李丽娜1，李常伟2，陈国权1，文婷2，刘波2，杨凌波2，王兴华1
1.集美大学航海学院
2.北京海兰信数据科技股份有限公司
1概述
1.1 背景
现有船载导航设备不具备智能避碰辅助决策功能，完全依赖船员的避碰经验。然而，因船员疏忽瞭望、判断失误和操作失误等人为因素影响而导致的船舶碰撞、搁浅和触礁等海事事故屡见不鲜，对生命财产造成了巨大损失，对海洋生态环境也造成了严重污染。船舶的大型化、高速化与船员队伍的低龄化以及高素质船员流失的矛盾日益凸显。由国际海事组织（International Maritime Organization，IMO）调查研究表明，全球海难事故的80%以上是人为因素直接或间接导致的。以上种种都为船舶航行安全带来了严峻考验。为确保船舶的航行安全，借助机器对船舶碰撞危险进行自动预警和提供避碰决策是降低人为因素导致的碰撞事故发生率以及提高海上交通运输的安全水平的重要手段也是必然趋势。
随着国家和行业连续出台《关于促进海运业健康发展的若干意见》、《“十三五”交通领域科技创新专项规划》、《智能航运发展指导意见》、《智能船舶发展行动计划》、《交通强国建设刚要》、《关于建设世界一流港口的指导意见》等多项重大政策支持水运信息化智能化发展，船舶智能航行技术迎来了重大的发展机遇，避碰决策技术的发展也将进入新纪元，成为国际海事、交通领域的研究热点，也成为亟待解决的关键问题之一。
1.2 系统目标
在保证N-CADAS数据源可靠、准确的前提下，实现如下目标：
（1）通过深入研究船舶航行避碰辅助决策过程，实现基于IMO现行避碰规则的多船避碰辅助决策功能，体现驾驶员优良船艺及通常做法的船舶“拟人”智能避碰特性；
（2）将规则定义的一般危险、紧迫局面和紧迫危险进行合理量化，实现船舶碰撞危险及危险度自动评估；
1.3 系统成果
N-CADAS首次在远洋商船突破导航雷达自动决策新技术，为驾驶员实时提供开阔水域船舶碰撞危险预警、避碰决策（避让幅度、避让时机和复航时机），如图1.1和1.2所示。N-CADAS提供的避碰辅助决策既遵循规则，又体现船员的优良船艺和通常做法，目前已获得CCS形式认可（证书编号：NJ1800120）和DNV形式认可（证书编号：MEDA000023W），已应用在工信部智能船1.0专项四艘示范船“明远”、“明卓”、“凯征”和“海辽”号等大型商船，获得了用户的好评。
1.1 N-CADAS实物图
1.2 N-CADAS系统设计界面
2 关键技术
2.1 PIDVCA机制概要
为有效解决船舶避碰问题，使避碰决策方案具有合理性、最优性、自适应性和实时性的特点，PIDVCA将数理分析、机器学习、专家系统原理和航海知识等相结合，基于集成知识表示方法、集成机器学习方法和集成的启发式自动推理方法构建的人工智能决策方法，以智能程序形式实现PIDVCA模型，如图2.1所示。该过程主要采用正向启发式规则推理、类比推理以及基于规则和范例的混合推理相结合的集成推理（控制）机制，将构成智能避碰模型的机器学习模块、动态避碰知识模块以及由定性推理的决策准则与定量计算的决策实施方案动态优化目标函数等构成的决策分析评价体系有机的融为一体，并最终获得问题的解。
图2.1 PIDVCA程序模型框图
智能避碰辅助决策就是计算机模拟优秀驾驶员人工避碰的全过程，即驾驶员的感知（目标识别）、认知（潜在危险判断、态势识别及危险度评判）、决策形成（生成决策方案、方案校验和优化以及监控）。因此，船舶智能避碰辅助决策功能可以分为三大部分：
