基于人工神经网络的狭水道无人船航行避碰路径建模.pdf

第31卷第2 期2023 年6 月广州航海学院学报JOURNAL OF GUANGZHOU MARITIME UNIVERSITYVol.31No.2Jun.2023基于人工神经网络的狭水道无人船航行避碰路径建模孙建明,陈大伟,刘昌华,王仁强,邓华（江苏海事职业技术学院航海技术学院，江苏南京2 1117 0）摘要：当无人船在狭水道内航行时，设计一条安全的航行路线可以有效地避开浅滩、浮标、灯标、桥墩等障碍物.在航行水域中选取一系列平面分布点，将相邻分布点之间通过平滑曲线连接起来，用于表示狭水道无人船航行的避障路径.定义上述路径的总能量函数为路径的长度能量函数和对障碍物的碰撞罚函数能量之和。通过求解目标总能量极小，可使每个路径点朝着能量减小的方向运动，最终便能达到总能量最小的路径，即为最优避障路径.计算机仿真验证了模型的可行性。关键词：避碰路径；人工神经网络；无人船；建模；狭水道中图分类号：U675.96自无人船的概念诞生以来，国内外众多学者开始了如火如茶的研究，其研究的核心内容包括无人船的设计与建造、操纵性能、航行与控制、航行路径规划等等.目前，无人船主要依靠操作人员进行控制，还不能完全依赖自身技术装备进行自主航行.航行路径规划技术是无人船领域中自主航行关键技术之一,特别是狭窄水域、拥挤水域中的航行路线规划需要进一步深人研究.当无人船在狭水道航行时，设计一条安全的无碰撞的航行路线至关重要，这样便可以有效地避离浅滩、浮标、灯标、桥墩等障碍物.常用的路径规划算法中,图搜索法 11存在计算量太大、组合爆炸的问题，对于无人船狭水道避碰路径规划不具有实时性.BUG算法 2 计算简便,不需要获知全局地图和障碍物形状，具备完备性，但其生成的路径平滑性不够好，不能够与无人船的运动特性相融合.滚动在线RRT算法 3 通过在当前滚动窗口内进行局部规划，实施当前策略，再滚动到下一窗口,直至全部最佳.虽大大降低了计算量，但一系列的局部最优累加并不能保证全局最优.人工势场法 4 是通过人为构建目标处的引力势场和障碍物处的斥力势场，利用势场牵引运动体向目标处收稿日期：2 0 2 3-0 3-10基金项目：江苏海事职业技术学院课题（2 0 2 2 ZKzd02;2022ZKzd03;2022kjcx-04）；江苏高校自然科学基金项目（2 1KJB580009）第一作者简介：孙建明（19 8 8 一），男，硕士，讲师，主要从事航海科学与技术研究文献标志码：A文章编号：10 0 9-8 52 6(2 0 2 3)0 2-0 0 37-0 4运动的过程，人工势场法计算方便，得到的路径安全平滑，符合无人船航行运动特质，但对于多障碍物的路径优化存在计算量膨胀的问题.神经网络算法是一种典型的智能算法,具有较高的数据处理精度，其计算方法是大规模并行计算,不增加计算时间，可以达到实时应用的程度，可以解决人工势场法对于多障碍物的路径优化计算量膨胀的问题.为此，本文针对无人船在狭水道航行实际避离障碍物这一问题，构建一种人工神经网络,并将其融人人工势场法中，从而实现无人船航行避碰路径规划，保证航行安全，1基本知识准备1.1 路径规划路径规划问题是要找一条从起始位置到目标位置的无碰撞路径，通常解决这一问题的方法是先构造一个数据结构来表示工作空间，然后通过对这个数据结构的搜索寻找到一条无碰撞的路径 5.1.2无人船操纵性能无人船的操纵运动方程采用野本一阶模型 6 38进行表述：式中，参数T和K分别表示一定船速下无人船的追随性指数和旋回性指数,其值可以通过标准的船舶操纵性试验求得；i和r分别表示无人船操舵进入回转运动后的回转角加速度和角速度；8 表示无人船远程操作人员操纵的舵角.1.3船舶领域船舶领域的概念可以应用到实际航行船舶与周围其他船只、岸线、浅滩、浮标、桥墩之间的安全通过距离上.在无人船避障问题中，可以将其应用到无人船与障碍物之间的安全通过距离当中.进一步地,在无人船避障路径规划中，由于规划路径是一系列点的空间组经过某种寻优手段寻找到的最优路线，为此,将本船无限缩小至某一个点，将无人船原先具有一定的大小空间转移到障碍物中,并进行相对应的放大，这样就可以保证最终最优的点的集合与初始障碍物之间的最小距离为无人船舶领域的大小，符合无人船航行避碰、避障实际要求.本文拟采用文献 7 中构建的狭水道船舶领域模型.2养狭水道船舶避障路径2.1天无人船避障路径构建根据经典路径规划方法，狭水道无人船的避障路径用航行水域中一系列平面分布点来表示,相邻分布点之间通过平滑曲线进行连接.考虑到狭水道当中实际的障碍物具有一定大小范围，但是其规则不一,难以用数学方式表达.为此,本文将无人船的船舶领域尺度转化到障碍物上进行表示.无人船避障路径如图1所示.P,(xz,yz)P(x,y.)P(xo,y)图1无人船避障路径广州航海学院学报神经网络对空间各分布点采用并行和分布计Ti+r=KS(1)第31卷算的方式进行，在设定足够多的分布点后，计算结果可达任意高精度,还不拖慢搜索速度 82.2石碰撞罚函数计算的神经网络模型为了精确计算出上述分布点连接线路与障碍物之间的碰撞程度，首先定义该条路径的碰撞罚函数是其各分布点的碰撞罚函数之和；任意一个分布点的碰撞罚函数用神经网络表示.