用航海模拟器展示模拟训练效果,探讨了两船协调避碰辅助决策可视化及其解析在模拟器培训教学改革的应用。
倪生科[3]（2020）在《基于规则的船舶智能避碰决策关键技术研究》文中提出船舶智能避碰决策作为实现智能船舶的关键技术之一,一直以来受到国内外航海研究领域学者的重点关注。为保证船舶智能避碰决策系统输出决策方案的合理性、有效性和可信性,需要在《国际海上避碰规则》和海员良好船艺要求下对船舶避碰及路径规划技术进行研究。目前研究存在的问题包括:未将局面辨识模型融入避碰算法中、未考虑《国际海上避碰规则》的要求以及船舶操纵性对避让效果的影响、路径规划算法的稳定性及输出方案实用性有待加强、多船避碰策略设计不合理导致船舶间避让方案协同性不足等。鉴于上述问题,论文主要开展以下几方面工作。为保证决策方案的合理性及提高决策的智能化程度,提出一种局面类型辨识方法,并以辨识结果作为约束条件对路径规划算法的优化方向进行限定。该方法基于《国际海上避碰规则》中关于会遇局面条款的定性描述以及前人开展的局面类型辨识研究为基础,分析及总结不同会遇态势下的船舶交会特征参数范围的基础上,结合局面类型划分的完整性和唯一性要求,采用敏感度分析方法删除无相关性的判断要素,利用布尔表达式技术将局面类型判断结果表达出来,随后基于避碰效率、海员通常做法以及良好船艺的要求,构建避让行动方式判断的特征指标,同样利用布尔表达式技术对不同会遇态势下负有避让义务的船舶避让策略进行表示。为提高避碰决策及路径规划算法的可靠性及优化效率,保证输出方案符合航海实践要求,提出考虑船舶操纵性影响的船舶转向和变速两种避碰决策方法,前者通过引入多种群协同进化搜索方式克服传统遗传优化转向决策算法中出现的早熟收敛问题,综合考虑航行规则的要求、船舶安全性以及复航等指标建立约束条件以及适应度函数,并利用非线性规划技术将航行经验融入到算法中,通过对对遇、小角度交叉以及追越三种不同会遇态势案例的仿真研究,验证转向避让决策算法的有效性;后者通过对船舶减速避让过程的分析,建立以DCPA为基础的复航时机判断方法,采用数值优化方法求取满足安全要求的主机转速值,确定船舶复航操作的时机和位置,通过对大角度交叉会遇案例的仿真研究,验证变速避让决策模型的有效性。为保证多船会遇态势下船舶间避让行动的协调性,基于排队论理论、协同学理论以及多层编码技术提出一种新的多船避碰决策及路径规划方法。该方法将一定范围内的所有船舶构成一个交通系统,将多船避碰决策过程模拟成船舶排队接受决策服务的随机服务系统,由于系统的状态向量由各船舶（子系统）的状态向量共同决定,基于空间碰撞危险度和时间碰撞危险度指标方式建立具有优先权的排队规则,并利用多层编码技术实现对处于第一优先级中船舶决策方案的协同优化,最后分别利用三船会遇和六船会遇案例的仿真研究,验证该多船避碰决策方法的有效性。这种多船避碰策略首次将避碰算法的优化对象由单艘船舶上升到满足要求的一类船舶,实现船舶间的共同协作,减少决策方案的盲目性和对抗性。基于《国际海上避碰规则》和海员通常做法针对开阔水域的船舶智能避碰及路径规划技术进行了深入研究,从决策对象确立的合理性、决策模型的可靠性以及输出决策方案的适用性角度提出一种实用的避碰决策方法,基于不同会遇态势下的决策仿真,验证所提出避碰算法的有效性。与以往的研究方法相比,所提出的方法得到的决策方案更加符合航海实践并保证各船舶间避让行动间的协调性,该研究丰富了船舶避碰决策的理论基础和技术手段,对实现智能避碰决策具有较好的理论意义和应用价值。
袁传平[4]（2020）在《基于DDPG算法的船舶避碰路径规划研究》文中研究表明随着内河水运业的快速发展,运输船舶日渐增加,船舶航行安全受到越来越多的关注。船舶避碰作为船舶航行安全的核心问题,逐渐成为当前众多学者研究的热点。深度强化学习是一种通过与环境交互学习得到优秀策略的算法,目前在车辆自动驾驶领域研究中取得了突破性的进展。船舶避碰的过程与车辆的自动驾驶具有很高的相似性,部分在车辆驾驶领域的研究成果可以应用到船舶避碰研究中。本文主要采用了基于深度确定性策略梯度（Deep Deterministic Policy Gradient,简称DDPG）的强化学习算法,并结合船舶航行特征,对船舶的智能避碰路径规划开展了研究。本文通过构建“天地图”与船舶自动识别系统融合的狭窄水域船舶领域数学模型,建立了高度真实的船舶避碰仿真环境,开展基于DDPG算法的船舶避碰路径规划研究。为提高游船船舶领域的精确度,本文基于周庄水域实际航道环境,并结合AIS数据和人为观测数据构建了改进的游船船舶领域模型。为搭建基于DDPG算法的船舶避碰路径规划框架,本文设计了 DDPG算法的状态、动作、奖励值以及神经网络结构;通过在训练中模拟船舶的各种会遇场景,实现了船舶在不同会遇场景下的避碰路径规划;针对DDPG算法探索效率和样本利用效率不足的问题,本文提出了失败区域重点学习的改进策略。该策略通过在失败区域的反复探索学习,增加经验池中该区域数据的多样性,提高算法的学习效率和学习速度。仿真实验表明,基于失败区域重点学习的改进DDPG算法在学习速率和学习效果上都优于原始DDPG算法。本文将船舶避碰路径规划模型应用于周庄旅游水上航线,实现对游船路径的智能规划,降低了游船与货船共线航行时的碰撞风险,进一步提高了游船航行时的安全,切实保障游客的生命财产安全。
谢朔[5]（2020）在《基于天牛须优化的船舶运动建模与避碰方法研究》文中研究说明近年来,智能船舶已成为船舶领域的研究热点。船舶运动的精确建模和自动避碰对智能船舶的航行安全十分重要。在实际航行过程中,由于噪声干扰、采样不均、操纵迟滞性、规则约束以及环境感知受限等因素的影响,会使船舶运动建模和避碰中的优化求解或参数优化的难度增大,进而可能导致船舶自动避碰决的效果欠佳、不稳定等问题。针对上述问题,本文在改进新型天牛须优化算法（beetle antenna search,BAS）及其群体形式BSAS（beetle swarm antenna search）的基础上,与模型预测控制（model predictive control,MPC）、扩张状态观测器（extended state observer,ESO）、最小二乘支持向量机（least squares support vector machine,LSSVM）以及强化学习等方法相结合,开展基于天牛须优化的船舶运动建模和避碰方法研究。主要工作总结如下:1)在新型BAS/BSAS算法基础上,提出改进后的ABAS（antenna perform based BAS）算法,提高了原始算法在已知约束空间下的优化性能,为后续船舶的运动建模和避碰方法提供优化算法基础。