呂紅光, 尹 勇, 尹建川, 胥 文

(大連海事大學(xué) 航海學(xué)院， 遼寧 大連 116026)

基于人工智能和軟計算的船舶自動避碰決策算法

呂紅光, 尹 勇, 尹建川, 胥 文

(大連海事大學(xué) 航海學(xué)院， 遼寧 大連 116026)

為減少或避免人為失誤導(dǎo)致的船舶碰撞事故，保證船舶安全航行，對自動避碰系統(tǒng)進行深入研究，其中船舶自動避碰決策算法是一個重要問題。對此，綜述專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、進化計算、群智能及免疫算法等人工智能和軟計算方法在該領(lǐng)域中的應(yīng)用，并對相關(guān)研究成果進行分類整理和不足分析，指出人工智能和軟計算方法應(yīng)用于船舶智能避碰決策算法中的研究方向。

船舶； 人工智能； 軟計算； 智能避碰； 決策算法

Abstract: The automatic collision avoidance technology is attracting a lot of interest for its potential for preventing human-error-caused collision accidents. The application of artificial intelligence and soft computation in avoidance decision making algorithms, the core of the automatic collision avoidance technology, covering the expert system, the fuzzy logic, the artificial neural network, the evolutionary computation, the immune algorithms, and the swarm intelligence algorithm, etc are reviewed. The related publications are categorized and their shortcomings are pointed out to direct further researches on artificial intelligence in automatic collision avoidance algorithms.

Keywords: ship; artificial intelligence; soft computation; automatic collision avoidance; decision making algorithm

近年來，隨著海上交通環(huán)境日益擁擠、人為失誤導(dǎo)致的海難事故頻發(fā)、人力資源成本逐漸攀高、航海技術(shù)及儀器快速發(fā)展，對無人駕駛船舶的研究逐漸深入。無人駕駛船舶的核心是智能化的綜合船橋，而自動避碰決策系統(tǒng)則是綜合船橋的關(guān)鍵組成部分。一個成熟的自動避碰決策系統(tǒng)需滿足(不限于)以下條件：避開危險，包括動態(tài)和靜態(tài)的障礙物；在適當(dāng)交通壓力下完成多船會遇時的自動避碰；避碰后選擇安全且經(jīng)濟的航線(復(fù)航)；遵守《海上避碰規(guī)則》(以下簡稱《規(guī)則》)；建立較精確的船舶運動數(shù)學(xué)模型；考慮天氣、海況等外部條件；具有良好的實時性。

以上各個條件之間是相互影響的，滿足這些條件的自動避碰決策系統(tǒng)是一個極其復(fù)雜的綜合系統(tǒng)。多年來，相關(guān)專家一直致力于尋找更加智能、優(yōu)化的算法。人工智能(Artificial Intelligence, AI)和軟計算(Soft Computation, SC)方法的出現(xiàn)為智能避碰決策系統(tǒng)提供了新的解決方案，相比傳統(tǒng)的數(shù)理模型方法，其在解決船舶運動環(huán)境的復(fù)雜性、過程的非線性、避碰決策的實時性和傳感器信息的容錯性等方面具有較好的表現(xiàn)。[1]

1 人工智能和軟計算方法概述

AI是綜合計算機科學(xué)、控制論、信息論、神經(jīng)生理學(xué)、心理學(xué)、語言學(xué)和哲學(xué)等多種學(xué)科的相關(guān)理論而發(fā)展起來的一門交叉學(xué)科。傳統(tǒng)的AI以語言或符號規(guī)則的形式表達和模擬人類的智能行為。對于某些特定領(lǐng)域內(nèi)的決策問題，若存在明顯的知識，則“物理符號系統(tǒng)”假設(shè)具有重要意義。但是，基于“物理符號系統(tǒng)”假設(shè)的人工智能是以靜止、精確的邏輯方式處理問題的，在面向不同的決策問題時缺乏適應(yīng)性，這顯然與人類智能依靠人腦思維靈活處理問題的方式不同。SC的出現(xiàn)彌補了傳統(tǒng)AI的不足，其通過模擬自然界中智能系統(tǒng)的生化過程來解決復(fù)雜問題，通過對不確定、不精確及不完全真值進行容錯來取得低代價的解決方案和魯棒性。

為反映應(yīng)用研究的脈絡(luò)，這里僅對一些應(yīng)用于船舶智能避碰決策算法中的核心內(nèi)容進行論述。

2 基于知識的系統(tǒng)

基于知識(Knowledge Based，KB)的系統(tǒng)是應(yīng)用人類的知識來解決問題(通常是困難問題)的計算機軟件系統(tǒng)，當(dāng)其表現(xiàn)出專家級求解問題的能力時，稱為專家系統(tǒng)(Expert System，ES)。

2.1專家系統(tǒng)