再利用神经网络对该连接线路上的各个分布点进行计算求和.本文构建的计算罚函数的神经网络结构如图2所示.底层输入层中2 个结点的输入分别为拟定路径分布点的纵向坐标和横向坐标y.中间层的每个结点是对应于障碍物在坐标系下的不等式,底层和中间层的连接权系数是不等式中坐标和y的系数,中间层每个结点的阈值等于不等式中的常数项,如障碍物纵向坐标不等式为y-0.80,那么该结点的阅值为0.8.中间层到顶层的连接权系数均为常数1，顶层结点的阈值为不等式组的个数减去0.5后的负数，如不等式数量为4,那么该结点阈值为-14-0.51=-3.5.TOMmIMm图2 计算罚函数的神经网络结构进一步得到神经网络运算关系：C=f(T,)MT,=Z.OMm+erm=1O Mm=f(I m)IMm=Wxmx;+Wymy;+0Mm式中,C为顶层结点的输出;T为顶层结点的输人；为顶层结点的阈值；0 mm为中间层第m个结点的输出;Imm为中间层第m个结点的输入；mm为中间层第m个结点的阈值;wxm和wm分别为第m个不等式限制条件中x和y的系数.顶层中间层W底层(2）第2 期3无人船航行路径规划模型定义上述待优化路径的总能量函数为路径的长度能量函数和对障碍物的碰撞罚函数能量之和.那么，我们的求解目标是使总能量极小，也就意味着该路径的长度较短并且与障碍物相碰撞的概率最低.由于整个能量是各个路径点的函数，只要使每个路径点朝着能量减小的方向运动，最终便能达到总能量最小的路径，即为最优避障路径.将路径的碰撞罚函数定义为所有路径点的碰撞罚函数值相加之和.那么,碰撞罚函数的能量可表示为NKEe=Z2c式中,K是障碍物的个数;N是路径点的个数;C,表示第i个路径点P,对第k个障碍物的碰撞罚函数.路径长度这部分能量的定义是所有线段长度的平方和.对于任意路径点P（x i,y i），i=1,2，,N,则路径长度计算式为N-1N-1E,=L=Z(xi+-x,)+(yi+l-y.)i=1(4)式中,L,表示第i个线段的长度；E,表示整个路径的长度.整条路径的总能量E定义为E=w,E,+wcEc式中,w,和wc分别表示路径长度和碰撞罚函数的加权系数.通过对能量函数E求导可得：E=w,E,+wcEc(L)LW十dxLiW+Wcayi十dyi为了保证E0,x,和,的实际表达式可以构造如下形式：(L)Li元;=-n+Wcx;Li.+Wcayi+dy;式中,参数为正数.将式(7)带入式(6),可以得到整个路径的能量函数的导数为孙建明，等：基于人工神经网络的狭水道无人船航行避碰路径建模根据上面的式子有ax;aCCa(T)x;(T,)Ma(O Mm)(IMm）Z(3)(T.);m=1a(IMm）M=fl(T,)Ef(Im)1wmm=1式中,f()=()1-f().从而得到任意点P（x i,y i）的纵向坐标x,动态运动方程为i=12w,(2x;-xi-1-Xi+1)x;=-mMT+weZf(T,)Z5(lm）1w t mm=1(10)同理可得,任意点P（;,y）的横向坐标y;动态(5)运动方程为2w,(2y;-yi-1-yi+1)j:=-nMT+wcEfl(T,)Efl(ImMmm=1实验验证4+Wckdx;Cdyx;(7)dy;39E=-Z(x+)0(8)可见E将逐渐减小,直至x，=0 和j；=0 时，才有E=0,这时E取最小值,进一步可求得其相对应的系列路径点,这些路径点的连线就是最佳的规划路径.x;(6)计算机实验选取船舶代表模型 9 ，航道宽度100m，航道长度8 0 0 m;以航道中央线建立坐标,船舶初始位置为（0,0）,终点坐标为（2 5,8 0 0）;障碍物数量3个.采用基于神经网络的路径规划方法进行计算机实验，实验结果如图3所示.图3（a)显示的是没有采用模拟退火方法的实验结果.前两个障碍物能够很好地避开，距离也达到设计要求；但与最后一个障碍物的距离过于靠近，不满足要求.模拟退火方法 9 是一种可以跳出局部极值的有效方法.通过开始用较高的“温度”T，然后逐渐减小T,从而达到模拟退火的效果.退火的终点是达到(9)dx;(11);1wlm40全局的极小值.图3（b)是采用模拟退火方法后的实验结果.开始用足够高的“温度”T，然后逐渐减小T,那么那些原在障碍物内的路径点即可走出障碍物，并最终收敛到最优的无碰撞路径.800800600600(u)斗(m)斗40040020020000-50050航道宽度(m)(a)图3狭水道无人船航行规划路径对比5总结神经网络算法所固有的并行式计算方法可使广州航海学院学报得所规划的路径达到满意的精度，且不增加计算时间，融人模拟退火机制的神经网络方法可以用于狭水道无人船运动路径规划.该路径规划方法能够达到实时应用的程度，符合无人船狭水道航行时避障的实际要求.