2)为实现不同噪声和不均匀采样干扰下的船舶精确运动建模,提出了一种基于ABEL（ABSAS-ESO-LSSVM）的辨识建模方法,提高了LSSVM在未知噪声和不均匀采样干扰下对船舶运动模型的辨识精度。该方法首先使用ESO观测器结合LSSVM来实现连续系统辨识;其次应用所提出的ABSAS算法对ESO的带宽参数进行自适应优化;最后基于仿真实验数据和模型船航行试验数据对所提出的建模方法进行了验证。3)为实现开阔水域中综合考虑碰撞危险度、操纵迟滞性和规则约束的船舶自动避碰,提出了一种基于Q-ABSAS（Q-learning-ABSAS）优化的避碰方法。该方法在基于危险度预测的优化策略基础上,使用结合了Q-learning学习机制的小种群ABSAS算法来解决实时自适应优化问题;在多船会遇中,Q-ABSAS的决策结果可使用逆模型进行函数近似,以减少时间代价。4)为实现感知受限下稳定可靠的船舶自动避碰,提出了一种基于ABASDDPG（ABAS-deep deterministic policy gradient）强化学习的避碰方法,提高了已有DDPG方法的避碰策略学习性能。该方法首先通过DDPG以及元学习框架来解决未知环境或环境变化下的避碰学习问题;在此基础上,使用所提出的ABAS优化算法对DDPG中的动作噪声过程进行自适应优化,提高了避碰学习效果和稳定性;通过避碰仿真实验和模型船半实物仿真试验验证了所提出的ABAS-DDPG避碰方法的有效性。5)为实现无模型下近似最优的实时避碰路径优化,提出了一种基于并行DA3C-ABAS（distributed A3C-ABAS）的路径优化方法,兼顾了一定范围内路径的近似最优性和实时性。该方法首先根据预测控制思想提出滚动路径优化策略,以获得预测时域内的实时近似最优路径;在此基础上,使用A3C强化学习优化后的分布式D-ABAS（distributed ABAS）算法对滚动优化策略进行自适应快速求解;通过与BSAS、粒子群算法以及人工势场法的路径优化仿真对比,验证了所提出的路径优化方法在避碰中的有效性。
周双林[6]（2020）在《基于深度强化学习的船舶智能避碰方法研究》文中研究表明随着海上交通逐渐向高速化、密集化、复杂化发展,传统船舶避碰技术往往不能及时正确地处理复杂的船舶会遇问题,船舶碰撞事故仍频繁发生,造成重大危害与巨大的经济损失。据统计,船员在执行避碰决策时未按照国际海上避碰规则（COLREGS,以下简称避碰规则）行动是导致船舶碰撞事故发生的主要原因。当前避碰规则是基于人为协议建立的,对于某些避碰规则条款的解释具有一定的开放性,难以做到统一标准。针对船舶避碰技术存在的问题,建立具备处理多种会遇场景决策能力的智能避碰决策系统已成为各国的重要研究课题。为减少因人为操作不当导致的船舶避碰事故,提高船舶航行安全性,本文提出一种基于深度Q网络（Deep Q Network,DQN）强化学习算法的船舶智能避碰方法。本文主要内容包括:（1）提出基于强化学习的船舶避碰模型设计准则。梳理了船舶避碰决策过程,并给出了船舶会遇态势划分模型与船舶安全会遇距离模型;简要介绍了强化学习算法基本原理,结合船舶避碰特点提出了基于强化学习的船舶避碰面临的问题。在对避碰规则充分理解的基础上,提出了避碰规则量化评估标准,并分别从避碰决策实时性、遵守避碰规则、恢复航向三个方面提出基于强化学习的船舶智能决策应满足的设计准则。（2）构建基于DQN的船舶智能避碰模型。通过实时采集船舶航行状态信息,结合船舶碰撞紧迫程度、航向偏移的测算值以及会遇态势判断结果等要素,从全局角度设计船舶智能避碰DQN状态集。分析船舶航行特点,并结合避碰规则量化评估标准,分别从“航向保持”和“船舶避让”两个角度对船舶智能避碰DQN奖励函数进行设计。最后梳理基于DQN的船舶智能避碰算法实现流程。（3）基于船舶DQN智能避碰算法进行避碰仿真验证。分别针对两船的多种会遇局面与多船会遇场景进行数值仿真实验设计,根据DQN算法收敛效果与船舶仿真轨迹结果分析表明,本文提出的船舶智能避碰方法可以较好地完成复杂的避碰任务。本研究基于深度强化学习理论,在充分理解避碰规则的基础上提出了一种基于DQN船舶智能避碰算法,拓展了船舶避碰智能化的研究思路,可为船舶智能避碰技术的研究提供参考。
张秀侠[7]（2020）在《内河自主船舶航行安全操纵策略研究》文中提出随着当今科学技术的飞速发展,人工智能逐渐渗透到人类生活当中,而无人驾驶技术作为其发展的一个重要分支,对社会经济发展、国防安全建设等方面产生了重大影响。近年来,随着自动化控制、物联网、大数据等技术的发展,与船舶有关的环境感知技术、通信导航技术等也得到广泛的应用,均为自主船舶的开发提供了广阔的技术可行性。人工智能已经成为未来科学技术发展的一个重要方向,船舶领域正在开启一场智能化革命,人工智能技术和船舶领域的研究结合越来越紧密。自主驾驶的成功实现将会从根本上改变传统的“人-船舶-航道”作用方式,形成“船舶-航道”的直接作用方式,从而大大提高航运系统的效率和安全性。内河船舶运输在我国发挥着极其重要的作用,由于内河具有过往船舶密集,内河航道狭窄等特殊性,使得内河航行安全事故时有发生。鉴于自主船舶操纵方面的优势,将自主船舶运用于内河运输是否可以提高内河运输的安全性,使得内河自主船舶航行安全性的研究迫在眉睫。从国内外研究来看,目前的研究主要集中在无人船避碰和路径规划方面,对于自主船舶的航行安全的研究多是从定性的角度单一考虑人员因素对自主船舶的影响,还有一些研究从定性角度对自主船舶进行了系统性的风险分析;但是对于内河自主船舶航行安全策略的研究几乎没有文献涉及。对内河自主船舶航行安全策略的研究能够为内河自主船舶航行安全研究提供一定的理论依据。论文的主要内容和结论如下:1)通过分析自主船舶特征,进一步对自主船舶的航行安全风险进行分析,在此基础上阐述自主船舶航行安全风险的构成。首先通过文献归纳的方式归纳总结影响传统船舶航行安全的因素,以常见船舶事故中碰撞、搁浅、触礁、火灾爆炸以及自沉典型事故场景对自主船舶航行安全影响因素进行分析。探究因船岸一体化带来的影响内河自主船舶航行安全的因素,最终建立了基于船舶-环境-管控系统的自主船舶航行安全影响因素框架,为内河自主船舶航行安全性评估提供了思路。2)以船舶属性、环境属性、管控属性中涉及到的影响因素构建坐标轴,从坐标系的角度出发构建自主船舶航行场景分类模型。提出了一种基于距离评价函数的模糊C均值（Fuzzy C-means,FCM）聚类算法,并选取专门用于测试分类、聚类算法的国际通用的UCI数据库中的wine数据集进行算法的检验,验证算法的合理性与适用性。通过对所选取的数据进行特征聚类,实现了内河自主船舶航行场景的聚类。聚类结果表明,该算法是切实有效的,不但可以自适应的给出最佳的聚类数,而且可以验证聚类的有效性,还可以快速达到最佳聚类的目的。