自20世紀80年代ES應(yīng)用于自動避碰領(lǐng)域以來，研究重點是避碰知識庫和推理機制。知識庫知識一般源于《規(guī)則》、專家對《規(guī)則》的解釋、良好船藝及避碰實踐經(jīng)驗等[2]，常用的知識表達方式有產(chǎn)生式規(guī)則、框架、過程、邏輯、決策樹、語義網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)及類與對象的表示等[3]，其中產(chǎn)生式規(guī)則應(yīng)用較多，組織方式多為模塊化或樹狀結(jié)構(gòu)[4]；推理機制需確定碰撞危險度，采取避讓行動的時機、方法和幅度及復(fù)航方案等[5]，采用的推理方式包括正向鏈和反向鏈推理、非單調(diào)推理、類比推理及不確定性推理等[4]。當(dāng)推理機進行規(guī)則匹配時，可能會出現(xiàn)多個規(guī)則匹配成功的情況，還會用到?jīng)_突消解策略，可采用優(yōu)先級法、可信度法、代價法及自然順序法等。[3]文獻[6]用A*動作空間搜索算法簡化ES的設(shè)計；文獻[4]和文獻[7]則結(jié)合船載自動識別系統(tǒng)(Automatic Identification System, AIS)、電子海圖顯示與信息系統(tǒng)(Electronic Chart Display and Information System, ECDIS)及船舶管理系統(tǒng)(VMES)進行自動避碰ES的設(shè)計與仿真。處理的問題多為寬闊水域單船自動避碰問題，少數(shù)提出多船會遇的自動避碰決策生成與優(yōu)化的觀點及方法。[8-9]

自動避碰專家系統(tǒng)的缺點為：知識獲取困難且耗時多，難以形成完備、準確和簡練的知識庫[10]；系統(tǒng)實時性較差；不具備智能學(xué)習(xí)的能力，維護困難，不能處理知識庫以外的問題等。

2.2基于案例的推理方法

基于案例的推理(Case-Based Reasoning，CBR)是一種增量式的基于知識的問題求解和學(xué)習(xí)方法，規(guī)避了傳統(tǒng)基于規(guī)則的人工智能推理系統(tǒng)在知識和規(guī)則獲取上的瓶頸問題。[11]其原理是根據(jù)當(dāng)前問題描述對案例庫進行檢索，獲得與當(dāng)前問題相似的案例集，修改或直接復(fù)用相似案例的解，從而獲得解決當(dāng)前問題的解。沈麗珺[12]采取人工提取海事案例的方式設(shè)計一個基于CBR方法的船舶避碰決策支持模型，但案例數(shù)量有限，處理多船會遇的避碰過程評估有待完善。LIU等[13]提出一種基于歷史海事記錄和中文信息處理的避碰案例自動生成方法，對CBR避碰決策系統(tǒng)建立較完備、準確的案例庫具有一定作用。周世波等[14]根據(jù)避碰案例結(jié)構(gòu)和CBR的特點研究避碰知識庫系統(tǒng)的知識獲取、表示、檢索和冗余檢查等問題，提出建立避碰知識庫思路并開發(fā)避碰知識庫管理原型系統(tǒng)。黃穎等[15]以產(chǎn)生式規(guī)則描述案例，建立基于會遇態(tài)勢特征的算法案例庫，采用特征完全匹配檢索方法尋找源案例中緊迫危險操船決策的模型，最終自動求解生成緊迫危險操船決策方案。CBR方法為自動避碰決策算法提供了新的途徑，具有簡化知識獲取、便于知識積累和自主學(xué)習(xí)、系統(tǒng)構(gòu)建及推理相對容易等優(yōu)點[16]，但目前在多船自動避碰方面仍需作進一步研究。

3 模糊邏輯

船舶避碰系統(tǒng)本質(zhì)上是一個人、船、環(huán)境相互作用的不確定系統(tǒng)，具有本質(zhì)的非線性、信息的不完全性和過程的時變性等特征，因而難以建立精確的數(shù)學(xué)模型來設(shè)計自動避碰系統(tǒng)。隨著模糊集出現(xiàn)及模糊系統(tǒng)理論不斷發(fā)展，模糊數(shù)學(xué)被逐步應(yīng)用到船舶自動避碰領(lǐng)域中。

3.1模糊避碰決策模型及領(lǐng)域模型

對于模糊避碰決策模型，趙勁松等[17]提出船舶領(lǐng)域模糊邊界的概念，建立基于DCPA的避碰決策模擬模型。PIETRZYKOWSKI等[18-19]提出模糊船舶領(lǐng)域的概念并將其應(yīng)用到受限水域航行安全性評估中；之后基于專家經(jīng)驗，用模糊邏輯的方法進行人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，提出動態(tài)模糊船舶領(lǐng)域模型，并在后期研究中考慮人、船、環(huán)境和《規(guī)則》的影響建立統(tǒng)一的領(lǐng)域模型。王寧[20]在四元船舶領(lǐng)域模型的基礎(chǔ)上結(jié)合模糊集理論，進一步提出更加智能、靈活和實用的模糊四元船舶領(lǐng)域模型(Fuzzy Quaternion Ship Domain，F(xiàn)QSD)，為船舶的智能避碰決策提供新的判據(jù)；此后，其對模型進行改進，加入船舶、人為因素和環(huán)境因素等子模型，其中環(huán)境因素子模型的構(gòu)建采用的就是模糊集理論。

