Autonomous decision-making method for ship maneuvering in complex waters of estuarine multi-class ships routeing system

Yixiong HE; Huwei ZHANG; Jiaorun LIU; Xingya ZHAO; Shouyuan XIANG; Bing WANG

doi:10.1051/jnwpu/20244261047

All issues

Volume 42 / No 6 (December 2024)

JNWPU, 42 6 (2024) 1047-1056

Full HTML

Open Access

Issue		JNWPU Volume 42, Number 6, December 2024


Page(s)		1047 - 1056
DOI		https://doi.org/10.1051/jnwpu/20244261047
Published online		03 February 2025

JNWPU 2024, 42(6): 1047–1056

Autonomous decision-making method for ship maneuvering in complex waters of estuarine multi-class ships routeing system

河口多定线制复杂水域船舶操纵自主决策方法

Yixiong HE (贺益雄)¹^,2^,3, Huwei ZHANG (张胡伟)¹^,2^,3, Jiaorun LIU (刘姣润)¹^,2^,3, Xingya ZHAO (赵兴亚)¹^,2^,3, Shouyuan XIANG (向守源)¹^,2^,3 and Bing WANG (王兵)¹^,2^,3

¹ School of Navigation, Wuhan University of Technology, Wuhan 430063, China
² Hubei Key Laboratory of Inland Shipping Technology, Wuhan University of Technology, Wuhan 430063, China
³ State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology, Wuhan 430063, China

Received: 22 November 2023

Abstract

In order to solve the autonomous decision-making for ship manoeuvring in complex waters of estuarine multi-class ships routeing system, key scientific issues such as digital environment, navigation rule integration, ship manoeuvrability constraints, and collision avoidance mechanism under special waters were investigated by taking the waters from the mouth of Liu River to the North Trough as an example. The requirements of analytical rules were summarized and quantified in the digital traffic environment. The collision avoidance mechanism under the constraints of ship behavioural characteristics in such waters was explored by combining the control and process prediction methods with nonlinear ship manoeuvring characteristics. Then, a feasible heading speed finding method was established, and a ship manoeuvring autonomy decision-making method under the constraints of multifactors that can dynamically adapt to the system's residual error and the target ship's random motion was proposed. Under the preset scenarios, the ship can pass safely at 0, 38, 1 184, 1 537, 2 166, 3 678, 3 808 s by altering course 4° to starboard side, decelerating, altering course 5° to starboard and decelerating, decelerating, altering course 3° to port side accelerating, altering course 3° to starboard and decelerating, decelerating, respectively. The experiments show that the present method can safely avoid the collision in the complex environment and track the course in time.

摘要

为解决河口多定线制复杂水域船舶操纵自主决策问题, 以浏河口至北槽水域为例, 围绕数字化环境、航行规则融入、船舶操纵性限制和特殊水域下的避碰机理等关键科学问题进行了研究。在数字化交通环境中, 归纳和量化解析规则要求, 结合非线性船舶操纵特性下的控制和过程预测方法探究该类水域船舶行为特征约束下的避碰机理, 建立可行航向航速求取方法, 提出了一种能动态自适应系统剩余误差和目标船随机运动的多因素约束下的操纵自主决策方法。在预设场景下, 船舶在0, 38, 1 184, 1 537, 2 166, 3 678, 3 808 s右转4°、减速、右转5°并减速、减速、左转3°加速、右转3°并减速、减速可安全通过。实验表明, 提出的方法能在复杂环境中安全避让, 并及时跟踪航线。

Key words: estuarine multi-class ships routeing system / digital traffic environment / collision avoidance mechanism / autonomous decision-making / ship track keeping

关键字 : 河口多定线制水域 / 数字化交通环境 / 避碰机理 / 船舶操纵自主决策 / 航线跟踪

This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

河海交接水域(如浏河口至北槽入口水域)航道结构复杂，推荐交通流向多样，船舶流量大，实际交通流构成复杂，事故多发，经常采用多种定线制措施规范船舶航行，降低水上交通事故发生率。但是，这些水域船舶碰撞事故依然频发，导致了严重的人命、财产和环境损失。为减少人为因素引起的事故，需要提高船舶操纵、避碰和导航等方面的航行自动、自主化决策水平。因此，实现这些水域船舶航行操纵的自主决策具有重要意义。