3)以航行环境变化、与它船会遇和船舶靠离泊三种典型航行状况为例,阐述了该状况下的安全操纵策略。对于会遇状况下的操纵策略分析,鉴于船舶在航道会遇时涉及到船舶避碰问题,首先对会遇态势进行划分,然后通过DCPA（distance to closest point of approach）、TCPA（time to closest point of approach）和安全会遇距离等指标来衡量船舶碰撞危险度,基于内河避碰规则与船舶会遇态势,系统分析了两船会遇与多船会遇态势下自主船舶所应采取的避碰策略。对于靠泊状况下的操纵策略分析,依次对船舶靠泊过程、靠泊注意事项进行了分析,最后系统分析了自主船舶靠离泊操纵策略。4)以传统船舶事故案例为例,计算对应场景下采取多种策略时,每种策略所对应的安全指数,并结合差异系数CRITIC（Criteria Importance Though Intercrieria Correlation）赋权法TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）模型对各种操纵策略进行评估,展示了船舶航行安全操纵策略集的构建流程。结果表明该评估模型能直观、准确的反映船舶航行安全操纵策略的优劣,为构建内河自主船舶航行安全策略集提供了思路。5)在对已有的深度强化学习方法模型的分析基础上,将深度学习和确定性策略梯度算法结合,建立基于DDPG（Deep Deterministic Policy Gradient）算法的自主船舶航行操纵策略框架。结合内河船舶航行安全事故实际情况,从内河自主船舶航行过程中遇到的典型场景-避障的视角,选取内河航道具有代表性的航段（包括内河顺直航道、弯曲航道、桥区航道以及航道交汇口四种）,运用Python软件进行仿真研究,实现了自主船舶航行策略学习更新过程。结果表明,通过一段时间的自学习,自主船舶能够学习到优秀的操纵策略,及时更新船舶航行安全操纵策略,并且在测试环境中表现良好。
吕红光[8]（2019）在《基于电子海图的多船避碰决策及路径规划研究》文中提出智能船舶在解决节能减排和船舶安全性等方面具有重要意义。国际海事组织已将海上水面自主船（MASS）纳入其工作计划并积极推进。复杂水域的船舶自动避碰及路径规划是智能船舶或MASS研究的重点和难点之一。目前研究存在的问题包括:不考虑《国际海上避碰规则》（简称《规则》）、假设他船保向保速或均按照《规则》而采取行动、不适用于动态他船和静态障碍物共存的环境、不能应对他船的不协调避碰、不能满足实时性要求、不适用于长航线自主航行、环境地图精度不高或未采用电子海图平台等。鉴于此,论文做了以下重点工作:（1）提出一种受《规则》和船舶运动特性约束的,基于改进势场法的开阔水域多船实时自动避碰决策算法。在融合了船舶领域和《规则》核心条款的碰撞危险判据基础之上,提出了船舶自动避碰领域斥力势场分区概念,并为各分区设计了相应的势场函数及适用条件。在路径规划方面,构建了适用于动态目标追踪和静态目标引导的全局引力势场。两者结合从而确定了考虑《规则》避碰和路径引导的斥力及引力计算模型。最后依据航海实践、船舶运动特性、分区斥力和引力的合力,设计了可同时避碰动态他船（包括其不协调避碰行动）和孤立静态障碍物的实时自动避碰算法,并通过Matlab仿真,验证了算法的有效性。（2）提出一种基于电子海图的点、线、面矢量数据及其特征属性的环境势场地图构建及其参数设置方法。针对栅格化环境地图建模精度不高、难以区分不同种类障碍的问题,提出一种精确的、可方便控制障碍物影响范围的可视化势场环境地图构建方法。该方法可建立具有不规则形状的静态障碍物（如隐式函数曲线、凸多边形甚至凹多边形）的环境势场,并可根据不同的障碍物属性做便捷的参数调整,以控制我船与之保持的安全距离。该方法提高了环境地图的建模精度,易与多船避碰算法结合,奠定了基于电子海图的多船自动避碰决策算法的基础。（3）提出一种适合于狭窄水域多船自动避碰,基于先验路径引导的混合人工势场（PGHAPF）法。该方法将狭窄水域的静态势场（不规则障碍物）和动态势场（他船和目标）分开建模,赋予静态势场较高的优先级。首先,通过探测我船前方静态障碍物的高势场值危险,确定附近势场最小值的方向,使我船提前采取避障行动并与之保持安全距离;然后,采用动态势场求梯度的方法,获得受《规则》约束的多船避碰转向决策。该方法同时融合了离线先验路径、转向点选择策略和船舶运动数学模型。通过Matlab仿真验证,算法避免了传统人工势场法存在的局部最小、目标不可达等问题,实现了狭窄水域离线规划与在线规划的统一,实时避碰多动态他船和不规则静态障碍物的统一,决策与执行的结合与统一,便于推广到实船电子海图系统应用。（4）建立了基于PGHAPF的多本船决策模块及其动态链接库,嵌入“全任务船舶操纵模拟器测试平台”进行了仿真测试。实现了基于电子海图的受《规则》约束的多船实时自动避碰及路径规划,也实现了狭窄水域多障碍环境下,多艘自主船之间、自主船与非自主船之间的协调和非协调的避碰和避障。通过大量的模拟试验,验证了算法可通过简单的参数调整即可满足对多种尺度、多样化船型的适应性,并检验了在受到水文气象等外界条件干扰下,算法所具有的鲁棒性。论文提出的方法克服了现有研究的一些局限,为多船自动避碰算法的实船测试及应用奠定了一定基础。
罗贤程[9]（2019）在《基于动态分阶势场法的船舶自动避碰研究》文中进行了进一步梳理如何提高船舶避碰的自动化水平并降低避碰过程中人为因素的影响,一直是备受航海界关注的问题。本文利用势场法对船舶的航行环境进行建模,研究其在船舶自动避碰中的应用。传统势场法应用于动态障碍物的避障规划时容易产生无法绕开障碍物和避让行动不合理的情况。通过引入速度斥力势函数,构造了动态势场,仿真实验结果表明,动态势场法可以克服传统势场法中存在的上述缺陷。分别利用模糊推理和模糊综合评价建立了计算船舶碰撞危险度的模型,通过对比分析,选择模糊综合评价模型以应用于船舶碰撞危险的量化。依据《国际海上避碰规则》及相关研究,确定了本船在不同会遇局面下的避让行动,并据此对速度斥力势函数进行调整。将本船的避碰过程划分为航迹保持、避让和复航三个阶段,根据不同阶段对船舶航行的要求构建动态分阶势场。利用动态分阶势场法对船舶的航行环境进行建模,进而生成恰当的航向指令,在此基础上构建自动避碰系统,利用自动舵产生舵角指令控制船舶完成避让、复航和航迹保持。仿真实验表明,自动避碰系统可以引导船舶完成既定的避让行动,并能够与避让目标船在安全会遇距离上驶过,自动避碰系统可以引导船舶避让多艘目标船,可以适应航行环境的变化,且具备航迹保持能力。