3.2模糊避碰決策系統(tǒng)

PERERA等[21-24]提出基于模糊邏輯的避碰決策系統(tǒng)，并在此基礎(chǔ)上對整個智能避碰系統(tǒng)進行研究，該系統(tǒng)可滿足《規(guī)則》要求，但僅適用于兩船間的避碰；此后其又對設(shè)計的系統(tǒng)進行改進，提出基于“模糊-貝葉斯”的船舶智能避碰決策/執(zhí)行模型，決策依靠模糊邏輯平行多決策模塊，并通過貝葉斯網(wǎng)絡(luò)模型將決策轉(zhuǎn)換成連續(xù)的避碰行動。BRCKO[25]提出一種基于模糊邏輯并結(jié)合ARPA雷達的避碰決策系統(tǒng)，利用ARPA提供的信息和《規(guī)則》的知識表示，該系統(tǒng)雖然簡單易行，但僅能提供對單船的智能避碰決策。

3.3基于VTS的模糊避碰決策

近年來，模糊理論也用于船舶交通管理系統(tǒng)(Vessel Traffic Services, VTS)中。SI等[26]用模糊邏輯方法為VTS設(shè)計一個船舶碰撞報警系統(tǒng)，可用于船間通信或作為一個碰撞報警平臺，但尚不能提供執(zhí)行避碰操作的時機和舵角。此后，有學(xué)者提出改進的基于VTS的船舶避碰模糊決策方案，將碰撞報警系統(tǒng)的信息通過VTS安裝的模糊監(jiān)控系統(tǒng)(Fuzzy Monitoring System，F(xiàn)MS)傳遞給船舶，為其提供施舵建議，但該系統(tǒng)只能提供轉(zhuǎn)向建議且不適用于多船會遇局面。此外，BUKHARI等[27]基于模糊推理系統(tǒng)提出一種在VTS中利用傳統(tǒng)雷達設(shè)備提供的信息實時計算多船碰撞危險的智能系統(tǒng)。

4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是由大量人工神經(jīng)元經(jīng)廣泛互連而形成的人工網(wǎng)絡(luò)，用以模擬人類神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。一些學(xué)者[28-29]將其應(yīng)用于船舶領(lǐng)域及船舶碰撞危險度評價方面的研究中。鄭中義[30]以一船獲得的另一船的ARPA原始數(shù)據(jù)作為BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的輸入，可快速確定碰撞危險度。歐陽慶等[31]對電子海圖系統(tǒng)中的避碰信息進行處理，建立開闊水域船舶自動避碰神經(jīng)網(wǎng)絡(luò)決策模型，并充分考慮海圖數(shù)據(jù)(如水深)對避碰決策進行二次修正，但單一的網(wǎng)絡(luò)模型不能應(yīng)對所有的船舶會遇局面，需構(gòu)建一個組合神經(jīng)網(wǎng)絡(luò)群。此外，單獨采用神經(jīng)網(wǎng)絡(luò)方法解決船舶自動避碰決策問題尚不可行，與其他軟計算方法相結(jié)合是發(fā)展方向。LIU等[32]將神經(jīng)網(wǎng)絡(luò)優(yōu)越的非線性信息處理能力和學(xué)習(xí)功能與模糊技術(shù)相結(jié)合，提出適用于船舶在互見中的模糊神經(jīng)網(wǎng)絡(luò)推理模型以提供避碰決策。AHN等[33]用模糊邏輯、專家系統(tǒng)、神經(jīng)模糊算法和神經(jīng)網(wǎng)絡(luò)研究一種自動避碰系統(tǒng)，神經(jīng)模糊算法可平滑推理碰撞危險度，利用多層感知神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)過程重新建立一種既考慮DCPA和TCPA等傳統(tǒng)因素，又能考慮船舶領(lǐng)域、限制水域、能見度受限和高速船等外部航行數(shù)據(jù)的碰撞危險推理模型。

5 進化計算

進化計算(Evolutionary Computation, EC)是模擬生物進化理論而形成的一種全局優(yōu)化自適應(yīng)概率搜索的算法理論，其核心是進化算法(Evolutionary Algorithm，EA)，主要包括遺傳算法(Generic Algorithm，GA)、進化規(guī)劃(Evolutionary Programming，EP)和進化策略(Evolutionary Strategies，ESs)，可用于解決多類復(fù)雜系統(tǒng)的優(yōu)化和機器學(xué)習(xí)等問題。EA的2個主要特點是群體搜索策略和群體中個體間的信息交換，在智能避碰中有很多指派好的路徑可供選擇，經(jīng)過一系列的交叉、變異和選擇過程找到接近最優(yōu)的路徑。