近年来，船舶航行决策的研究成果丰富。文献[1–2]提出开阔水域船舶避碰决策方法。文献[3]研究了基于双延迟深度确定性策略梯度的船舶自主避碰方法。文献[4–5]提出基于粒子群算法的船舶避碰决策方法。文献[6]结合速度观测的径向基函数(RBF)神经网络滑模控制算法解决欠驱动船舶路径跟踪中速度状态不易获取等问题。文献[7]论述船舶拟人智能避碰决策的算法原理及基础模型的构建方法，提出避碰算法合理性及完备性的测试方案。文献[8]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。文献[9]研究了多物标环境下符合避碰规则的船舶可变速自动避碰决策方法。文献[10]结合速度障碍思想和人工势场理论设计满足船舶操纵限制要求的避碰决策方法。

目前船舶操纵自主决策研究主要集中在开阔水域或者部分受限水域，如何在河口多定线制水域数字化通航环境、量化解析特殊航行规则、从底层研究特殊环境下的避碰机理和船舶运动控制，实现操纵方案自主决策，均有待深入研究。通过构建静动态数字化交通环境，改进变速MMG(mathematical model group)模型，结合航速控制、最优PID(proportion integration differentiation)航向控制和航线跟踪系列方法建立研究水域航速自适应的船舶自动航行模型，量化解析《1972年国际海上避碰规则》、适用的地方规则和良好船艺(统称“规则”)要求，自主决策出不同局面下的操纵方案供辅助决策或自主航行操纵。设计时序滚动决策框架，实现自主操纵方案对系统剩余误差、目标船机动的自适应。

1 船舶操纵自主决策框架

船舶操纵自主决策本质上是一个通航环境、航行规则、船舶操纵运动特性等多因素约束下的船舶运动控制方案决策问题。决策系统误差来源于本船运动模型、控制参数和态势感知等，误差来源和补偿方法见文献[11]。无法完全消除的误差定义为剩余误差。为自适应校正剩余误差、目标船不可预测的机动操纵，建立时序滚动、反馈矫正的决策框架，如图 1所示。

图1

船舶操纵方案决策框架

2 数字化交通环境

船舶操纵决策系统需要识别并有效提取环境必要信息作为决策基础。为此，需要将环境按决策需求进行分类并分解成各种要素，建立要素的数学模型。实际使用时，依靠船载设备获得航行数据驱动模型，进行组合变成计算机程序所能识别的交通环境。研究水域交通环境包含静态、动态2类要素。要素、模型分类如表 1所示。

表1

物标分类

假设一个河口多定线制水域中包含s个分道通航制, t个沿岸通航带, u个航标以及多个不规则区域(航道周围锚地、码头和警戒区等)。每个分道通航制由n个通航分道和m条边界线组成, 每条边界线含有e个点。

第s个分道通航制的m条边由L_m表示, 如(1)式所示。

式中: D_e^m表示分道通航制的第m条边上的第e个点。

分道通航制的n个通航分道由T_n表示, 如(2)式所示。

式中: n与m的对应关系为m=2n-1。

计划航线由通航分道2条边界线的中点依次连接组成。L_ij表示第i个分道通航制的第j个通航分道上的计划航线, 如(3)式所示。

式中: P_{m_e}ⁿ表示第m个分道通航制的第n个通航分道的2条边界线上第e对点连线的中点。

将某个通航分道划分为j个航段, S_nj表示第n个通航分道上的第j个航段, 如(4)式所示。

R_s表示第s个分道通航制, 如(5)式所示。

点状或圆形物标的数学模型如(6)式所示。

式中: (X_i, Y_i)为第i个区域圆心; r为半径, 可根据环境调整; 条形、多边形和形状不一且不规则的其他物标可用多个点连线表示, 矩阵中的点根据交通环境选取, 如(7)式所示。

式中: U_a为第a个不规则区域; p为组成该区域的点, j为点的数量。

将上述通用模型应用到浏河口至北槽河口多定线制水域中, s, t, u, n, m, e取值分别为1, 1, 11, 2, 4, 5。L_m, T_n, L_ij, S_nj, R_s, U_a均可用通用模型表示, 数字化交通环境的再可视化如图 2所示。

