子文江 莊偉濤 彭榮發(fā) 饒銀輝 陳遠(yuǎn)明 洪曉斌

學(xué)術(shù)研究

多無(wú)人艇協(xié)同避障軟件系統(tǒng)設(shè)計(jì)*

子文江1莊偉濤2彭榮發(fā)1饒銀輝2陳遠(yuǎn)明1洪曉斌1

（1.華南理工大學(xué)機(jī)械與汽車(chē)工程學(xué)院，廣東 廣州 510641 2.廣船國(guó)際有限公司，廣東 廣州 511462）

針對(duì)多無(wú)人艇協(xié)同避障軟件系統(tǒng)的需求，首先，提出多無(wú)人艇協(xié)同避障軟件系統(tǒng)總體框架，并將總體框架劃分為多無(wú)人艇層、岸基層和云系統(tǒng)層3個(gè)層級(jí)；然后，詳細(xì)設(shè)計(jì)岸基層的岸基監(jiān)控軟件的數(shù)據(jù)處理與顯示、自主航行路徑規(guī)劃模塊；接著，建立Hadoop數(shù)據(jù)采集2層Flume架構(gòu)，并基于HBase實(shí)現(xiàn)Hadoop數(shù)據(jù)存儲(chǔ)，基于LSTM實(shí)現(xiàn)Hadoop避障預(yù)測(cè)；最后，驗(yàn)證該軟件系統(tǒng)可滿足多無(wú)人艇協(xié)同避障實(shí)際需求。

無(wú)人艇；協(xié)同避障；Hadoop；軟件設(shè)計(jì)

0 引言

隨著21世紀(jì)海上絲綢之路的發(fā)展與推進(jìn)，海上運(yùn)輸業(yè)已成為我國(guó)對(duì)外貿(mào)易和海洋開(kāi)發(fā)的重要一環(huán)[1]。海上交通運(yùn)輸環(huán)境日益復(fù)雜繁忙以及危險(xiǎn)作業(yè)項(xiàng)目增多，使得發(fā)展海上無(wú)人自主航行技術(shù)的需求日益迫切[2]。面對(duì)多樣化的海洋作業(yè)任務(wù)和復(fù)雜的海洋環(huán)境，單無(wú)人艇在執(zhí)行任務(wù)時(shí)呈現(xiàn)能力不足，難以滿足如今海上任務(wù)多樣化的需要。相較于單無(wú)人艇，多無(wú)人艇系統(tǒng)具有高效的任務(wù)完成能力、靈活的機(jī)動(dòng)能力，從而提高了無(wú)人艇可執(zhí)行任務(wù)的類(lèi)型、擴(kuò)大了無(wú)人艇作業(yè)半徑及應(yīng)對(duì)復(fù)雜海上環(huán)境的能力。多無(wú)人艇協(xié)同技術(shù)是多無(wú)人艇系統(tǒng)的核心技術(shù)之一，對(duì)保證多無(wú)人艇系統(tǒng)正常運(yùn)行，提高多無(wú)人艇執(zhí)行任務(wù)能力及效率至關(guān)重要[3-4]。由于海上交通繁忙且海面情況存在很大的不確定性，多無(wú)人艇協(xié)同作業(yè)時(shí)，不僅要考慮外部障礙物的碰撞威脅，還要考慮多無(wú)人艇系統(tǒng)內(nèi)部各無(wú)人艇之間的碰撞風(fēng)險(xiǎn)，這對(duì)無(wú)人艇的自主避障能力提出了更高要求[5-6]。

本文針對(duì)多無(wú)人艇協(xié)同避障軟件系統(tǒng)的需求，提出多無(wú)人艇協(xié)同避障軟件系統(tǒng)總體框架，并完成多無(wú)人艇協(xié)同避障軟件系統(tǒng)岸基監(jiān)控軟件和Hadoop平臺(tái)軟件設(shè)計(jì)。

1 多無(wú)人艇協(xié)同避障系統(tǒng)總體框架

多無(wú)人艇協(xié)同避障系統(tǒng)由多無(wú)人艇層、岸基平臺(tái)層和云系統(tǒng)層3層結(jié)構(gòu)組成，總體框架如圖1所示。

