海上无人船舶导航技术与电子海图系统的融合研究

文/王香栋 李栋

为了提高无人船舶导航技术在海洋航行中的应用效果，本文首先介绍了无人船舶导航的三种主要方法，分别为基于强化学习的导航方法、基于视觉SLAM 算法的导航方法与基于路径规划与路径跟踪的导航方法。针对其中路径规划与路径跟踪导航方法，本文在路径规划方面提出一种基于ABC-PSO 算法的路径规划模型，并以路径长度最短和碰撞次数最少为最优目标，设计模型的适应度函数，对算法搜索的路径进行质量评价。

为了验证所提方法的路径规划效果，引入电子海图技术构建海域环境模型，进行海域规划仿真实验。实验结果表明，经过所提适应度函数的筛选，实验算法所寻最优路径，均能在未发生碰撞的情况下，成功达到目的地；采用ABCPSO 进行路径规划，相较于RRT 和PSO，规划时间分别缩短了65.21%与46.64%，具有更高的效率；ABC-PSO 所寻得的最优路径，相较于RRT 和PSO，长度分别缩短了15.17%和11.58%，节点数量则减少了66.46%和44.9%，具有更短的长度和更高的平滑度，寻优结果最佳，值得进一步研究和推广。

随着世界经济的发展，海洋贸易剧增，对于海域资源的开发与海域地理气候的研究也越来越重要。无人船舶因其人工成本低、灵活性高、可远程监控侦察等优势，目前在海岸训练、海域监测和地形测绘等方面被广泛应用。精确的导航技术是无人船舶能够自主执行海上任务的基础，针对这一问题，许多学者进行了大量研究。为了解决无人船舶在内河的导航问题，杨娇等根据无人船舶的运动学原理与内河驾驶员的量化经验，提出一种基于双延迟深度确定性策略梯度算法的无人船自主路径规划方法，并基于AC 网络框架，从状态空间、动作空间两个方面对模型进行设计，实现无人船舶在内河的自主航行；针对无人船舶在海洋航行中的全局路径规划问题，朱文亮等将欧式距离与曼哈顿距离计算方法相结合，提出一种混合圆弧距离法，用于AI 经典路径规划算法中代价公式的计算，以提高AI 算法的路径搜索效率并减少算法的遍历节点数量，进而提高实现无人船舶在海洋航行中的全局路径规划。这些研究虽然一定程度上成功对无人船舶的航行路径进行规划，但是规划时间较长，路径质量不高，并且由于实际海洋情况复杂，在计算机上的仿真结果相较于实际的海洋航行仍有一定差距。为了缩短航线，提高路径平滑度，本文提出一种基于ABC-PSO 的全局路径规划方法，首先通过人工蜂群算法改进传统粒子群算法的搜索精度与局部最优逃脱能力，其次以路径最短与碰撞最少为目的，提出模型的适应度函数，对模型寻优结果进行质量评估。最后为了提高算法的实用性，引入电子海图技术对实际海域进行环境建模，再在构建的环境模型上，对所提方法的寻优性能进行检验。所提方法具体设计如下：

无人船舶导航技术

无人船舶（Unmanned Surface Vehicles, USV），又称无人水面艇，是一种无需依靠远程遥控，借助精确卫星定位与电子传感设备即可按照预设程序完成水面航行任务的全自动水面机器人。无人船舶技术包括无人控制、自主决策、自主导航和智能感知等智能技术，通过搭载的雷达、声呐、通信系统、定位系统、自动识别系统与视觉感知系统等传感装置与辅助航海仪器，船舶能够自动获取自身状态信息与航行水域信息，并结合感知算法的处理分析，判断船舶当前面临状态，再通过控制算法与执行机构对船舶航行行为进行自主决策与规划，实现船舶的自主航行。航行过程中，船舶也会实时监测航行信息，保证自身面对水中障碍时可以及时避障，并根据定位信息回到原始规划航线。随着科技的进步与市场需求的提升，无人船舶技术正在接受广泛关注与进一步研究。

在无人船舶技术中，自主导航技术是最核心的技术之一。它是指通过计算机技术，并结合船体的运动学和动力学约束，设计出一条合理的路径，使无人船能够在不碰撞其他物体的情况下，到达目的地并顺利完成任务要求的一种前沿技术[7]。无人机自主导航系统通过陀螺仪、加速度计等测量仪器，对无人船舶的运行状态进行测量和分析，获取船舶的速度和位置信息，结合周边海域障碍物与气候信息，根据行驶出发点与目的地，为无人船舶整个航线过程规划一条完整路线，保证无人船舶能避开海域障碍物安全到达终点。无人船舶的自主导航技术，相较于传统海运中人工导航或远程导航，船舶的信息获取与分析都传感器、智能算法等电子仪器，受环境或主观因素影响较小，稳定性更高。但在航行过程中，通过传感器获取的信息难免存在误差，且随着时间推移误差逐渐积累变大，可能导致船舶最终无法顺利到达目标点。因此在设计导航系统时，也考虑到对船舶航行状态的实时监测，使得船舶可以及时纠正偏移，完成整个航行。