图2

浏河口至北槽水域数字化交通环境再可视化

3 自动航行模型

3.1 船舶操纵运动模型

不考虑纵摇、垂荡和横摇, 只考虑船舶艏摇、横荡和纵荡3个自由度的二维平面运动, 三自由度船舶MMG模型如(8)式所示。主要参数及符号含义参照文献[12–13]。

3.2 自适应最优航向控制方法

自适应最优PID控制的参数能够随工作环境和船速变化, 基于船舶运动状态实时调节K_p, K_i, K_d 3个参数, 实时反馈和优化调整, 精确控制航向[14]。原理如图 3所示。

图3

自适应最优参数PID控制原理

求取船舶操纵性指数。当船舶受外界扰动较小时, 将(8)式进行拉普拉斯变换, 得到二阶响应模型如(9)式所示。

式中, u(s)=L(u(t)), r(s)=L(r(t)), δ(s)=L(δ(t))。转向角δ到转首角速度r和横向速度u的传递函数如(10)式所示。

经过拉普拉斯逆运算, 将频域内转首角速度、横向加速度和舵角关系转换为时域方程，如(11)式所示。

需要大舵角避让时, 引入非线性一阶KT方程如(12)式所示。

(11)~(12)式中

式中, v₀为初始航速。依据(12)式, 通过水动力导数求得K, T值。考虑航向保持和燃料消耗, 提出性能优化函数如(13)式所示。

式中：E为航向偏差；λ为参数。

依据线性二次型非零定点输出理论, 不同航速和转速下的最优PID的参数如(14)式所示。

3.3 分档车钟航速控制方法

传统船舶通常通过分档车钟调整螺旋桨转速, 以实现不同的航速。船舶吨位大且惯性效应显著, 转速细微变动对避碰影响较小, 选用分档车钟发出转速指令控制船舶速度。“Interlink Solidity”轮车钟档位和匹配航速如表 2所示。

表2

“Interlink Solidity”轮车钟转速表

若车钟命令在t₁时刻发出, t₂是完成变速的时刻点, 变速前后的转速分别为R₁, R₂, 则t时刻转速如(15)式所示。

式中, k为转速变化率, 根据该轮船长经验, k取0.2 r/s。

3.4 航线跟踪方法

在采取自适应最优PID航向控制方法后, 航线跟踪实现的关键在于确定目标航向和下一转向点。

1) 确定下一转向点。计划航线包含S个转向点, P_m最近, P_m-1和P_m+1为与其前后相邻的转向点。计算本船与P_m和P_m-1点下一时刻和当前时刻的距离差D₁和D₂。D₁D₂>0, 则P_m+1是下一个转向点。D₁D₂ < 0，判断离P_m的距离D₃是否小于555.6 m，若是，则P_m+1是下一个转向点；否则，P_m是下一个转向点，如图 4所示。

图4

航线跟踪方法

2) 目标航向。为保证船舶顺利在计划航线上航行, 将下一转向点相对于本船真方位T_B与计划航线方向C_A的差值乘以系数λ, 确定目标航向T_C。

λ为靠拢系数, 当λ>1时, 船舶沿着L₁运动, λ=1时，船舶沿着L₂运动，如图 4所示。λ过大或过小均不利于航线跟踪, 通过实验取λ=1.6。

4 航行决策方法

4.1 避碰机理

避碰机理是指船舶运动矢量和避碰效果之间的规律[11]。船舶在特定水域内实施避碰操纵, 通过探究船舶运动矢量变化与避碰效果之间的关系, 计算出安全避让所有目标船和障碍物的操纵方案。

4.1.1 基于船位推算方法的碰撞危险判断

研究水域中船舶通常按照通航分道交通流方向航行。若目标船航向与交通流方向基本一致, 根据交通流方向和船速推算; 不一致则根据当前船速矢量进行推算，具体步骤如下。

1) 顺、不顺交通流方向目标船按(17)、(18)式进行船位推算。本船按自动航行模型推算船位。若目标船在下一时刻机动操纵, 则更新目标船信息进行计算, 若更新频率够高, 可实现对目标船自适应决策。

(17)~(18)式中符号含义见文献[15]。

2) 忽略远距离物标, 推算距离阈值d范围内目标船位, d可由船长确定, 暂取9.26 km。若目标船在某一时刻点进入本船船舶领域, 则存在潜在碰撞危险(potential collision risk, PCR)。由(19)式判断是否有船舶进入本船船舶领域, 若进入, 保存该目标船信息以及进入本船船舶领域的时间。