圖1 多無(wú)人艇協(xié)同避障系統(tǒng)總體框架

無(wú)人艇搭載傳感設(shè)備和通信設(shè)備，具有環(huán)境信息感知能力、與岸基及其他無(wú)人艇通信能力，處于3層結(jié)構(gòu)的前端，是多無(wú)人艇協(xié)同避障任務(wù)的具體執(zhí)行者。多無(wú)人艇協(xié)同避障的相互局部決策過(guò)程在無(wú)人艇層進(jìn)行，各無(wú)人艇獨(dú)立進(jìn)行計(jì)算和局部決策。

岸基層主要由上位機(jī)和Hadoop平臺(tái)組成，其中岸基上位機(jī)用于提供多無(wú)人艇協(xié)同避障過(guò)程的可視化顯示及數(shù)據(jù)的本地存儲(chǔ)，并通過(guò)Flume將數(shù)據(jù)上傳至Hadoop集群；Hadoop平臺(tái)通過(guò)HDFS文件存儲(chǔ)系統(tǒng)和Map/Reduce框架實(shí)現(xiàn)大量數(shù)據(jù)的存儲(chǔ)和避障預(yù)測(cè)等運(yùn)算，為多無(wú)人艇協(xié)同避障提供數(shù)據(jù)存儲(chǔ)和算力保障[7-8]。

云系統(tǒng)層為系統(tǒng)提供了良好的可擴(kuò)展性，可支持無(wú)人艇終端的接入，滿足未來(lái)較多無(wú)人艇數(shù)據(jù)持久化存儲(chǔ)和高效分析的需求；實(shí)現(xiàn)用戶遠(yuǎn)程接入云端系統(tǒng)實(shí)時(shí)查看無(wú)人艇運(yùn)行狀態(tài)等功能；同時(shí)為后期復(fù)雜環(huán)境下避障模型在線更新等更多功能的引入預(yù)留空間。

2 岸基監(jiān)控軟件設(shè)計(jì)

2.1 數(shù)據(jù)處理與顯示模塊設(shè)計(jì)

本文采用串口通信實(shí)現(xiàn)岸基無(wú)線數(shù)傳電臺(tái)與無(wú)人艇岸基監(jiān)控軟件之間的通信[9]。無(wú)人艇岸基監(jiān)控軟件讀取串口數(shù)據(jù)后，需先對(duì)無(wú)人艇數(shù)據(jù)進(jìn)行分割處理，然后在主界面分類(lèi)顯示。無(wú)人艇的數(shù)據(jù)解析及可視化顯示流程如圖2所示。

圖2 數(shù)據(jù)解析及可視化顯示流程圖

目前能較準(zhǔn)確采集到的實(shí)時(shí)數(shù)據(jù)有：1）位置信息，包括經(jīng)度、緯度；2）姿態(tài)信息，包括俯仰角、偏航角、翻滾角；3）轉(zhuǎn)向信息，主要是轉(zhuǎn)舵角；4）運(yùn)動(dòng)信息，主要是航速；5）障礙物信息，包括無(wú)人艇與障礙物之間的距離和方位。以上數(shù)據(jù)在主頁(yè)面進(jìn)行顯示，如圖3所示。主頁(yè)面嵌入了電子衛(wèi)星圖，用于無(wú)人艇航線規(guī)劃結(jié)果的顯示、實(shí)時(shí)標(biāo)注無(wú)人艇位置和顯示無(wú)人艇航行軌跡。除顯示上述無(wú)人艇數(shù)據(jù)外，主頁(yè)面還增加了無(wú)人艇航行模式選擇、轉(zhuǎn)彎角度、航行速度等參數(shù)的設(shè)置功能模塊，用于無(wú)人艇的遠(yuǎn)程操控以及調(diào)試，并可方便對(duì)比查看預(yù)設(shè)狀態(tài)與無(wú)人艇實(shí)際運(yùn)動(dòng)狀態(tài)。

圖3 無(wú)人艇岸基監(jiān)控軟件主頁(yè)面

2.2 自主航行路徑規(guī)劃模塊設(shè)計(jì)