ITO等[34]首次用GA為船舶避碰尋找最優(yōu)航路，并運用實習(xí)船“Shioji Maru”的操縱模擬器進行實時模擬測試，但未考慮《規(guī)則》。此后，ZENG等[35]提出基于GA的運動物體避讓模型，模型中移動的障礙物或運動的船舶由ARPA識別，碰撞危險度由一個基于Markov過程模型的隨機預(yù)測器得到。碰撞危險度的大小和航線的有效性體現(xiàn)在GA的代價函數(shù)中，且航速隨航行環(huán)境的變化和代價函數(shù)的取值而改變。因此，可用該算法調(diào)整航速優(yōu)化避碰操作，在開闊水域避開靜止和運動的物體，但在擁擠水域需加上適當(dāng)?shù)募s束條件。此外，前期研究中的GA編碼方式僅將船位(經(jīng)緯度)作為染色體的基因，不便檢查試驗數(shù)據(jù)，ZENG等[36-37]逐步提出一種由船位、速度、潮汐、風(fēng)速和海浪等擾動因素構(gòu)造的單一基因的GA編碼方式。一個染色體代表一條規(guī)劃好的路徑，該路徑由基本的線段序列和轉(zhuǎn)向基因組成(見圖1)。起點基因代表當(dāng)前位置，結(jié)束基因代表目標位置。若本船周圍有其他船舶或障礙物，則本船的安全路徑即是連接起點和結(jié)束點2個基因的直線；若本船周圍無障礙物，則會在起點和結(jié)束點之間隨機分布其他基因，構(gòu)成多條不同長度的染色體，也即可能的路徑。每一路徑是否可行需用GA中的適應(yīng)度函數(shù)來評估，最合適路徑對應(yīng)的適應(yīng)度函數(shù)的值最小。該方法能更有效地搜索到較優(yōu)的安全航行路徑，并將《規(guī)則》加入到適應(yīng)度函數(shù)中。

圖1 染色體結(jié)構(gòu)

SMIERZCHALSKI等[38]對基于進化計算的路徑規(guī)劃算法(Evolutionary Planner/Navigator，EP/N)進行改進，提出EP/N++算法，形成船舶自動避碰決策支持系統(tǒng)的重要組成部分，能在給定的靜/動態(tài)環(huán)境下計算出一條安全的避碰最優(yōu)路徑。該算法設(shè)計專門的遺傳算子對航線進行修正，同時采用另外一個遺傳算子對航速度進行變異操作，每個航向段的改變都可伴隨速度的變化，同時具有較短的計算時間。該系統(tǒng)的主要特征是引入時間參數(shù)、可變的航速及動態(tài)的他船時變的約束條件。

王則勝[39]基于GA建立船舶避碰決策模型，綜合考慮避讓航線的安全性、經(jīng)濟性及《規(guī)則》的要求，得出較優(yōu)的避碰方案；同時，利用Visual C++進行實例仿真。應(yīng)士君等[40]在GA的基礎(chǔ)上使用Bayes模型，將平均信息量加入到GA的適應(yīng)度函數(shù)中優(yōu)化傳統(tǒng)的GA，得到更符合《規(guī)則》和海上避碰慣例的次優(yōu)解。

TSOU等[41]用GA結(jié)合《規(guī)則》及船舶的安全領(lǐng)域提出理論上最安全的最短避碰路徑建議，并提供最優(yōu)避碰轉(zhuǎn)向角度、復(fù)航時間和復(fù)航角度；同時為使用該系統(tǒng)的VTS操作員及駕駛員預(yù)警，并提供足夠的避碰準備時間。TAM等[42]基于進化計算，用已知和預(yù)報的航路及天氣數(shù)據(jù)對近距離會遇情況開發(fā)路徑規(guī)劃算法，仿真結(jié)果表明該算法具有航路優(yōu)化、可避碰、遵循避碰規(guī)則和符合航海實際等優(yōu)點。

6 人工免疫算法

免疫算法(Immune Algorithm，IA)將生命科學(xué)中的免疫概念及其理論應(yīng)用到GA中，在保留原算法優(yōu)良特性的基礎(chǔ)上，有選擇、有目的地利用待求解問題中的一些特征信息或知識來抑制其優(yōu)化過程中出現(xiàn)的退化現(xiàn)象。許慶陽[43]采用混沌危險模式人工免疫算法搜索最優(yōu)的船舶避碰策略，該算法以“抗體”編碼空間代替問題的參數(shù)空間，以親和度函數(shù)為評價依據(jù)，通過對“抗體”種群中個體位串的操作進行種群更新，建立一個迭代過程，最終搜索到避碰策略的最優(yōu)解。白一鳴等[44]將危險模式免疫算法應(yīng)用到船舶避碰策略優(yōu)化中，結(jié)合船舶碰撞危險度及船舶運動數(shù)學(xué)模型等領(lǐng)域的知識，較快、較準確地進行船舶避碰策略優(yōu)化。