（1）目标识别（感知）：包括船舶运动状态和目标交汇特征识别。根据雷达和AIS或两者信息融合后的目标动静态信息、本船GPS/DPGS提供的船位信息、本船罗经航向和计程仪航速信息，运用平面解析几何和船舶操纵运动学等自动解算目标船的运动要素信息；根据目标与本船的航向、相对运动方向和航向夹角及其速度比，识别目标船的交会特征，为避碰信息量化提供基础信息。
（2）目标认知：包括潜在危险判断、会遇态势识别、危险度评判。首先根据目标认知和危险评判阈值模型的计算结果进行潜在危险判断，再根据判断结果得出的潜在危险目标进行会遇态势识别，最后根据态势识别和危险度阈值模型进行危险度评判。
（3）决策形成：包括生成初始避碰决策方案、方案校验和优化以及监控。根据决策算法自动生成由避碰时机、避碰幅度和预测避让结束时机构成的初始避碰决策实施方案。鉴于船舶在互见和能见度不良时两船间的避让以及船舶陷入紧迫危险后所遵循的《避碰规则》条文不同，且本船避让单船、多船以及紧迫危险的方法不同，避碰决策算法分别有两船（互见/雾航）、多船（互见/雾航）和紧迫危险三个避碰决策算法。
2.2 动态避碰知识库构建方法概要
船舶智能避碰辅助决策要实现“拟人智能”，构建自我学习的避碰知识库是关键。如图2.1所示，PIDVCA模型是以动态避碰知识库为核心内容，这里的“动态”是通过机器学习实时获取避碰知识，在船舶执行避碰决策方案安全让清后可遗忘，不必永久存储。其关键技术为采用离线人工学习和在线机器学习构建动态避碰知识库。如图2.2所示，实线矩形框表示系统利用原有的船舶避碰领域知识通过离线学习预先获取静态避碰知识；虚线矩形框表示系统根据用户输入的相关信息、利用原有的静态避碰知识和传感器现场采集的动态信息，在推理机的控制下，经过在线学习实时获取动态避碰知识和决策方案。
图2.2 机器学习获取动态避碰知识的机理
离线人工学习是解决船舶避碰领域知识的形式化问题，即构造机器可识别的知识，以便机器在线学习实时获取动态避碰知识。学习方式主要包括：经验发现学习策略实现相对运动集合知识的模型化表示、基于解释的概括学习策略构造类比源的决策树或规则集、基于范例的概括学习策略实现范例源的决策图表示。
在线机器学习是解决“避碰知识发现”问题，是根据避碰经验发现构建的避碰模型、自动推理机制以及基于解释和范例的概括创建的各类避碰决策算法、决策库以及多船避碰决策校验与寻优算法获得避碰知识的过程。
2.3 关联避让行为的碰撞危险及危险度评价方法概要
通过综合考虑目标船尺度、速度、航行水域、会遇态势、天气等影响因素，将客观避碰知识和专家经验知识（如规则、驾驶员主观感受）相结合，采用关联避让行为的方式，将一般危险、紧迫局面和紧迫危险进行合理量化，建立船舶碰撞危险及危险度动态评判阈值模型,如图2.3所示。图2.3中阈值含义如表2.1和2.2所示。
图2.3 评估指标阈值体系及评价等级划分示意图
2.4 PIDVCA算法生成及优化
根据PIDVCA决策机制和动态避碰知识库构建方法可知，系统利用了集成知识表示方法、集成机器学习方法和集成的启发式自动推理方法，实现了目标识别与认知、决策形成和方案优化与校验以及监测为一体的船舶拟人智能避碰决策及其监控过程，如图2.4所示，主要由目标认知、当前潜在碰撞危险判断、会遇态势分析、方案生成与优化、预测目标参数、预测碰撞危险判断以及不协调二次决策算法等构成。其中，PIDVCA生成与优化算法是实现自动决策及自动避碰实时监控的关键算法，主要包含两船和多船会遇的PIDVCA生成与优化算法。