李春泽[10]（2019）在《基于多目标遗传算法的船舶自动避碰决策研究》文中提出为了对开阔水域中船舶的自动避碰决策进行研究,保证船舶的安全航行。在对船舶碰撞危险度进行研究时,本文对基于SCR和TCR的CRI计算方法进行了一定的改进,解决了其在计算CRI时的“过大化”问题。为了提高船舶碰撞危险度的计算效率,分别应用BP神经网络、GA-BP神经网络、自适应模糊神经网络对CRI进行预测分析。为了保证避碰决策的合理性,本文分别建立了基于安全性、经济性、避碰规则、避碰时机的适应度函数。根据船舶自动避碰中多目标决策的性质,将多目标决策理论应用到遗传算法中对船舶的自动避碰进行研究。文中解决了各目标函数因相互矛盾而无法求解问题的最优解,只能得到非劣解集的问题。本文具体的研究成果如下所示。（1）船舶碰撞危险度计算。基于空间碰撞危险度和时间碰撞危险度的船舶碰撞危险度模型,以两者都不为0的最大值为该局面下的船舶碰撞危险度,这种方法在一定程度上会将船舶碰撞危险度的计算结果“过大化”,在避碰决策时容易引起误解。本文在此基础上对其进行了一定的改进,避免了“过大化”现象,使计算结果更符合实际情况。并进一步地通过遗传算法、自适应模糊算法对BP神经网络进行优化,来计算碰撞危险度。为了避免因以DCPA,TCPA计算时的网络不能较好的涵盖所有影响CRI的因素,将随机产生的航速（V）、航向（C）、相对方位（Tr）、距离（D）作为网络的输入来预测CRI,结果显示自适应的模糊神经网络预测结果较好。（2）确定重点避碰船舶。为了处理多船会遇问题,本文将其进行简化,通过确定“重点避让船舶”,优先对重点避让船舶进行避让。本文建立的确定重点避让船舶的模型为:当本船周围存在多艘目标船时,以每一艘目标船的碰撞危险度占总的船舶碰撞危险度之和的比值来作为该目标船的危险程度。使船舶能够时刻以危险度的高低来进行优先避让目标船。（3）构建多目标决策理论的遗传算法。本文分别建立了基于安全性、经济性、避碰规则、避让时机的适应度函数:f1（x）,f（x）,f3（x）,f4（x）。由于各目标函数的相互矛盾性,无法同时使各目标函数达到最优解。鉴于此,根据各目标函数的特性综合考虑权重法、约束法来进行求解。由此而构建基于多目标遗传算法的船舶自动避碰决策研究。（4）自动避碰决策仿真实验。本文的仿真实验以Matlab2018b为实验平台。分别建立了对遇局面、交叉相遇局面、追越局面、多船会遇局面下的仿真实验。仿真结果显示,基于多目标遗传算法的船舶避碰决策能够快速、有效地实现船舶间的自动避碰。
二、关于船舶自动避碰仿真方法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关于船舶自动避碰仿真方法的研究（论文提纲范文）
（1）狭窄水域多船动态避障方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能船舶国内外研究现状 |
| 1.2.2 船舶动态避障算法国内外研究现状 |
| 1.3 课题研究的主要内容 |
| 第2章 狭窄水域会遇态势与避碰算法研究 |
| 2.1 狭窄水域避碰过程中的约束分析 |
| 2.2 船舶避碰参数计算 |
| 2.2.1 碰撞危险度计算 |
| 2.2.2 船舶相对位置参数计算 |
| 2.3 狭窄水域船舶避碰会遇态势 |
| 2.4 狭窄水域船舶避碰算法分析 |
| 2.5 船舶避碰决策流程 |
| 2.6 本章小结 |
| 第3章 基于自适应速度权值的动态窗口避碰算法 |
| 3.1 动态窗口法 |
| 3.1.1 动态窗口法存在问题的描述 |
| 3.2 基于自适应速度权值的动态窗口法 |
| 3.2.1 船舶二维运动坐标模型 |
| 3.2.2 速度约束 |
| 3.2.3 自适应速度权值 |
| 3.3 算法仿真验证 |
| 3.3.1 参数初始化 |
| 3.3.2 夹击状态下避碰仿真实验 |
| 3.3.3 复杂环境下避碰仿真实验 |
| 3.4 本章小结 |
| 第4章 自动避碰系统的设计与实现 |
| 4.1 自主避碰系统总体设计方案 |
| 4.2 基于ROS的船舶定位与感知系统 |
| 4.2.1 控制模块 |
| 4.2.2 船舶定位模块 |
| 4.2.3 环境感知模块 |
| 4.3 基于PLC的船舶控制系统 |
| 4.4 自动避碰系统软件设计 |
| 4.5 多传感器数据融合 |
| 4.6 本章小结 |
| 第5章 狭窄水域实船控制特性与避碰试验 |
| 5.1 实验船的选择 |
| 5.2 智能船舶控制特性试验 |
| 5.2.1 实验环境介绍及实验准备 |
| 5.2.2 船速与转速匹配试验 |
| 5.2.3 回转性试验 |
| 5.2.4 惯性试验 |
| 5.3 狭窄水域动态避碰试验 |
| 5.3.1 单船避碰 |
| 5.3.2 多船避碰 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 在学期间科研成果情况 |
（2）PIDVCA算法优化及其决策效果可视化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题目的意义及依据 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶避碰国外研究现状 |
| 1.2.2 船舶避碰国内研究现状 |
| 1.3 研究主要工作 |
| 第2章 船舶智能避碰基础 |
| 2.1 船舶避碰基本过程 |
| 2.2 船舶拟人智能避碰决策方法简介 |
| 2.2.1 PIDVCA原理 |
| 2.2.2 船舶碰撞危险评价体系及相关概念 |
| 2.3 开阔水域PIDVCA算法 |
| 2.3.1 PIDVCA算法组成及其特点 |
| 2.3.2 PIDVCA算法存在的局限性 |
| 2.4 本章小节 |
| 第3章 开阔繁忙水域多船紧迫危险避碰决策方法 |
| 3.1 两船紧迫危险的决策分析 |
| 3.2 多船紧迫危险避碰决策库的构建 |
| 3.2.1 空间目标组合确定典型会遇场景 |
| 3.2.2 几何图解分析确定典型会遇场景避碰决策库 |
| 3.3 构建变速及改向变速操纵参数估算模型 |
| 3.3.1 变速冲程及冲时估算模型 |
| 3.3.2 改向变速组合的合成冲程及操纵避让时间估算模型 |
| 3.4 本章小节 |
| 第4章 开阔繁忙水域多船紧迫危险算法设计及仿真 |
| 4.1 多船紧迫危险算法设计 |
| 4.2 仿真案例设计及分析 |
| 4.2.1 船舶智能操控仿真平台简介 |
| 4.2.2 多船紧迫危险避碰决策仿真案例设计及结果分析 |
| 4.3 本章小节 |
| 第5章 船舶避碰辅助决策效果可视化研究及应用 |
| 5.1 船舶避碰辅助决策系统功能 |
| 5.1.1 船舶碰撞危险预警功能 |
| 5.1.2 船舶避碰辅助决策功能 |