式中: (X_t⁰, Y_t⁰), (X_t¹, Y_t¹)为本船和目标船在t时刻的位置, D_is为目标船在t时刻与船舶领域的距离, 当D_is≤0, 则认为目标船在t时刻进入本船的船舶领域。b, a为船舶领域的长、短半轴, Q₁, Q₂分别为目标船相对于本船和本船相对于目标船的舷角。

4.1.2 碰撞危险度模型

碰撞危险度(collision risk index, CRI)是根据船舶操纵特性、位置和运动状态等因素来评估两船碰撞的潜在危险程度以及采取避让措施紧迫程度的物理量, 包含空间碰撞危险度(space collision risk index, SCRI)和时间碰撞危险度(time collision risk index, TCRI)。

1) SCRI是度量船舶之间是否存在PCR并采取避让措施的可能性, 不存在为0, 存在为1, 如(20)式所示。

2) TCRI是衡量存在PCR时采取避让措施紧迫性的物理量，由(21)式计算。

将u_d和u_t合成碰撞危险度(CRI), 如(22)式所示。

(20)~(22)式中符号含义见文献[15]。

定义碰撞危险形成条件为: 存在PCR且目标船进入本船船舶领域的时间T_TS小于t₀(t₀取600 s)。若存在PCR, 按(22)式计算CRI。

4.1.3 规则融入与解析

以普通机动船从宝山北航道82号浮附近水域按通航分道下行驶往北槽为研究背景, 通过归纳、总结和解析本地适用的《规则》, 该水域本船操纵方案应符合以下要求。

1) 航行原则

在规定航路按交通流方向靠右航行, 远离分隔线以及浮标。应在主航道和辅助航道内航行, 在靠、离码头或进、出港池、锚地时, 可使用小型船舶航道。除靠、离码头外, 避免在码头前沿水域航行。

2) 避让原则

浏河口至北槽水域交通环境复杂，横越通航分道的船舶避让在分道内航行的船舶。在吴淞口警戒区内航行时, 应避让进出黄浦江的大型船舶。在通航分道追越目标船时, 应从他船的左舷追越。进出和航行警戒区禁止追越他船。

通过提取周围环境、本船及9.26 km以内的信息, 根据船位推算方法, 判断是否存在PCR。若不存在PCR, 则按本地航行原则航行; 若存在PCR, 辨识出当前的会遇态势, 按照避让原则与良好船艺求取当前的避让方案。具体避让方案求取见下节。

4.1.4 基于碰撞危险度的可行避碰方案求取

将规则解析并融入至航行决策框架, 采用转向、变速、转向与变速结合等避让措施。当前时刻，在改向、变速与改向变速结合方案中，改向幅度和档位变化幅度最小的为最优避让方案。求取步骤如下。

1) 单凭转向。

本船所有可行航向可表示为C_goal=C₀±α, 其中C₀为初始航向, α为改向角度, α=1°, 2°, …, 45°。从较小改向角度开始, 依次验证所有仅改向的操纵方案是否安全。通过验证的最小改向角即为本船单凭转向的避让方案。若船舶抵达边界线未找到合适方案, 航向更新为当前航段推荐航向, 沿航道边界航行, 并继续寻找可行的恢复航线跟踪的时间点。

2) 若所有改向角度均不可行, 则选择变速避让, 本船可达到的螺旋桨转速可表示为R_goal=R₀+ΔR, R_goal∈[R_u, R_v], R₀为初始转速, R_u, R_v为本船停车、全速前进时的螺旋桨转速, ΔR为本船转速改变量。以航线跟踪方向作为本船目标航向, 逐步验证所有可行的车钟档位是否安全, 按自动航行模型计算航迹, 确定该方案是否能避让目标船及其他碍航物。通过验证的改变较小的速度档位即为本船单凭变速的避让方案。

如经步骤1)~2)无法获得可行方案, 则列出本船所有可行的航向C_goal和转速R_goal, 从较小转向角度与车钟改变较小的档位开始, 依次验证所有可行的转向和变速组合的避让方案的安全性。若所有操纵方案均不可行, 则报警, 要求人工干预。