自主航行路徑規(guī)劃模塊的功能是對(duì)無(wú)人艇的全局路徑進(jìn)行規(guī)劃，得出一條能夠有效避開(kāi)全局環(huán)境中已知障礙物的平滑路徑，提高無(wú)人艇的任務(wù)執(zhí)行效率。本文設(shè)計(jì)的多無(wú)人艇系統(tǒng)，路徑規(guī)劃是針對(duì)無(wú)人艇集群的平均位置而言，即規(guī)劃路徑是無(wú)人艇集群平均位置所形成軌跡的期望路徑。根據(jù)航行環(huán)境及任務(wù)需求的不同，本文分別采用蟻群路徑規(guī)劃算法和改進(jìn)RRT路徑規(guī)劃算法對(duì)多無(wú)人艇系統(tǒng)的協(xié)同航行路徑進(jìn)行規(guī)劃[10-11]。其中，蟻群路徑規(guī)劃算法主要用于處理簡(jiǎn)單海面情況和面向單個(gè)目標(biāo)點(diǎn)的多無(wú)人艇系統(tǒng)路徑規(guī)劃問(wèn)題；改進(jìn)RRT路徑規(guī)劃算法主要用于處理復(fù)雜海洋環(huán)境和面向多途經(jīng)點(diǎn)任務(wù)需求的多無(wú)人艇系統(tǒng)路徑規(guī)劃問(wèn)題。無(wú)人艇自主航行路徑規(guī)劃模塊程序執(zhí)行流程如圖4所示。

圖4 無(wú)人艇自主航行路徑規(guī)劃模塊程序執(zhí)行流程

首先，輸入所需規(guī)劃的航行路徑的起點(diǎn)和終點(diǎn)或途經(jīng)點(diǎn)；然后，程序?qū)⒏鶕?jù)輸入目標(biāo)點(diǎn)的個(gè)數(shù)自動(dòng)調(diào)用內(nèi)置的蟻群或RRT無(wú)人艇路徑規(guī)劃算法，計(jì)算出一條優(yōu)化的可行航行路徑；最后，將規(guī)劃的航行路徑序列點(diǎn)發(fā)送到各無(wú)人艇，同時(shí)將該規(guī)劃路徑在圖3中衛(wèi)星圖上予以直觀顯示。

3 Hadoop平臺(tái)軟件設(shè)計(jì)

3.1 Hadoop平臺(tái)數(shù)據(jù)采集模塊設(shè)計(jì)

基于Hadoop平臺(tái)適配的數(shù)據(jù)采集器Flume實(shí)現(xiàn)數(shù)據(jù)采集模塊，用于采集無(wú)人艇航行過(guò)程中產(chǎn)生的大量傳感信息以及狀態(tài)數(shù)據(jù)，并將這些數(shù)據(jù)上傳到HDFS系統(tǒng)進(jìn)行存儲(chǔ)。多無(wú)人艇協(xié)同避障系統(tǒng)Hadoop平臺(tái)數(shù)據(jù)采集模塊由2層Flume構(gòu)成，如圖5所示。

圖5 Hadoop平臺(tái)數(shù)據(jù)采集兩層Flume架構(gòu)

Hadoop平臺(tái)數(shù)據(jù)采集模塊第一層為數(shù)據(jù)采集層，部署于岸基上位機(jī)，負(fù)責(zé)監(jiān)控本地?zé)o人艇數(shù)據(jù)存儲(chǔ)目錄并將數(shù)據(jù)實(shí)時(shí)上傳至Hadoop平臺(tái)。當(dāng)有多個(gè)岸基上位機(jī)存在時(shí)，每個(gè)上位機(jī)都需要部署Flume系統(tǒng)。

第二層為數(shù)據(jù)匯聚層，部署于岸基Hadoop集群，負(fù)責(zé)將各個(gè)上位機(jī)上傳的無(wú)人艇數(shù)據(jù)進(jìn)行匯聚并將其寫(xiě)入Hadoop集群的HDFS分布式文件系統(tǒng)。

