依据中国船级社《智能船舶规范》的定义，船舶智能航行具体指可利用计算机技术、控制技术等对感知和获得的信息进行分析和处理，对船舶航路和航速进行设计和优化；可行时，借助岸基支持中心，船舶能在开阔水域、狭窄水道、复杂环境条件下自动避碰，实现自主航行。综合来看，智能航行的关键技术主要包含感知与信息融合、运动控制、避碰决策以及测试验证等方面。

1、感知与信息融合

智能船舶在航行过程中，需要对船舶内部设备运行状态、船舶自身运动状态和外部航行环境进行自动感知，并在不同感知范围、方式上进行融合，以提高单一传感器的感知精度、范围和准确度。

船舶内部设备方面，主要包含船舶机舱内主机、主轴、舵桨等设备运行信息的感知获取，一般通过在关键位置安装温度、压力、转速等传感器来进行状态的实时监测，以满足控制反馈、故障诊断等需求。特别地，对货运船舶(尤其是危险品船)而言，货舱状态和货物状态的实时感知也十分重要，目前主要采用远程监控和压力、液位等传感器结合方式进行状态感知和监控。

船舶自身运动状态主要包含前进、横移、首摇等方向上的位置角度和速度状态，一般通过高精度GPS/GNSS/北斗设备、罗经/惯导等设备获取的经纬度、航速、航向以及船首向等进行解算。其中，GPS和惯导所获取的运动信息可进行相互融合形成组合导航，以减小惯导的累积误差，并提高定位实时性。

船舶的外部航行环境感知是智能航行的重要环节，目前主要以海事雷达、视觉传感器、电子海图、AIS(automaticidentificationsystem)等为主，辅以RFID、水下声呐以及超声波距离传感器等感知设备来对其他船舶及水面障碍、岸线、水深等信息进行感知。在早期的研究中，雷达和AIS是较常使用的感知手段，大部分具备ARPA功能的雷达可以跟踪一定数量目标船的运动状态，并得到相对方位、速度以及最近会遇距离(distanceclosetothepointapproach,DCPA)、最近会遇时间(timeclosetothepointapproach,TCPA)等信息。由于AIS感知的有源特性，常被用于与雷达信息进行融合，以减小雷达目标的虚警率。

近年来，随着图像识别与深度学习技术的发展，基于视觉传感器的船舶目标识别与跟踪成为目前研究的一大热点。卷积神经网络CNN及其相关衍生网络和算法(R-CNN、FastR-CNN、YOLO系列算法等)的出现，大大提高了图像识别的准确性和实时性，使得船舶目标图像识别的实际应用成为可能。

2、运动控制

得益于现代控制理论的发展，对船舶运动控制的研究已趋于成熟，主要包含船舶运动建模和自动导航(如航向控制、路径跟踪)问题两大类。

(1)运动建模

目前广泛使用的船舶运动模型主要分为分离型模型、整体型模型和响应型模型三类。分离型模型将裸船体、舵和桨分开进行单独受力分析；整体型模型则将三者作为一个受力整体，通过级数展开来获得各个水动力导数；响应型模型可看作整体型模型的简化，主要描述船舶转首运动对操舵响应的关系。

整体型模型和响应型模型结构简单，多使用系统辩识方法来进行参数确定。在20世纪70年代，KJ.Astrom等就针对水下运载器的一阶响应模型进行了参数辨识。此后，极大似然法、卡尔曼估计滤波以及最小二乘等方法逐渐被应用在船舶运动建模中。到年之后，神经网络、支持向量机、群智能算法等开始被广泛

转载请注明:http://www.aideyishus.com/lkyy/59.html