| 5.2 船舶避碰辅助决策效果可视化信息显示模式设计 |
| 5.2.1 调查问卷的设计及分析 |
| 5.2.2 避碰辅助决策功能界面设计 |
| 5.2.3 避碰辅助决策图文解析模式设计 |
| 5.3 避碰辅助决策可视化在航海模拟器培训教学的应用 |
| 5.3.1 航海模拟器培训方案的设计 |
| 5.3.2 航海模拟器模拟训练效果展示 |
| 5.4 本章小节 |
| 第6章 结论与展望 |
| 6.1 论文总结及创新点 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在学期间科研成果情况 |
（3）基于规则的船舶智能避碰决策关键技术研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 船舶避碰决策的研究现状 |
| 1.2.1 确定性方法 |
| 1.2.2 启发式方法 |
| 1.2.3 存在的问题及分析 |
| 1.3 基础理论研究现状 |
| 1.3.1 碰撞危险评估 |
| 1.3.2 船舶领域 |
| 1.4 论文研究内容与结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 2 船舶运动数学模型 |
| 2.1 船舶运动坐标系 |
| 2.2 分离型数学模型 |
| 2.2.1 船舶附加质量 |
| 2.2.2 螺旋桨的推力和转矩计算 |
| 2.2.3 舵机特性及舵上水动力 |
| 2.2.4 环境干扰力及力矩 |
| 2.2.5 主机控制模型 |
| 2.2.6 船体黏性流体动力及力矩 |
| 2.3 船舶响应型模型 |
| 2.4 本章小结 |
| 3 船舶会遇态势定量划分 |
| 3.1 基于《国际海上避碰规则》的会遇态势辨识方法 |
| 3.1.1 现有船舶会遇态势的研究及不足 |
| 3.1.2 碰撞危险评估 |
| 3.1.3 会遇局面辨识模型 |
| 3.1.4 局面构成要素敏感性分析 |
| 3.1.5 局面构成要素计算 |
| 3.1.6 局面类型的逻辑辨识 |
| 3.2 本章小结 |
| 4 国际避碰规则下的避碰决策 |
| 4.1 前提假设 |
| 4.2 遗传算法基本原理 |
| 4.2.1 遗传算法概述 |
| 4.2.2 遗传算法基本概念 |
| 4.2.3 标准遗传算法 |
| 4.3 船舶避碰动态系统数学模型 |
| 4.3.1 船舶动态避碰参数计算模型 |
| 4.3.2 船舶操纵性对船舶避让参数影响的仿真测试 |
| 4.4 基于混合遗传算法的船舶转向决策方法 |
| 4.4.1 多种群协同进化避碰算法 |
| 4.4.2 融入航行经验的混合遗传避碰算法 |
| 4.5 基于线性扩展的变速避碰决策方法 |
| 4.6 船舶避碰决策算法的完备性论证 |
| 4.6.1 案例1: 对遇局面 |
| 4.6.2 案例2: 大角度交叉局面 |
| 4.6.3 案例3: 小角度交叉局面 |
| 4.6.4 案例4: 追越局面 |
| 4.6.5 讨论与分析 |
| 4.7 本章小结 |
| 5 复杂会遇态势下的多船协同避碰决策 |
| 5.1 多船避碰决策理论分析 |
| 5.1.1 多船避碰特点及避碰流程设计 |
| 5.1.2 现有多船避碰决策方法及存在问题 |
| 5.2 多船协同避碰决策模型 |
| 5.2.1 协同学理论 |
| 5.2.2 排队论理论 |
| 5.2.3 多阶段避碰策略设计 |
| 5.2.4 协同进化机制 |
| 5.3 仿真试验 |
| 5.3.1 船舶会遇局面设置 |
| 5.3.2 试验1仿真结果 |
| 5.3.3 试验2仿真结果 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 附录A 多种群遗传算法 |
| 附录B 具有优先权的服务排队规则 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（4）基于DDPG算法的船舶避碰路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 全文内容安排 |
| 第二章 基于DDPG算法的船舶避碰理论研究 |
| 2.1 强化学习概述 |
| 2.1.1 马尔可夫决策过程 |
| 2.1.2 强化学习算法分类 |
| 2.2 DDPG算法 |
| 2.2.1 DQN算法 |
| 2.2.2 基于DDPG的船舶避碰路径规划原理 |
| 2.3 本章小结 |
| 第三章 基于AIS和“天地图”的船舶仿真环境研究 |
| 3.1 “天地图”离线地图的构建 |
| 3.1.1 “天地图”的概述 |
| 3.1.2 “天地图”离线瓦片地图 |
| 3.2 AIS系统介绍 |
| 3.2.1 AIS系统产生的背景 |
| 3.2.2 AIS系统的组成 |
| 3.2.3 AIS系统的船舶避碰作用 |
| 3.2.4 AIS数据解析 |
| 3.3 基于AIS数据及观察法结合的船舶领域模型改进研究 |
| 3.3.1 经典船舶领域模型 |
| 3.3.2 游船船舶领域改进模型 |
| 3.3.3 船舶领域在仿真环境中的显示 |
| 3.4 本章小结 |
| 第四章 船舶避碰路径规划算法设计与仿真 |
| 4.1 DDPG算法设计 |
| 4.1.1 DDPG算法的状态设计 |
| 4.1.2 DDPG算法的动作设计 |
| 4.1.3 DDPG算法的奖励设计 |
| 4.1.4 DDPG网络结构设计 |
| 4.2 算法模型训练 |
| 4.2.1 会遇场景模拟 |
| 4.2.2 探索噪声的选择 |
| 4.2.3 船舶避碰路径规划算法的训练 |
| 4.3 船舶避碰仿真实验 |
| 4.4 基于失败区域重点学习的改进DDPG算法 |
| 4.5 改进DDPG算法学习效果比较 |
| 4.6 预测航迹与真实航迹比较 |
| 4.6.1 传统船舶领域模型和改进船舶领域的仿真结果比较 |
| 4.6.2 原始DDPG算法和改进DDPG算法仿真结果比较 |
| 4.7 本章小结 |
| 第五章 基于DDPG算法的游船避碰路径规划应用 |
| 5.1 应用背景 |
| 5.2 周庄指挥中心游船避碰路径规划系统实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）基于天牛须优化的船舶运动建模与避碰方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景及意义 |
| 1.1.1 课题的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 船舶运动建模的研究现状 |