4.2 船舶操纵自主决策方法

以固定步长在时变环境中快速更新涵盖静、动态物标的交通环境信息, 按规则要求航行。如图 5所示。

图5

船舶操纵自主决策模型

根据图 5实时判断本船是否以最快车速度进行航线跟踪, 同时监控周边目标船运动状态。构建船舶领域模型, 引入船位推算方法, 计算碰撞危险度并识别最危险的目标船。通过避碰机理确定可行避碰方案, 结合自动航行模型及航向航速控制系统求取船舶操纵决策方案。

5 仿真实验与结果分析

5.1 运动模型验证

取浏河口至北槽水域2023年11月15日11 ∶ 05时刻实时风、流数据如表 3所示。

表3

浏河口至北槽水域风、流数据

无风无流条件下，初始速度为6.17 m/s，仿真船舶右舵35°旋回轨迹如图 6a)所示，旋回540°需1 017 s，定常旋回速度为2.30 m/s，进距、横距为3.17L、1.639L(L为船长)。旋回初始速度下降快，定常旋回阶段速度恒定，如图 6b)所示。有风有流条件下，仿真船舶右舵35°旋回轨迹如图 6c)所示，旋回540°需1 027 s，进距、横距为3.18L、1.641L，旋回初始速度下降快，因风流影响，定常旋回阶段速度在2.29~2.60 m/s之间波动，如图 6d)所示。

图6

旋回实验验证

5.2 仿真实验

表 3所取风、流为定长风和定长流, 浏河口至北槽水域中浪较小, 对船舶影响较小, 因此在实验中不考虑浪的影响。本船和目标船初始参数见表 4, 目标船6、7为保向变速的机动船, 目标船12(13)为黄浦江(锚地)驶向锚地(黄浦江)的变向变速机动船, 其余目标船保向、保速。在考虑目标船机动的前提下, 根据表 4的初始信息在Qt平台中进行模拟仿真。实验结果如图 7~9所示。

仿真实验初始数据

实验仿真结果1

实验仿真结果2

实验仿真结果3

图 7a)~7d)分别显示避让过程、时机和可行操纵区间。图 8a)~8d)分别显示仿真全过程中航向航速变化、两船间距、本船与分隔带及右边界线距离。图 9显示了目标船的碰撞危险度变化。

t=0 s, 本船与目标船1、2都存在碰撞危险, 目标船1、2碰撞危险度分别为0.529 74、0.203 889, 目标船1为最危险船舶, 本船右转4°避让目标船1, t=38 s, 目标船1碰撞危险度为0, 本船减速避让目标船2, t=136 s, 目标船2碰撞危险度为0, 本船加速跟踪航线。

t=1 184 s, 目标船6碰撞危险度为0.075 266, 本船右转5°并减速避让目标船6, t=1 351 s时, 目标船6碰撞危险度为0, 本船加速跟踪航线。t=1 537 s时, 目标船7碰撞危险度为0.122 448, 本船减速避让目标船7, t=1 914 s, 目标船7碰撞危险度为0, 本船加速跟踪航线。

t=2 166 s, 目标船8碰撞危险度为0.015 4, 本船本船左转3°加速追越目标船8, t=2 669 s, 碰撞危险度为0, 本船加速跟踪航线。

t=3 678 s, 目标船12碰撞危险度为0.122 428, 本船右转3°并减速避让目标船13, t=3 808 s时, 目标船12、13碰撞危险度为0.086 764, 0.123 047, 目标船13为最危险船舶, 本船减速避让目标船13, t=3 824 s时, 目标船12碰撞危险度为0, t=4 174 s时, 目标船13碰撞危险度为0, 本船加速跟踪航线。

6 结论

针对河口多定线制复杂水域的船舶操纵决策问题, 在考虑环境、规则和船舶操纵性等多因素约束的基础上, 提出了一种基于自动航行模型且能动态自适应系统剩余误差的船舶操纵决策方法。提出的方法可满足在此类复杂水域船舶操纵自主决策的需求, 为此类水域的安全航行提供了一种有效的决策方法, 同时也为后续其他类似水域航行决策研究提供理论基础。研究中未考虑极端情形下的“倒车”和“停车”, 也未考虑目标船舶是智能船舶的避让情况, 以及更全面地考虑复杂环境中的各种约束因素, 后续研究中可对此进行改进。