7 群智能算法

群智能算法(Swarm Intelligence Algorithm, SIA) 也是一類來源于仿生學(xué)的優(yōu)化算法，模仿的是社會性生物的群體性。代表性的SIA有蟻群算法(Ant Colony Optimization，ACO)、粒子群算法(Particle Swarm Optimization，PSO)、人工魚群算法(Artificial Fish Swarm Algorithm, AFSA)、細菌覓食算法(Bacteria Foraging Optimization，BFO)、人工蜂群算法(Artificial Bee Colony，ABC)及與EA相結(jié)合的差分演化算法(Differential Evolution，DE)。ACO和ABC主要用于求解組合優(yōu)化問題，而其他算法則較適合進行連續(xù)優(yōu)化。一些學(xué)者將其應(yīng)用到海上船舶智能避碰領(lǐng)域中。TSOU等[45]應(yīng)用ACO建立避碰模型，該模型包含航海實踐、海事法規(guī)和《規(guī)則》的知識系統(tǒng)及來自于AIS等的實時信息，可規(guī)劃出一條安全、經(jīng)濟的近距離避碰路徑，平均執(zhí)行速度比傳統(tǒng)的GA稍快；此外，在設(shè)置船舶安全區(qū)時選取的是圓形的警戒圈而非船舶領(lǐng)域，因此在模型精度及蟻群算法的并行處理方面仍需進一步完善。LAZAROWSKA[46-47]采用ACO并結(jié)合船舶運動數(shù)學(xué)模型和領(lǐng)域模型，將會遇局面中所有目標船(包括靜態(tài)障礙物)視為整體計算避碰最優(yōu)方案，目標船領(lǐng)域模型可選，但假設(shè)目標船保向保速。王得燕[48]采用PSO求解多船會遇情況下本船的最優(yōu)轉(zhuǎn)向角度值，并推薦采用一種具有量子行為的PSO建立船舶避碰目標函數(shù)，以提高算法的收斂性能，解決陷入局部最優(yōu)問題。馬文耀等[49]利用BFO規(guī)劃船舶避碰航路，主要包括轉(zhuǎn)向時機、避讓航向改變量、復(fù)航時機及復(fù)航航向改變量等目標，模擬本船與右前(后)方目標船交叉會遇和對遇等3種態(tài)勢，在電子海圖上動態(tài)演示試驗過程。綜合分析自動避碰決策中采用的SIA主要融合了船舶運動數(shù)學(xué)模型、避碰規(guī)則解析、船舶領(lǐng)域模型及路徑規(guī)劃與優(yōu)化問題。算法具有簡便易行、收斂速度快和經(jīng)驗參數(shù)較少等優(yōu)點，具有良好的應(yīng)用前景，但尚存在易陷入局部極值點、搜索精度不高和進化后期收斂速度慢等缺點，因此仍需改進。

8 多智能體系統(tǒng)

多智能體系統(tǒng)(Multi-Agent Systems，MAS)是分布式人工智能(Distributed Artificial Intelligence, DAI)的一個重要分支，通過智能體的合作來完成任務(wù)求解。實現(xiàn)MAS的關(guān)鍵是多個智能體間的通信和協(xié)調(diào)。

郝清賦等[50]提出并實現(xiàn)一種基于Multi-Agent的協(xié)商避碰決策支持系統(tǒng)，其基于系統(tǒng)論的思想，將協(xié)商決策引入到船舶避碰中，以減少避碰決策中的不確定性，并提供網(wǎng)絡(luò)環(huán)境下的智能避碰決策支持。楊神化[51]構(gòu)建一個基于Multi-Agent理論模型的多船舶Agent避碰決策支持系統(tǒng)，在避讓動態(tài)船舶、避淺避礁和綜合避碰等3個方面分別對船舶Agent的避碰決策算法進行研究；在會遇單船時，以兩船的相對距離值表征船舶Agent實施避碰措施的時機，并在對遇決策中采用協(xié)商算法；此外，對會遇多目標船及同時存在一艘動態(tài)目標船和水上水下障礙物的情況進行研究，提出由初始方案層、尋優(yōu)層和協(xié)商層共同組成的分層避碰決策生成與優(yōu)化算法。