| 1.2.1 最小二乘法 |
| 1.2.2 卡尔曼滤波 |
| 1.2.3 神经网络 |
| 1.2.4 支持向量机 |
| 1.2.5 深度学习 |
| 1.2.6 小结 |
| 1.3 船舶避碰方法的研究现状 |
| 1.3.1 传统路径规划方法 |
| 1.3.2 专家系统方法 |
| 1.3.3 基于优化算法的船舶避碰方法 |
| 1.3.4 基于机器学习的避碰方法 |
| 1.3.5 小结 |
| 1.4 论文的项目来源 |
| 1.5 论文内容及结构安排 |
| 第2章 船舶避碰运动模型基础 |
| 2.1 船舶运动模型 |
| 2.1.1 运动学模型 |
| 2.1.2 整体型水动力模型 |
| 2.1.3 分离型水动力模型 |
| 2.1.4 响应型模型 |
| 2.2 船舶碰撞危险度模型 |
| 2.2.1 船舶会遇态势 |
| 2.2.2 避让责任划分 |
| 2.2.3 船舶碰撞危险度 |
| 2.3 本章小结 |
| 第3章 改进ABAS优化算法 |
| 3.1 BAS及BSAS算法基本原理 |
| 3.1.1 BAS算法 |
| 3.1.2 BSAS算法 |
| 3.2 已知约束空间下的改进ABAS算法 |
| 3.2.1 策略改进 |
| 3.2.2 初始化 |
| 3.2.3 收敛性分析 |
| 3.2.4 全局最优性分析 |
| 3.3 基于Benchmarks的数值仿真 |
| 3.3.1 改进ABAS算法测试 |
| 3.3.2 改进ABSAS算法测试 |
| 3.4 本章小结 |
| 第4章 基于ABEL的船舶运动建模方法 |
| 4.1 基于LSSVM的船舶运动辨识建模 |
| 4.2 基于ABEL的船舶运动辨识建模方法 |
| 4.2.1 改进的ESO-LSSVM连续系统辨识建模 |
| 4.2.2 基于ABEL的辨识建模方法 |
| 4.3 船舶运动建模仿真及模型船试验验证 |
| 4.3.1 基于KVLCC2和Delfia 1*的辨识仿真试验 |
| 4.3.2 基于Tito-Neri模型船平台的辨识实验 |
| 4.4 本章小结 |
| 第5章 开阔水域基于Q-ABSAS的避碰方法 |
| 5.1 基于MPC的船舶预测避碰策略 |
| 5.1.1 离散化与碰撞危险度预测 |
| 5.1.2 复航问题与约束设置 |
| 5.1.3 最优化目标函数 |
| 5.2 针对避碰策略的改进Q-ABSAS优化方法 |
| 5.2.1 ABSAS优化策略分析 |
| 5.2.2 基于Q-learning的自适应优化 |
| 5.3 多船会遇态势下基于逆模型拟合的避碰方法 |
| 5.3.1 基于逆模型(inverse model, IM)的多船会遇避碰 |
| 5.3.2 增强后的逆模型方法(reinforced inverse model, RI) |
| 5.4 基于KVLCC2的避碰仿真试验 |
| 5.4.1 典型会遇态势下基于Q-ABSAS的优化避碰 |
| 5.4.2 典型会遇态势下基于逆模型的避碰 |
| 5.4.3 多船会遇态势下的避碰 |
| 5.5 基于Tito-Neri模型船的半实物仿真试验 |
| 5.6 本章小结 |
| 第6章 感知受限下基于ABAS-DDPG的避碰方法 |
| 6.1 DDPG强化学习避碰策略 |
| 6.1.1 DDPG原理 |
| 6.1.2 基于DDPG的避碰策略 |
| 6.2 环境变化下的元学习策略 |
| 6.3 基于ABAS-DDPG的避碰方法 |
| 6.3.1 基于改进BAS的自适应噪声过程 |
| 6.3.2 基于Mujoco环境的初步仿真验证 |
| 6.4 基于Delfia 1*和Tito-Neri模型船的避碰仿真试验 |
| 6.4.1 固定环境中的避碰仿真 |
| 6.4.2 环境变化下的避碰仿真 |
| 6.5 基于Tito-Neri模型船的半实物仿真测试 |
| 6.6 本章小结 |
| 第7章 无模型下基于D-A3C-ABAS的避碰路径优化方法 |
| 7.1 滚动路径优化策略 |
| 7.1.1 状态预测方程 |
| 7.1.2 最优化问题 |
| 7.2 基于改进D-A3C-ABAS的快速自适应优化 |
| 7.2.1 D-ABAS方法 |
| 7.2.2 D-A3C-ABAS方法 |
| 7.2.3 数值仿真验证 |
| 7.3 路径优化仿真试验 |
| 7.3.1 离线路径优化验证 |
| 7.3.2 在线滚动路径优化验证 |
| 7.4 本章小结 |
| 第8章 结论、主要创新点及展望 |
| 8.1 结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 博士期间的学术成果以及参与的科研项目 |
（6）基于深度强化学习的船舶智能避碰方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶自动避碰的研究 |
| 1.2.2 基于强化学习的避障研究 |
| 1.3 研究内容与论文结构 |
| 1.3.1 拟解决关键问题及分析 |
| 1.3.2 本文主要内容安排 |
| 第2章 基于强化学习的船舶避碰模型设计准则 |
| 2.1 船舶避碰过程及相关决策模型 |
| 2.1.1 船舶避碰决策过程 |
| 2.1.2 会遇态势划分 |
| 2.1.3 安全会遇距离 |
| 2.2 基于强化学习的船舶避碰面临的问题 |
| 2.3 基于强化学习的船舶避碰模型设计准则 |
| 2.3.1 避碰决策实时性 |
| 2.3.2 遵守避碰规则 |
| 2.3.3 恢复航向 |
| 2.4 本章小结 |
| 第3章 基于DQN的船舶智能避碰方法 |
| 3.1 基于DQN的船舶智能避碰模型 |
| 3.2 船舶智能避碰DQN状态集设计 |
| 3.3 船舶智能避碰DQN奖励函数设计 |
| 3.3.1 航向保持奖励函数 |
| 3.3.2 碰撞惩罚函数 |
| 3.3.3 遵守规则奖励函数 |
| 3.4 基于DQN的船舶智能避碰算法实现 |
| 3.5 本章小结 |
| 第4章 避碰仿真实验与结果分析 |
| 4.1 避碰模型训练方法 |
| 4.2 两船会遇的避碰仿真验证 |
| 4.2.1 对遇局面 |
| 4.2.2 交叉相遇局面 |
| 4.2.3 追越局面 |
| 4.3 多船会遇的避碰仿真验证 |
| 4.3.1 初始参数设置 |
| 4.3.2 仿真效果评价 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 创新点 |