目前主流的无人船导航技术主要分为三种：一是不需要人工设计路径规划，而是借助强化学习技术，使无人机在试错中不断学习周边环境数据，自主决策航行方向与速度，以到达目的地时间最小化为优化目标，自主完成航行任务的方法；另一种则是首先通过激光雷达等传感器获取环境数据，再利用视觉SLAM 技术计算无人船舶位置，实现无人船舶的自主定位与建图，最终实现无人船自主导航的方法[9]；而目前主流的无人船导航技术是通过路径规划与路径跟踪实现。在无人机行驶前，首先依据航区整体信息为无人机设计一条全局最佳路径，确保无人机能顺利到达目的地；再在航行过程中，不断比较当前位置与目标位置之间的距离，确认自身位置，不断调整无人船航行方向与速度，使无人机能够沿着全局路径最终到达目标位置的方法。

基于ABC-PSO 算法的全局路径规划方法

在海洋航行前，根据航行途经海域信息对海洋环境进行建模。首先将海域图映射成黑白双色的栅格地图，并根据海域信息将地图划分成若干个 环境矩阵。其中陆地或障碍物等不可航行的部分用黑色表示，在环境矩阵中代表“1”；可航行的海域部分用白色表示，在环境矩阵中代表“0”。

采用粒子群算法（Particle Swarm Optimization，PSO）在栅格化地图中搜索可行驶路径。粒子群算法又叫粒子群优化算法或鸟群觅食算法，是由国外学者Kennedy J 和Eberhart R C 在近年来提出，通过模仿鸟群觅食行为，用于处理多约束目标优化问题的仿生进化算法。鸟群在集体觅食时，往往利用群体中个体信息共享的方法，使得整个群体演化由无序走向有序，进而达到全局最优，从而得到全局最优解。相较于同样通过迭代优化的遗传算法，粒子群算法涉及参数更少，结构更简单，搜索精度较高且收敛速度更快，目前被广泛应用于神经网络训练、函数优化或模糊控制系统改进中。但是由于粒子群算法本身缺乏多样性，对初始种群的依赖性较强，算法性能受研究者经验限制，这就使得粒子群算法在早期搜索中效果较差，且寻优过程中一旦陷入局部最优，就难以脱困，影响粒子群算法的收敛速度与效果。因此在实际使用时，往往需要再对粒子群算法进行改进，本文的改进主要集中在权重更新和搜索方式上。

由于原始粒子群算法存在收敛速度慢，易陷入局部最优的问题，为了提高算法的收敛速度与精度，使算法在全局和局部搜索中都能保持搜索质量，采用自适应权重更新策略进行改进。因为粒子群算法在实际搜索过程中，往往是非线性且高度复杂的，因此普通线性递减的惯性权重无法完全反映粒子群搜索的优化过程。考虑到粒子的惯性权重与惯性移动距离大小与算法搜索性能密切相关，因此在搜索初期设置一个较大的权重，使之随着搜索次数的上升自适应更新并缩小，通过这样的方式，使得算法在迭代初期可以在较广范围内搜索，加强了粒子的全局搜索能力；在迭代后期，粒子又将会在较小范围内精细搜索，从而大大提高了算法的寻优性能，实现了算法的改善。

除了权重更新上的优化外，针对粒子群算法后期易陷入局部最优的问题，引入在寻找全局最优上具有优势的人工蜂群算法（Artificial Bee Colony Algorithm，ABC），进一步对粒子群算法的速度更新公式进行改进。 人工蜂群算法是在2005年由Karaboga 小组为解决优化代数问题提出，通过模仿蜜蜂在采蜜过程中不同个体交换信息行为，保证算法全局搜索最优能力的一种集群智能算法，目前主要被应用于解决变量函数优化或智能算法优化问题。在人工蜂群算法中，蜂群通过雇佣蜂生成并分享食物源位置信息，再由侦查蜂随机选择一个食物源进行搜索，直到将这个位置的食物搜索完成，再由侦查蜂在附近生成一个食物源重新搜索，直到所有食物搜索完成。利用人工蜂群算法中侦查蜂通过位置信息搜索新蜜源的思想，通过改进粒子群算法的自适应搜索方式，优化算法跳出局部最优的能力。