References

XIE Hongwei, ZHANG Yingjun, XING Shengwei, et al. Ship autonomous collision avoidance method based on model predictive control[J]. Ship Engineering, 2021, 43(8): 23–28 (in Chinese) [Google Scholar]
HE Y X, JIN Y, HUANG L W, et al. Quantitative analysis of COLREG rules and seamanship for autonomous collision avoidance at open sea[J]. Ocean Engineering, 2017, 140: 281–291 [Article] [CrossRef] [Google Scholar]
LIU Zhao, ZHOU Zhuangzhuang, ZHANG Mingyang, et al. Ship autonomous collision avoidance method based on double delay depth deterministic strategy gradient[J]. Traffic Information and Safety, 2022, 40(3): 60–74 (in Chinese) [Google Scholar]
NING Jun, HUANG Yuyang, YOU Yun, et al. Ship collision avoidance decision based on hybrid particle swarm algorithm[J]. Journal of Dalian Maritime University, 2023, 49(1): 34–43 (in Chinese) [Google Scholar]
ZENG Yong, ZHANG Jinfen, ZHANG Mingyang, et al. Collision avoidance decision-making based on particle swarm optimization and genetic algorithm[J]. Navigation of China, 2020, 43(1): 1–6 [Article] (in Chinese) [Google Scholar]
Ll Zongxuan, BU Renxiang, ZHANG Hugan, et al. Path following of ship based on sliding mode control with improved RBF neural network and virtual circle[J]. Journal of Northwestern Polytechnical University, 2021, 39(1): 216–223 [Article] (in Chinese) [CrossRef] [EDP Sciences] [Google Scholar]
LI Lina, CHEN Guoquan, YANG Lingbo, et al. Testing and application of intelligent collision avoidance algorithm for ship personification[J]. Navigation of China, 2022, 45(1): 1–7 [Article] (in Chinese) [Google Scholar]
HU Jiaying, LIU Kezhong, WU Xiaolie, et al. Optimization of ship collision avoidance decision-making based on prospect theory[J]. Navigation of China, 2020, 43(1): 18–23 (in Chinese) [Google Scholar]
HUANG Liwen, LI Haoyu, LIANG Yu, et al. Decision-making method of automatic collision avoidance for ships with variable speed based on maneuvering process inference[J]. Traffic Information and Safety, 2021, 39(6): 1–10 (in Chinese) [Google Scholar]
MA Jie, SU Yudong, XIONG Yong, et al. Decision-making method for collision avoidance of ships in confined waters based on velocty obstacle and artificial potential field[J]. China Safety Science Journal, 2020, 30(11): 60–66 (in Chinese) [Google Scholar]
HE Yixiong, LIANG Yu, XIONG Yong, et al. Dynamic adaptive intelligent navigation method for multi-object situation in open water[J]. Journal of Traffic and Transportation Engineering, 2021, 21(5): 297–308 (in Chinese) [Google Scholar]
XIA Y, ZHENG S, YANG Y, et al. Ship maneuvering performance prediction based on MMG model[J]. IOP Conference Series: Materials Science and Engineering, 2018, 452(4): 042046 [Article] [CrossRef] [Google Scholar]
LU Xianxu. Simulation of control characteristics of electric propulsion system of large cruise ship under the influence of wind and waves[D]. Harbin: Harbin Engineering University, 2021 (in Chinese) [Google Scholar]
HUANG Liwen, LIU Jinlai, HE Yixiong, et al. Study on automatic track control in narrow curved section[J]. Journal of Wuhan University of Technology, 2023, 45(4): 53–62 (in Chinese) [Google Scholar]
HE Yixiong, YU Deqing, LIU Xiao, et al. Dynamic adaptive method of autonomous navigation decision-making in the chengshanjiao waters[J]. Journal of Harbin Engineering University, 2023, 44(10): 1680–1688 (in Chinese) [Google Scholar]

All Tables

表1

物标分类

In the text

表2

“Interlink Solidity”轮车钟转速表

浏河口至北槽水域风、流数据

仿真实验初始数据

All Figures

	图1 船舶操纵方案决策框架
In the text

	图2 浏河口至北槽水域数字化交通环境再可视化
In the text

	图3 自适应最优参数PID控制原理
In the text

	图4 航线跟踪方法
In the text

	图5 船舶操纵自主决策模型
In the text

	图6 旋回实验验证
In the text

	图7 实验仿真结果1
In the text

	图8 实验仿真结果2
In the text

	图9 实验仿真结果3
In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.