| 5.3 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
（7）内河自主船舶航行安全操纵策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 问题的提出 |
| 1.2 研究背景与意义 |
| 1.3 研究范围界定 |
| 1.4 国内外研究综述 |
| 1.4.1 自主船舶发展研究现状 |
| 1.4.2 船舶动态控制研究现状 |
| 1.4.3 自主船舶安全性研究现状 |
| 1.4.4 国内外相关研究现状分析 |
| 1.5 本文的主要研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 拟解决的问题 |
| 1.5.3 技术路线 |
| 第2章 内河自主船舶航行安全影响因素分析 |
| 2.1 自主船舶特征 |
| 2.1.1 自主船舶组成 |
| 2.1.2 自主船桥系统组成 |
| 2.1.3 自主船舶特征表现 |
| 2.2 内河自主船舶航行安全风险特征 |
| 2.3 内河自主船舶航行安全风险构成 |
| 2.3.1 传统船舶航行安全影响因素 |
| 2.3.2 典型事故场景安全风险影响分析 |
| 2.3.3 基于船岸一体化的自主船舶航行安全影响因素 |
| 2.4 内河自主船舶航行安全评估方法探讨 |
| 2.4.1 评估方法探讨 |
| 2.4.2 贝叶斯网和模糊集理论简介 |
| 2.4.3 课题组成果 |
| 2.5 本章小结 |
| 第3章 内河自主船舶航行场景分类 |
| 3.1 聚类理论 |
| 3.2 内河自主船舶航行场景构成 |
| 3.3 基于改进FCM的内河自主船舶航行场景聚类 |
| 3.3.1 自主船舶航行场景分类描述 |
| 3.3.2 模型的构建 |
| 3.4 场景聚类的MATLAB算法实现 |
| 3.4.1 改进FCM聚类算法的场景聚类实现流程 |
| 3.4.2 算法验证 |
| 3.4.3 场景聚类 |
| 3.5 本章小结 |
| 第4章 内河自主船舶航行安全操纵策略 |
| 4.1 内河自主船舶航行操纵安全影响因素 |
| 4.2 水文气象环境变化时的安全操纵策略 |
| 4.3 与它船会遇时的安全操纵策略 |
| 4.3.1 会遇态势划分 |
| 4.3.2 船舶碰撞危险度的判定 |
| 4.3.3 避碰策略分析 |
| 4.4 自主船舶靠泊操纵策略 |
| 4.4.1 自主船舶靠泊过程 |
| 4.4.2 自主船舶靠泊注意事项 |
| 4.4.3 自主船舶靠泊操纵策略 |
| 4.5 本章小结 |
| 第5章 内河自主船舶航行安全操纵策略集构建 |
| 5.1 内河自主船舶安全策略集内涵 |
| 5.2 安全策略集构建方法研究 |
| 5.2.1 差异系数CRITIC法 |
| 5.2.2 改进的TOPSIS模型 |
| 5.3 安全策略集构建流程 |
| 5.4 安全策略集构建 |
| 5.4.1 安全指数 |
| 5.4.2 事故案例安全指数 |
| 5.4.3 其他操纵策略下的安全指数 |
| 5.4.4 操纵策略优劣评价 |
| 5.5 本章小结 |
| 第6章 内河自主船舶航行安全操纵策略集学习更新 |
| 6.1 深度强化学习概述 |
| 6.2 深度强化学习方法模型 |
| 6.2.1 基于策略梯度的深度强化学习 |
| 6.2.2 DDPG算法模型 |
| 6.3 自主船舶操纵策略深度强化学习 |
| 6.3.1 DDPG模型算法实现框架 |
| 6.3.2 状态、动作变量及奖励函数 |
| 6.3.3 DDPG算法实现 |
| 6.4 仿真实验分析 |
| 6.4.1 自主船舶航行于内河顺直航道 |
| 6.4.2 自主船舶航行于内河弯曲航道 |
| 6.4.3 自主船舶航行于内河桥区水域 |
| 6.4.4 自主船舶航行于航道交汇口处 |
| 6.4.5 讨论 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 主要创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间公开发表论文和参加科研项目 |
（8）基于电子海图的多船避碰决策及路径规划研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究综述 |
| 1.2.1 基于数理模型的算法 |
| 1.2.2 人工智能和软计算方法 |
| 1.2.3 混合智能系统 |
| 1.2.4 方法总结对比 |
| 1.3 本研究领域存在的问题 |
| 1.4 本文主要研究内容 |
| 1.5 本文章节安排 |
| 2 开阔水域避碰决策依据 |
| 2.1 引言 |
| 2.2 《规则》要求 |
| 2.2.1 局面划分及避碰策略 |
| 2.2.2 避免碰撞的行动要求 |
| 2.3 碰撞危险评估 |
| 2.3.1 船舶领域 |
| 2.3.2 安全距离 |
| 2.3.3 决策判据 |
| 2.4 本章小结 |
| 3 基于改进APF模型的避碰决策及路径规划 |
| 3.1 引言 |
| 3.2 引力势场与引力 |
| 3.2.1 全局引力势场的构建 |
| 3.2.2 引力计算 |
| 3.3 斥力势场与斥力 |
| 3.3.1 分区斥力势场及其构建 |
| 3.3.2 斥力计算 |
| 3.4 自动避碰决策及路径规划算法设计 |
| 3.4.1 合力计算 |
| 3.4.2 算法设计 |
| 3.5 算法仿真测试 |
| 3.5.1 两船自动避碰(包括应对不协调避碰行为) |
| 3.5.2 多船多静态障碍自动避碰 |
| 3.5.3 目标跟踪问题 |
| 3.5.4 局部最小问题 |
| 3.6 本章小结 |
| 4 基于电子海图信息的环境势场建模 |
| 4.1 引言 |
| 4.2 电子海图数据模型 |
| 4.2.1 特征记录 |
| 4.2.2 矢量记录 |
| 4.3 海图数据提取 |
| 4.4 海图数据建模 |
| 4.4.1 点状障碍物势场计算 |
| 4.4.2 线状障碍物势场计算 |
| 4.4.3 面状障碍物势场构建 |
| 4.4.4 危险属性与参数设置方法 |
| 4.6 本章小结 |
| 5 狭窄水域船舶自动避碰决策及路径规划 |
| 5.1 引言 |
| 5.2 限制条件分析及要求 |
| 5.2.1 更加精确的环境信息 |
| 5.2.2 需考虑船舶运动数学模型 |
| 5.2.3 离线和在线规划的结合 |
| 5.3 狭窄水域自动避碰算法 |
| 5.3.1 船舶运动数学模型及其控制 |