由于多無(wú)人艇協(xié)同避障系統(tǒng)只涉及1個(gè)Hadoop集群，因此，Hadoop平臺(tái)的Flume系統(tǒng)只需部署1次，但其Agent的數(shù)目可以根據(jù)需要配置。根據(jù)實(shí)際需求，岸基上位機(jī)端的Source類(lèi)型需設(shè)置為Spooling Directory Source，用于監(jiān)控本地?zé)o人艇數(shù)據(jù)存儲(chǔ)目錄；Hadoop端的Sink類(lèi)型需設(shè)置為HDFS Sink，用于將無(wú)人艇數(shù)據(jù)寫(xiě)入HDFS分布式文件存儲(chǔ)系統(tǒng)。

3.2　Hadoop平臺(tái)數(shù)據(jù)存儲(chǔ)模塊設(shè)計(jì)

HBase是Hadoop平臺(tái)的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，其為Hadoop平臺(tái)提供了良好的非關(guān)系型數(shù)據(jù)存儲(chǔ)能力，可有效存儲(chǔ)無(wú)人艇航行過(guò)程中產(chǎn)生的大量多源異構(gòu)傳感數(shù)據(jù)。HBase數(shù)據(jù)庫(kù)的加載方式包括以HBase自帶的API完成數(shù)據(jù)導(dǎo)入操作、借助Map/Reduce實(shí)現(xiàn)數(shù)據(jù)導(dǎo)入2類(lèi)方式?？紤]到基于Map/Reduce編寫(xiě)自定義數(shù)據(jù)加載方法較為復(fù)雜，且其運(yùn)行過(guò)程花費(fèi)的時(shí)間成本較高；同時(shí)多無(wú)人艇系統(tǒng)具有數(shù)據(jù)量較大的特點(diǎn)，本文選擇以HBase自帶的ImportTSV命令直接將無(wú)人艇CSV數(shù)據(jù)文件導(dǎo)入HBase數(shù)據(jù)庫(kù)。HBase數(shù)據(jù)庫(kù)的無(wú)人艇數(shù)據(jù)表設(shè)計(jì)，主要包括無(wú)人艇數(shù)據(jù)表行鍵（Rowkey）和列族（column family, CF）的設(shè)計(jì)，數(shù)據(jù)表結(jié)構(gòu)如表1所示。

表1 HBase無(wú)人艇數(shù)據(jù)表結(jié)構(gòu)

本文以無(wú)人艇ID+16位數(shù)據(jù)產(chǎn)生時(shí)間為行鍵，其中無(wú)人艇ID為自定義的無(wú)人艇編號(hào)；16位數(shù)據(jù)產(chǎn)生時(shí)間為無(wú)人艇主控制器實(shí)時(shí)讀取到的艇載GNSS接收機(jī)接收到的衛(wèi)星定位信息中的時(shí)刻，該時(shí)間可精確到毫秒級(jí)。考慮到岸基與多條無(wú)人艇進(jìn)行實(shí)時(shí)通信的壓力，目前岸基與無(wú)人艇的數(shù)據(jù)收發(fā)周期維持在秒級(jí)，故行鍵所用時(shí)間也只取到秒。基本列族用于存儲(chǔ)無(wú)人艇傳感信息數(shù)據(jù)，目前主要存儲(chǔ)反映無(wú)人艇運(yùn)動(dòng)狀態(tài)如無(wú)人艇位置經(jīng)緯度、航速、航向、艏向等基本信息。此外，本文還設(shè)計(jì)了一個(gè)擴(kuò)展列族（extended column family, ECF）用來(lái)存儲(chǔ)無(wú)人艇感知到的障礙物信息，主要是障礙物相對(duì)于無(wú)人艇的距離和方位。隨著實(shí)際需求的變化，可以擴(kuò)展添加更多列族。在岸基上位機(jī)監(jiān)控軟件可對(duì)存儲(chǔ)于Hadoop平臺(tái)HBase數(shù)據(jù)庫(kù)的無(wú)人艇航行歷史數(shù)據(jù)進(jìn)行查看，查詢界面如圖6所示。