9 灰色系統(tǒng)理論

灰色系統(tǒng)理論是一種處理動態(tài)系統(tǒng)的數(shù)學(xué)方法，用來描述部分信息已知、部分信息未知并介于黑白系統(tǒng)之間的系統(tǒng)，可對系統(tǒng)進行分析、建模、預(yù)測、決策和控制等。GM(1,1)模型是灰色理論中較常用的預(yù)測方法。高穎[52]初步探討基于GM(1,1) 預(yù)測模型的灰色預(yù)測理論和方法在船舶避碰決策方面的應(yīng)用，為船舶避碰決策提供一種新的方法。這里采取“先緩沖后預(yù)測”的思想，通過引入緩沖算子改進GM(1,1)模型提高船舶避碰決策系統(tǒng)對目標船運動態(tài)勢和避碰時機預(yù)測的精確程度。此外，其對樣本量無特殊要求，分析時無需典型的分布規(guī)律，因而在避碰系統(tǒng)中大量傳感器數(shù)據(jù)誤差處理方面具有較高的應(yīng)用價值。

10 總結(jié)與展望

在人工智能和軟計算中，專家系統(tǒng)應(yīng)用于實船安裝測試較早，其關(guān)鍵在于完備“避碰知識庫”；模糊邏輯可準確反映專家對困難、復(fù)雜問題的求解，提供突破傳統(tǒng)專家系統(tǒng)設(shè)計瓶頸的途徑；BP單獨應(yīng)用于船舶智能避碰決策中的實用性不強，但可充分利用其自學(xué)習(xí)能力完善“知識庫”；EC中，GA應(yīng)用于避碰決策中的研究較多，關(guān)鍵在于選取合適的“適應(yīng)度函數(shù)”，同時EC的避碰策略主要是施加一定限制條件的路徑優(yōu)化，且可考慮《規(guī)則》；IA及其改進方法可較快、較準確地優(yōu)化避碰決策；SIA和MAS具有內(nèi)在結(jié)構(gòu)的相似性，前者參數(shù)選擇非常重要，后者多個智能體間的通信和協(xié)調(diào)是關(guān)鍵，更加適用于協(xié)商式智能避碰；而灰色系統(tǒng)理論則在處理傳感器不精確信息方面具有較高的實用價值。

上述方法各有利弊，單獨采用某種方法只能解決自動避碰決策某方面的問題，因此目前的研究尚存在的問題有：未充分考慮能見度、受限水域及交通密度影響等環(huán)境因素，可避碰但不符合《規(guī)則》要求； 過度簡化本船和目標船的運動模式(假定來船為直航船保向保速，船舶尺度、類型及領(lǐng)域模型未充分考慮)； 難以處理復(fù)雜的多船全局會遇局面(多集中于避碰單船和重點船，當(dāng)無法預(yù)測他船運動時，采取自動避碰行動的全局有效性難以保證)； 船舶以外的動、靜態(tài)障礙物未充分考慮； 避碰行動單一(多為轉(zhuǎn)向)，未與航線優(yōu)化有機結(jié)合，算法的性能和全局/局部收斂能力較弱； 多采用MATLAB進行仿真，未在船舶操縱模擬器測試平臺或?qū)嵈向炞C?；谝陨先毕?，建立一套以人類認知和決策理論為基礎(chǔ)，以現(xiàn)有的導(dǎo)助航儀器提供的平臺為依托，融合多種算法優(yōu)點的混合智能決策支持系統(tǒng)將是自動避碰系統(tǒng)的發(fā)展方向。自動避碰系統(tǒng)獲得真正應(yīng)用的前提是機器智能的不確定性低于駕駛員造成的人為不確定性。

[1] STATHEROS T, HOWELLS G, MCDONALD-MAIER K. Autonomous Ship Collision Avoidance Navigation Concepts, Technologies and Techniques[J]. The Journal of Navigation, 2008, 61(1):129-142.

[2] 孫立成. 船舶避碰決策數(shù)學(xué)模型的研究[D].大連: 大連海事大學(xué), 2000.

[3] 彭麗麗. 基于AIS的內(nèi)河船舶智能避碰專家系統(tǒng)及實現(xiàn)[D].武漢: 武漢理工大學(xué), 2010.

[4] 張選逵. 基于AIS的船舶避碰專家系統(tǒng)研究[D].上海: 上海海事大學(xué), 2006.

[5] 程細得, 劉祖源. 船舶智能避碰專家系統(tǒng)研究[J]. 武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版), 2003，27(1):94-96.

[6] LEE H J, RHEE K P. Development of Collision Avoidance System by Using Expert System and Search Algorithm[J]. Ship Science & Technology, 2001, 48(3):197-210.

[7] TRAN T, HARRIS C, WILSON P. Vessel Management Expert System[C]//Daklard:Intelligent Transportation Systems, 2001：1102-1107.

[8] 朱沁. 多船會遇的船舶智能避碰專家系統(tǒng)研究與仿真[D].武漢: 武漢理工大學(xué), 2004.