| 5.3.2 先验路径引导及转向点选择算法 |
| 5.3.3 基于先验路径引导的混合人工势场(PGHAPF)方法 |
| 5.3.4 传统APF求梯度的方法——动、静态障碍物合并建模 |
| 5.4 狭窄水域自动避碰算法仿真测试 |
| 5.4.1 静态环境下仿真 |
| 5.4.2 狭窄水域多船环境下仿真 |
| 5.6 本章小结 |
| 6 基于船舶操纵模拟器的多船避碰算法仿真测试平台 |
| 6.1 引言 |
| 6.2 仿真测试平台说明及相关设置 |
| 6.2.1 平台概况 |
| 6.2.2 平台体系结构 |
| 6.2.3 平台功能及模块参数设计 |
| 6.3 开阔水域中算法测试 |
| 6.3.1 追越局面 |
| 6.3.2 对遇局面 |
| 6.3.3 交叉相遇局面 |
| 6.3.4 多船避碰 |
| 6.4 狭窄水域中算法测试 |
| 6.4.1 电子海图环境势场建模 |
| 6.4.2 狭水道可航情况多船会遇(试验1) |
| 6.4.3 狭水道不可航情况多船会遇(试验2) |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（9）基于动态分阶势场法的船舶自动避碰研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 船舶自动避碰研究历史和现状 |
| 1.2.2 势场法的理论和应用研究 |
| 1.3 本文的主要工作及章节安排 |
| 2 动态势场法 |
| 2.1 传统势场法 |
| 2.2 传统势场法的局限性 |
| 2.2.1 无法绕开障碍物 |
| 2.2.2 避让行动不合理 |
| 2.3 动态势场法 |
| 2.4 本章小结 |
| 3 船舶碰撞危险度 |
| 3.1 船舶碰撞危险度的理论基础 |
| 3.1.1 DCPA和TCPA |
| 3.1.2 船舶领域 |
| 3.1.3 动界 |
| 3.1.4 最晚施舵距离 |
| 3.2 基于模糊推理的碰撞危险度计算 |
| 3.3 基于模糊综合评价的碰撞危险度计算 |
| 3.4 碰撞危险度模型的选择 |
| 3.5 本章小结 |
| 4 船舶自动避碰系统 |
| 4.1 避让行动的确定 |
| 4.2 动态分阶势场法 |
| 4.2.1 航迹保持阶段 |
| 4.2.2 避让阶段 |
| 4.2.3 复航阶段 |
| 4.3 PID型自动舵 |
| 4.4 船舶运动数学模型 |
| 4.5 船舶自动避碰系统的结构 |
| 4.6 本章小结 |
| 5 仿真实例及有效性分析 |
| 5.1 仿真实例 |
| 5.1.1 互见中的避碰 |
| 5.1.2 能见度不良时的避碰 |
| 5.1.3 多船会遇情况下的避碰 |
| 5.1.4 目标船改变航向后的避碰 |
| 5.2 有效性分析 |
| 5.2.1 避让有效性分析 |
| 5.2.2 航迹保持能力分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（10）基于多目标遗传算法的船舶自动避碰决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的和研究意义 |
| 1.2 国内外现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究方法及内容 |
| 2 船舶避碰基本原理 |
| 2.1 船舶避碰阶段的划分 |
| 2.2 船舶会遇态势分析 |
| 2.3 安全会遇距离 |
| 2.4 船舶相对运动参数计算 |
| 2.5 本船改向后的运动参数计算 |
| 3 船舶碰撞危险度计算模型 |
| 3.1 基于空间碰撞危险度和时间碰撞危险度的碰撞危险度计算 |
| 3.1.1 空间碰撞危险度 |
| 3.1.2 时间碰撞危险度 |
| 3.1.3 最晚施舵点计算 |
| 3.1.4 船舶碰撞危险度CRI |
| 3.1.5 船舶碰撞危险度模型的改进 |
| 3.1.6 改进后模型对比分析 |
| 3.2 基于自适应模糊神经网络的船舶碰撞危险度模型 |
| 3.2.1 BP神经网络 |
| 3.2.2 遗传算法优化BP神经网络 |
| 3.2.3 自适应模糊神经网络 |
| 3.2.4 实例应用 |
| 4 基于多目标遗传算法的船舶避碰决策研究 |
| 4.1 多目标决策理论 |
| 4.1.1 非劣解 |
| 4.1.2 非劣解生成技术 |
| 4.2 遗传算法概述 |
| 4.2.1 遗传算法主要优点 |
| 4.2.2 遗传算法实现过程 |
| 4.2.3 遗传算法参数的选取 |
| 4.2.4 算法一般步骤 |
| 4.3 避碰问题的描述 |
| 4.4 适应度函数的选取 |
| 4.4.1 基于安全性的适应度函数 |
| 4.4.2 基于经济性的适应度函数 |
| 4.4.3 基于避碰规则的适应度函数 |
| 4.4.4 基于避让时机的适应度函数 |
| 4.5 多目标遗传算法求解方法 |
| 4.6 多船会遇问题 |
| 4.7 仿真结果分析 |
| 4.7.1 仿真实验基本参数 |
| 4.7.2 对遇态势下的船舶自动避碰 |
| 4.7.3 交叉相遇态势下的自动避碰 |
| 4.7.4 追越局面下的自动避碰 |
| 4.7.5 多船会遇局面下船舶自动避碰 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、关于船舶自动避碰仿真方法的研究（论文参考文献）
- [1]狭窄水域多船动态避障方法研究[D]. 王金铎. 集美大学, 2021(01)
- [2]PIDVCA算法优化及其决策效果可视化研究[D]. 展琼谣. 集美大学, 2021(01)
- [3]基于规则的船舶智能避碰决策关键技术研究[D]. 倪生科. 大连海事大学, 2020(01)
- [4]基于DDPG算法的船舶避碰路径规划研究[D]. 袁传平. 苏州大学, 2020(02)
- [5]基于天牛须优化的船舶运动建模与避碰方法研究[D]. 谢朔. 武汉理工大学, 2020
- [6]基于深度强化学习的船舶智能避碰方法研究[D]. 周双林. 武汉理工大学, 2020(08)
- [7]内河自主船舶航行安全操纵策略研究[D]. 张秀侠. 武汉理工大学, 2020(01)
- [8]基于电子海图的多船避碰决策及路径规划研究[D]. 吕红光. 大连海事大学, 2019(06)
- [9]基于动态分阶势场法的船舶自动避碰研究[D]. 罗贤程. 大连海事大学, 2019(06)
- [10]基于多目标遗传算法的船舶自动避碰决策研究[D]. 李春泽. 大连海事大学, 2019(06)