参考文献：1吕红光，尹勇基于电子海图矢量数据建模的无人船路径规划 J交通信息与安全,2 0 19（0 5）：9 4-10 6.2彭艳，鲍凌志，瞿栋，等。Multi-Bug全局路径规划算法研究 J.农业机械学报，2 0 2 0(0 6)：37 5-38 4.3周维,过学迅,裴晓飞.基于RRT与MPC 的智能车辆路径规划与跟踪控制研究 J汽车工程，2 0 2 0（0 9）：1151-1158.4LYU Hongguang,YIN Yong.COLREGS-Constrained Real-time PathPlanning for Autonomous Ships Using Modified Artificial PotentialFields J.The Journal of Navigation,2019,72:588-608.5YUAN Wenbo.Research on Path Planning based on UnmannedShipJ.International Core Journal of Engineering,2020(12):58-67.6乔双虎,郑凯,陈亚博。一种基于拓展支持向量机的无人船路径规划方法 J：船舶工程,2 0 2 0（0 7）：130 137.7徐海翔互见中基于船舶领域的狭水道避碰决策研究 D.-5030航道宽度(m)(b)第31卷大连：大连海事大学，2 0 16.8LIU Dapei,WANG Xin,YAO Cai,et al.A Novel Framework of Real-Time Regional Collision Risk Prediction Based on the RNNApproach J.Journal of Marine Science Engineering,2020(08):224.9 邓华，王仁强，胡甚平，等。分布式遗传的船舶航向神经网络优化控制 J上海海事大学学报，2 0 2 0(0 4)：15-19,49.Modeling of Unmanned ships Navigation Path in Narrow WaterwaysBased on Artificial Neural NetworkSUN Jian-ming,CHENG Da-wei,LIU Chang-hua,WANG Ren-qiang,DENG Hua(School of Navigation Technology,Jiangsu Maritime Institute,Nanjing Jiangsu 211170,China)Abstract:When unmanned ship is navigating in a narrow waterway,a safe navigation route can be designed toavoid obstacles such as shallows,buoys,beacons,and bridge piers effective.A series of plane distribution points areselected in the navigation water area,and the adjacent distribution points are connected by a smooth curve,which isused to represent the obstacle avoidance path of the unmanned ship sailing in the narrow water channel.The totalenergy function of the above path is defined as the sum of the length energy function of the path and the energy ofthe collision penalty function for obstacles.By solving the goal that the total energy is extremely small,each pathpoint can be moved toward the direction of energy reduction,and finally the path with the minimum total energy canbe reached,which is the optimal obstacle avoidance path.Computer simulation verified the feasibility of the model.Key words:Collision avoidance path;artificial neural network;unmanned ship;modeling;narrow waterways