[9] 李麗娜, 熊振南, 任勤生. 多船避碰智能決策的生成與優(yōu)化方法[J]. 信息與控制, 2003,32(2):189-192.

[10] 施平安, 陳文偉, 王敬全, 等. 基于神經(jīng)網(wǎng)絡(luò)的復(fù)合避碰專家系統(tǒng)研究[J]. 航海技術(shù), 2001(6):2-5.

[11] 郭艷紅, 鄧貴仕. 基于事例的推理(CBR)研究綜述[J]. 計算機工程與應(yīng)用, 2004，40(21):1-5.

[12] 沈麗珺. 基于CBR方法的船舶避碰決策支持模型的研究[D].上海: 上海海事大學(xué), 2007.

[13] LIU Y, YANG C, YANG Y, et al. Case Learning for CBR-Based Collision Avoidance Systems[J]. Applied Intelligence, 2012, 35(2):308-319.

[14] 周世波, 熊振南. 基于案例推理的船舶避碰案例庫設(shè)計與實現(xiàn)[J]. 中國航海, 2012, 35(3):71-75.

[15] 黃穎,李麗娜,李國定. 緊迫危險不可避免碰撞操船決策自動生成方法[J]. 中國航海, 2013,36(3):55-60.

[16] 劉健. 基于案例推理的知識系統(tǒng)的設(shè)計與實現(xiàn)[D].南京: 南京航空航天大學(xué), 2004.

[17] ZHAO Jingsong, WU Zhaolin, WANG Fengchen. Comments on Ship Domains[J]. The Journal of Navigation, 1993, 46(3):422-436.

[18] PIETRZYKOWSKI Z. Ship Fuzzy Domain in Assessment of Navigational Safety in Restricted Areas, III[C]. Gdynia: Navigational Symposium, 1999，1:253-264.

[19] PIETRZYKOWSKI Z, URIASZ J. The Ship Domain-A Criterion of Navigational Safety Assessment in an Open Sea Area[J]. The Journal of Navigation, 2009, 62(1):93-108.

[20] WANG N. A Novel Analytical Framework for Dynamic Quaternion Ship Domains[J]. The Journal of Navigation, 2013, 66(2):265-281.

[21] PERERA L P, CARVALHO J P, GUEDES SOARES C. Decision Making System for the Collision Avoidance of Marine Vessel Navigation Based on COLREGs Rules and Regulations[C]//Proceedings of 13th Congress of International Maritime Association of Mediterranean, 2009:1121-1128.

[22] PERERA L P. Autonomous Guidance and Navigation Based on the COLREGs Rules and Regulations of Collision Avoidance[J]. 2010(1999):205-216.

[23] PERERA L P, CARVALHO J P, GUEDES SOARES C. Fuzzy Logic Based Decision Making System for Collision Avoidance of Ocean Navigation Under Critical Collision Conditions[J]. Journal of Marine Science and Technology, 2011, 16(1):84-99.

[24] PERERA L, CARVALHO J, GUEDES SOARES C. Intelligent Ocean Navigation and Fuzzy-Bayesian Decision Action Formulation[J]. IEEE Journal of Oceanic Engineering, 2012, 37(2): 204-219.

[25] BRCKO T, SVETAK J. Fuzzy Reasoning as a Base for Collision Avoidance Decision Support System[J]. Promet-Traffic & Transportation, 2013, 25(6):555-564.

[26] SI K, KJ L, CHANG K, et al. A Fuzzy Logic Method for Collision Avoidance in Vessel Traffic Service[J]. Journal of Navigation, 2007, 60(1):17-31.

[27] BUKHARI A C, TUSSEYEVA I, LEE B G, et al. An Intelligent Real-Time Multi-Vessel Collision Risk Assessment System from VTS View Point Based on Fuzzy Inference System[J]. Expert Systems with Applications, 2013, 40(4):1220-1230.

[28] LISOWSKI J, RAK A, CZECHOWICZ W. Neural Net-Work Classifier for Ship Domain Assessment[J]. Mathematics and Computers in Simulation, 2000, 51(3-4):399-406.

[29] ZHU X, XU H, LIN J. Domain and Its Model Based on Neural Networks[J]. Journal of Navigation, 2001, 54(1):97-103.

[30] 鄭中義. 船舶自動避碰決策系統(tǒng)的研究[D].大連: 大連海事大學(xué), 2000.

[31] 歐陽慶, 趙德鵬. 電子海圖系統(tǒng)中船舶避碰的神經(jīng)網(wǎng)絡(luò)方法的研究[J]. 大連海事大學(xué)學(xué)報, 1997, 23(3):1-6.

[32] LIU Yuhong, DU Xuanmin, YANG Shenhua. The Design of a Fuzzy-Neural Network for Ship Collision Avoidance[C]//Advances in Machine Learning and Cybernetics. Guangzhou: Springer Berlin Heidelberg, 2006.