[1] XIE Hongwei, ZHANG Yingjun, XING Shengwei, et al. Ship autonomous collision avoidance method based on model predictive control[J]. Ship Engineering, 2021, 43(8): 23–28 (in Chinese) [Google Scholar]

[2] HE Y X, JIN Y, HUANG L W, et al. Quantitative analysis of COLREG rules and seamanship for autonomous collision avoidance at open sea[J]. Ocean Engineering, 2017, 140: 281–291 [Article] [CrossRef] [Google Scholar]

[3] LIU Zhao, ZHOU Zhuangzhuang, ZHANG Mingyang, et al. Ship autonomous collision avoidance method based on double delay depth deterministic strategy gradient[J]. Traffic Information and Safety, 2022, 40(3): 60–74 (in Chinese) [Google Scholar]

[4] NING Jun, HUANG Yuyang, YOU Yun, et al. Ship collision avoidance decision based on hybrid particle swarm algorithm[J]. Journal of Dalian Maritime University, 2023, 49(1): 34–43 (in Chinese) [Google Scholar]

[5] ZENG Yong, ZHANG Jinfen, ZHANG Mingyang, et al. Collision avoidance decision-making based on particle swarm optimization and genetic algorithm[J]. Navigation of China, 2020, 43(1): 1–6 [Article] (in Chinese) [Google Scholar]

[6] Ll Zongxuan, BU Renxiang, ZHANG Hugan, et al. Path following of ship based on sliding mode control with improved RBF neural network and virtual circle[J]. Journal of Northwestern Polytechnical University, 2021, 39(1): 216–223 [Article] (in Chinese) [CrossRef] [EDP Sciences] [Google Scholar]

[7] LI Lina, CHEN Guoquan, YANG Lingbo, et al. Testing and application of intelligent collision avoidance algorithm for ship personification[J]. Navigation of China, 2022, 45(1): 1–7 [Article] (in Chinese) [Google Scholar]

[8] HU Jiaying, LIU Kezhong, WU Xiaolie, et al. Optimization of ship collision avoidance decision-making based on prospect theory[J]. Navigation of China, 2020, 43(1): 18–23 (in Chinese) [Google Scholar]

[9] HUANG Liwen, LI Haoyu, LIANG Yu, et al. Decision-making method of automatic collision avoidance for ships with variable speed based on maneuvering process inference[J]. Traffic Information and Safety, 2021, 39(6): 1–10 (in Chinese) [Google Scholar]

[10] MA Jie, SU Yudong, XIONG Yong, et al. Decision-making method for collision avoidance of ships in confined waters based on velocty obstacle and artificial potential field[J]. China Safety Science Journal, 2020, 30(11): 60–66 (in Chinese) [Google Scholar]

[11] HE Yixiong, LIANG Yu, XIONG Yong, et al. Dynamic adaptive intelligent navigation method for multi-object situation in open water[J]. Journal of Traffic and Transportation Engineering, 2021, 21(5): 297–308 (in Chinese) [Google Scholar]

[12] XIA Y, ZHENG S, YANG Y, et al. Ship maneuvering performance prediction based on MMG model[J]. IOP Conference Series: Materials Science and Engineering, 2018, 452(4): 042046 [Article] [CrossRef] [Google Scholar]

[13] LU Xianxu. Simulation of control characteristics of electric propulsion system of large cruise ship under the influence of wind and waves[D]. Harbin: Harbin Engineering University, 2021 (in Chinese) [Google Scholar]

[14] HUANG Liwen, LIU Jinlai, HE Yixiong, et al. Study on automatic track control in narrow curved section[J]. Journal of Wuhan University of Technology, 2023, 45(4): 53–62 (in Chinese) [Google Scholar]

[15] HE Yixiong, YU Deqing, LIU Xiao, et al. Dynamic adaptive method of autonomous navigation decision-making in the chengshanjiao waters[J]. Journal of Harbin Engineering University, 2023, 44(10): 1680–1688 (in Chinese) [Google Scholar]