当蜜源被搜索次数小于十 次时，跟随蜂将在全局最优点附近搜索；当蜜源被搜索次数逐渐增大时，跟随蜂将以全局最优点为指引，在全局最优点相邻区域搜索，直到搜索次数达到上限，侦查蜂将离开这个蜜源，转而寻找下一个蜜源。通过这样的方式，算法可以轻易跳出局部最优。通过人工蜂群和粒子群算法的结合，模型的搜索速度和质量得到有效保障。

由于ABC-PSO 搜索得到的路径存在中间节点与路径转折较多的问题，因此采用贪心搜索策略，对经过判断后，算法搜索的最优路径进行平滑处理。在算法获得一条可通过路径后，以起始点为基点，将起始点与目标点相连，判断连线是否穿过障碍物。如果穿过障碍物，则选取上一个节点连接，再次进行判断；不断遍历所有节点，直到找到未穿越障碍物就可以连接的节点。将这个节点与起点相连，再以这个起点为基点，与目标点相连，重复上述过程，找到下一个未穿越障碍物即可连接的节点。直到这个节点可以未穿越障碍物直接与重点相连。将起点、终点与所有找到的节点以路径的形式相连，通过这样的方式，所寻路径减少了大量的中间节点，减少了路径转折次数，无人船舶可以更快速从起点到达终点，大大降低了无人船舶的移动代价。

仿真实验

基于ABC-PSO 全局规划模型搭建无人船舶导航系统路径规划模块，为了验证ABC-PSO 的全局规划速度和路径生成质量，引入电子海图对算法进行海域仿真实验，并将实验结果分别与PSO、RRT 等经典寻优算法的路径生成结果进行比较。

电子海图是当前海洋航行中用于建立导航系统的而产生的一种特殊地图。电子海图依靠雷达、传感器等电子设备搜集环境与船舶信息，并以数据的形式储存在计算机中，经过信息分析技术处理，最终以简单直观的方式展示在使用者面前。相较于传统纸质海图，电子海图查询方便，不仅可以描述海岸线与海域信息，还可以提供内陆水系可以行驶的相关航道信息，并且针对海岸线形状、岛屿、礁石、障碍物、水深点、危险水域和航道辅助设施，也有更细致准确的展示，极大地方便了人们的航行，是现代海洋航行重要的辅助导航工具。采用二值化法建立标准电子海图的环境模型，环境模型的大小为 ，对海图中航行路径规划相关的障碍物和航道进行标注，标注的障碍物包括陆地、岛屿和礁石三种。

在Matlab 平台分别进行ABC-PSO、PSO 和RRT 的海域规划仿真实验，实验基于Windows 10 操作系统进行，配置CPU 为i7 13700KF，内存为8GB，显卡为Radeon R7 M260。输入某海工船舶设备有限公司某条实际航道的水域及周边环境三维信息生成电子海图仿真模型，采用ABC-PSO、PSO 和RRT 分别进行全局路径规划。设置起点坐标为（35,35），终点坐标为（120,300），算法的最大采用次数为20000。以无人船的宽度作为1 个单位宽度，设置规划路径宽度为5 个单位宽度，这样在实际航行时，无人船在左右两边都可以拥有两个单位宽度作为碰撞缓冲。

无人船舶是一种可以用于海洋开发、气象监测和水上搜集等方面的前沿技术，在海洋任务的完成中具有广阔前景。导航技术是无人船舶的核心技术，常用的无人船舶导航技术主要有基于强化学习、基于视觉SLAM 和基于路径规划与路径跟踪三种，目前基于路径规划与路径跟踪的导航技术是无人船舶导航的主流。为了提高无人船舶管理系统的导航精度，研究提出一种基于ABC-PSO 的路径规划方法，并引入电子海图技术对海域及周边环境进行建模，用于海域航行的规划仿真实验。实验结果表明，经过所提适应度函数的筛选，三种对比算法所寻路径都能在未发生碰撞的情况下，成功到达目标点。其中，RRT 算法规划的路径长度和规划时间都是最长，分别为423.27m 与3.65s，规划路径的节点数量最多，平滑度最低，整体效果最差。PSO 算法的规划结果相较于RRT 稍少，路径长度和规划时间都有一定程度的缩短，分别为406.12m和2.38s，规划路径的节点数量更少，规划的路径质量更高。采用所提ABC-PSO 方法进行全局路径规划，在三种算法中效果最好，规划时间相较于RRT 算法与PSO 算法分别缩短了65.21%与46.64%，规划效率更高；所搜索的最优路径长度相较于RRT 和PSO 减少了15.17%和11.58%，节点数量则分别减少了66.46%和44.9%，路径长度更短且平滑度更高，无人船在航行过程中耗费的成本更低，具有一定的实用性。