[33] AHN J H, RHEE K P, YOU Y J. A Study on the Collision Avoidance of a Ship Using Neural Networks and Fuzzy Logic[J]. Applied Ocean Research, 2012, 37(0):162 - 173.

[34] ITO M, ZHNNG F, YOSHIDA N. Collision Avoidance Control of Ship with Genetic Algorithm[C]//IEEE International Conference on Control Applications, 1999,12:1791-1796.

[35] ZENG M X, ITO M, SHIMIZU E. Planning and Keeping the Safe Course to Avoid Collision at Sea with Genetic Algorithms[C]//IECON. 26th Annual Conference of the IEEE, 2000，4:2388-2393.

[36] ZENG X M, ITO M. Planning a Collision Avoidance Model for Ship Using Genetic Algorithm[C]//Systems, Man, and Cybernetics. 2001 IEEE International Conference, 2001，4:2355-2360.

[37] ZENG X. Evolution of the Safe Path for Ship Navigation[J]. Applied Artificial Intelligence, 2003, 17(2):87-104.

[38] SMIERZCHALSKI R, MICHALEWICZ Z. Modeling of Ship Trajectory in Collision Situations by an Evolutionary Algorithm[J]. IEEE Transactions on Evolutionary Computation, 2000, 4(3):227-241.

[39] 王則勝. 基于遺傳算法的船舶避碰決策研究[D].上海: 上海海事大學(xué), 2005.

[40] 應(yīng)士君，施朝健，楊神化. 基于bayes模型的遺傳算法在避碰航路設(shè)計中的應(yīng)用[C]//全國博士生學(xué)術(shù)論壇—交通運輸工程學(xué)科論文集, 2005.

[41] TSOU M C, KAO S L, SU C M. Decision Support from Genetic Algorithms for Ship Collision Avoidance Route Planning and Alerts[J]. The Journal of Navigation, 2010, 63(1):167-182.

[42] TAM C, BUCKNALL R. Path-Planning Algorithm for Ships in Close-Range Encounters[J]. Journal of Marine Science and Technology, 2010, 15(4):395-407.

[43] 許慶陽. 危險模式人工免疫算法及其應(yīng)用研究[D].大連: 大連海事大學(xué), 2010.

[44] 白一鳴 , 韓新潔,孟憲堯. 危險模式免疫控制算法優(yōu)化船舶避碰策略[J]. 中國航海, 2012, 35(2):29-32.

[45] TSOU M C, HSUEH C K. The Study of Ship Collision Avoidance Route Planning by Ant Colony Algorithm[J]. Journal of Marine Science and Technology, 2010, 18(5):746-756.

[46] LAZAROWSKA A. Ant Colony Optimization Based Navi-gational Decision Support System[J]. Procedia Computer Science, 2014, 35: 1013-1022.

[47] LAZAROWSKA A. Ship's Trajectory Planning for Collision Avoidance at Sea Based on Ant Colony Optimisation[J]. The Journal of Navigation, 2015, 68: 291-307.

[48] 王得燕. 粒子群算法在多船轉(zhuǎn)向避碰中的研究[D].無錫: 江南大學(xué), 2009.

[49] 馬文耀，楊家軒. 基于細菌覓食算法的避碰航路優(yōu)化研究[J]. 大連海事大學(xué)學(xué)報, 2013, 39(2):21-23.

[50] 郝清賦, 陳英武, 汪浩, 等. 一種新型船舶避碰決策支持系統(tǒng)的設(shè)計與實現(xiàn)[J]. 計算機工程與應(yīng)用, 2003，39(15):222-225.

[51] 楊神化. 基于Multi-agent的船舶避碰決策支持系統(tǒng)[D].上海: 上海海事大學(xué), 2008.

[52] 高穎. 基于GM(1,1)模型的船舶避碰決策的應(yīng)用研究[J]. 中外企業(yè)家, 2011(12):124-126.

ArtificialIntelligenceandSoftComputationMethodsinAutomaticCollisionAvoidanceAlgorithmsforShips

LYUHongguang,YINYong,YINJianchuan,XUWen

(Navigation College, Dalian Maritime University, Dalian 116026, China)

U675.96

A

2016-01-11

國家高技術(shù)研究發(fā)展計劃(“八六三”計劃)課題(2015AA016404);中央高?；究蒲袠I(yè)務(wù)費(3132016310)；海洋公益性行業(yè)科研專項經(jīng)費項目(201505017-4);遼寧省自然科學(xué)基金(201602081)

呂紅光(1981—)，男，山西五臺人，講師，博士生，研究方向為海上智能交通系統(tǒng)。E-Mail:lh1350@163.com 尹 勇(1969—)，男，湖北鄖縣人，教授，博士生導(dǎo)師，研究方向為虛擬現(xiàn)實技術(shù)、航海仿真技術(shù)。E-mail:bushyin_dmu@263.net

1000-4653(2016)03-0035-06