圖6 HBase數(shù)據(jù)上位機(jī)查詢界面

3.3　Hadoop平臺(tái)避障預(yù)測(cè)模塊設(shè)計(jì)

本文選擇專門(mén)為Hadoop平臺(tái)開(kāi)發(fā)的開(kāi)源分布式深度學(xué)習(xí)框架Deeplearning4j作為開(kāi)發(fā)框架，設(shè)計(jì)一個(gè)基于時(shí)間窗口的LSTM神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)動(dòng)態(tài)障礙物的航行軌跡，網(wǎng)絡(luò)結(jié)構(gòu)模型如圖7所示。

圖7 LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)圖

在該模型中，時(shí)間窗口為6個(gè)采樣周期時(shí)間，即無(wú)人艇軌跡在時(shí)間上依次相鄰的6個(gè)位置的經(jīng)緯度作為輸入值，以下一個(gè)位置的經(jīng)緯度作為目標(biāo)值。第一個(gè)隱含層lstm_1和第三個(gè)隱含層lstm_2為包含120個(gè)單元的LSTM網(wǎng)絡(luò)；第二個(gè)隱含層Dropout_1和第四個(gè)隱含層Dropout_2作用是隨機(jī)失效部分神經(jīng)元以防止出現(xiàn)過(guò)擬合，其Dropout率設(shè)置為0.3；dense_1為一個(gè)全連接層，作用是對(duì)數(shù)據(jù)進(jìn)行降維操作以符合目標(biāo)值維度；輸出層的激活函數(shù)設(shè)置為ReLU函數(shù)，模型采用Adam優(yōu)化器，均方誤差作為損失函數(shù)。

選擇無(wú)人艇某次歷史航行數(shù)據(jù)對(duì)本文設(shè)計(jì)的基于時(shí)間窗口的LSTM網(wǎng)絡(luò)障礙物軌跡預(yù)測(cè)方法進(jìn)行驗(yàn)證，該無(wú)人艇在衛(wèi)星地圖上的航行軌跡如圖8所示。將該無(wú)人艇航行軌跡數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，劃分情況示意圖如圖9所示。該段航跡共有45個(gè)點(diǎn)，選取第33~38個(gè)點(diǎn)作為測(cè)試集的輸入值，第39個(gè)點(diǎn)作為測(cè)試集的目標(biāo)值，其余數(shù)據(jù)作為訓(xùn)練集。測(cè)試結(jié)果如圖10所示。LSTM網(wǎng)絡(luò)模型預(yù)測(cè)的位置經(jīng)緯度為（113.41480°E, 22.88535°N），無(wú)人艇的實(shí)際位置坐標(biāo)為（113.41480°E, 22.88534°N），預(yù)測(cè)均方誤差為1.0637e-10，預(yù)測(cè)距離誤差為0.7 m。

圖8 無(wú)人艇航行軌跡圖

圖9 無(wú)人艇航行軌跡數(shù)據(jù)集劃分示意圖

圖10 測(cè)試結(jié)果

4 結(jié)語(yǔ)

針對(duì)多無(wú)人艇協(xié)同避障系統(tǒng)的軟件需求，結(jié)合多無(wú)人艇協(xié)同避障系統(tǒng)總體框架，開(kāi)發(fā)多無(wú)人艇協(xié)同避障軟件系統(tǒng)。多無(wú)人艇協(xié)同避障系統(tǒng)的岸基軟件為基礎(chǔ)部分，可分為無(wú)人艇岸基監(jiān)控軟件和Hadoop平臺(tái)軟件2大部分，其中，無(wú)人艇岸基監(jiān)控軟件主要包括通信模塊、數(shù)據(jù)處理與顯示模塊和自主航行路徑規(guī)劃模塊；Hadoop平臺(tái)軟件主要包括Hadoop平臺(tái)數(shù)據(jù)采集模塊、Hadoop平臺(tái)數(shù)據(jù)存儲(chǔ)模塊、Hadoop平臺(tái)避障預(yù)測(cè)模塊。本文開(kāi)發(fā)的岸基軟件系統(tǒng)為多無(wú)人艇協(xié)同避障系統(tǒng)后續(xù)開(kāi)發(fā)工作奠定基礎(chǔ)，未來(lái)將進(jìn)一步開(kāi)展多無(wú)人艇協(xié)同避障軟件系統(tǒng)云系統(tǒng)層軟件開(kāi)發(fā)工作。

[1] 李振福,段偉,李肇坤,等.基于“21世紀(jì)海上絲綢之路”AIS數(shù)據(jù)的船舶交通流預(yù)測(cè)[J].廣東工業(yè)大學(xué)學(xué)報(bào),2020,37(6): 1-8.

[2] 李奕雯.無(wú)人船技術(shù)為“智慧海洋”插上翅膀[J].海洋與漁業(yè),2019(6):94-97.

[3] 王飚,李博,高敏,等.無(wú)人船的協(xié)同控制策略綜述[J].中國(guó)水運(yùn)(下半月),2019,19(2):3-5.

[4] RIGATOS G, BUSAWON K. Unmanned Surface Vessels[M]. Robotic Manipulators and Vehicles. Springer, Cham, 2018: 501-591.

[5] 洪曉斌,魏新勇,黃燁笙,等.融合圖像識(shí)別和VFH+的無(wú)人艇局部路徑規(guī)劃方法[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019,47(10):24-33.

[6] WANG N, GAO Y, WENG Y, et al. Implementation of an integrated navigation, guidance and control system for an unmanned surface vehicle[C]//Advanced Computational Intelligence (ICACI), 2018 Tenth International Conference on. IEEE, 2018: 717-722.

[7] 洪曉斌,子文江,余蓉,等.大型鋼結(jié)構(gòu)無(wú)損云檢測(cè)的可信度融合評(píng)估[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,47 (3):70-77.

[8] 陳陽(yáng).基于Hadoop平臺(tái)的FCM算法并行化設(shè)計(jì)[J].自動(dòng)化與信息工程,2019,40(1):39-43.

[9] 黃燁笙,徐鄭攀,陳遠(yuǎn)明,等.無(wú)人艇自主靠泊控制系統(tǒng)設(shè)計(jì)[J].中國(guó)測(cè)試,2020,46(10):111-117.

[10] 洪曉斌,子文江.一種基于蟻群算法的無(wú)人船航行路徑自主規(guī)劃方法: CN107816999A[P].2018-03-20.

[11] CHEN X, LIU Y, HONG X, et al. Unmanned Ship Path Planning Based on RRT[C]//International Conference on Intelligent Computing. Springer, Cham, 2018: 102-110.

Software System Design of Multi-USV Cooperative Obstacle Avoidance

Zi Wenjiang1Zhuang Weitao2Peng Rongfa1Rao Yinhui2Chen Yuanming1Hong Xiaobin1

(1.School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510641, China 2.Guangzhou Shipyard International Company Limited, Guangzhou 511462, China)

According to the requirements of multi-USV cooperative obstacle avoidance software system, firstly, the overall framework of multi-USV cooperative obstacle avoidance software system is proposed, and the overall framework is divided into three levels: multi-USV layer, shore-based layer and cloud system layer; secondly, the data processing and display module, autonomous navigation path planning module of shore-based monitoring software of shore-based layer are designed in detail; then the two-layer Flume architecture for Hadoop data acquisition is established, and Hadoop data storage is realized based on HBase, and Hadoop obstacle avoidance prediction is realized based on LSTM; the developed software system can meet the actual needs of multi-USV cooperative obstacle avoidance.

unmanned surface vehicle; cooperative obstacle avoidance; Hadoop; software design

U664.82

A

1674-2605(2021)01-0003-06

10.3969/j.issn.1674-2605.2021.01.003

廣東省科技計(jì)劃項(xiàng)目（2019B151502057、2018A030313209）；廣東省自然資源廳科技項(xiàng)目（GDoE[2019]A13）；廣州市科技計(jì)劃項(xiàng)目（201902010024）。

子文江，男，1995年生，碩士研究生，主要研究方向：多無(wú)人系統(tǒng)協(xié)同技術(shù)。E-mail: django_tzu@qq.com