两船会遇的PIDVCA生成与优化算法是基于规则指导下的目标交会特征识别算法、目标潜在危险判断算法、潜在危险目标的会遇属性及本船对危险目标的避让属性识别算法的处理结果，以PIDVCA方案生成算法为主，必要时辅以协调避碰决策优化算法、空间搜索寻优算法和动态优化目标函数指导下的PIDVCA方案动态优化算法。例如，雾航中本船避让左正横附近的目标船时，需要辅以局部PIDVCA方案动态优化算法，避免本船产生较大的航迹偏移量。
多船会遇的PIDVCA生成与优化算法则基于目标交会特征识别算法、目标潜在危险判断算法、潜在危险目标的会遇属性和避让属性识别算法和危险目标会遇态势分类算法的处理结果，以初始PIDVCA方案生成算法、驶过让清校验算法、模拟海员通常做法的通用型算法、空间寻优搜索算法和时空寻优搜索算法为主，必要时辅以协调避碰决策优化算法和动态优化目标函数指导下的PIDVCA方案动态优化算法。其中，初始避让方案生成算法包括避让幅度AC求解算法和预测复航时机求解算法，当初始施舵时机>=0时，避让幅度AC=AC0，AC0为系统定义的初始最佳改向角。
图2.4 PIDVCA方案的自动生成与监控算法实现流程图
3 仿真测试手段及方法
3.1 仿真测试平台
针对海上实船避碰测试难度大、危险性大、费用高、周期长等问题，本研究团队搭建了可模拟海上环境的船舶智能操控仿真平台。该平台是用于船舶航行自动化基础研究，其中，本船具有航向和航迹两种自动控制模式，能实现船舶自动避碰与航迹自动监控，可用于船舶智能避碰决策算法与智能控制算法测试，为本系统软件的测试提供比海试环境更具灵活性、快速性、安全性及经济性测试环境，其整体框架如图3.1所示。为便于仿真测试，在实际仿真平台中仅采用桌面版的形式，即只保留船模仿真、电子海图综合显示模块和智能辅助决策支持模块。搭建的智能操控仿真桌面平台如图3.2所示：
3.2 仿真测试方法
鉴于海上船舶的会遇态势千变万化，在算法测试上很难用穷举的方式来验证每一个态势下的船舶自动避碰试验。经过研究分析表明：PIDVCA算法的合理性、科学性及完备性取决于其基本模型的正确性与完整性、“拟人智能”特性及适应性。因此分别提出了基本模型、“拟人智能”特性及其算法的适应性测试方法等测试方法。
（1）基本模型的针对性测试方法基于研究总结的16种目标交会特征，按照目标船的所在方位设计包括远距离（初始避让时机尚未错过）和中距离（避让时机已经错过尚未陷入紧迫局面或临界紧迫危险）的32个两船典型测试用例，并按照互见和能见度不良两种环境测试。
（2）上述基本模型的针对性测试用例实际已经蕴含了PIDVCA方法的基本“拟人智能”特性的测试，特殊“拟人智能”特性指模拟优秀海员良好船艺的性能，同样采用针对性测试方法。目标交会特征针对性地设计60个多船测试用例，在验证预测复航限制时间算法的完备性的同时，也验证了多船会遇场景的预测复航时间、避让幅度计算模型、预测目标参数等算法的正确性及完整性。
（3）在完成(1)和(2)全面测试基础上，多船测试用例采用针对性与随意性相结合的方法。
4 实船试验结果分析
4.1 实船试验效果
根据北京海兰信数据科技股份有限公司提供的船舶辅助自动驾驶系统实船应用报告（“明卓”轮），N-CADAS功能总体达到了预期效果，即两船会遇的避碰决策方案均按照规则；多船会遇场景下的避碰决策方案则是针对避让重点船按照海员通常做法沿用两船规则及良好船艺提供避碰建议。
如图4.1所示，为“明卓”轮驾驶员实拍的N-CADAS多船会遇场景下的避碰决策方案的案例。雷达界面右侧下角避碰辅助决策信息栏显示避让航向111.9°，避让时机表示立即施舵，预测复航时机为13分钟，图4.1中显示了本船避让效果预测轨迹。
图7 N-CADAS避碰决策方案的案例
4.2实船试验问题的分析与处理
实船试验期间，“明卓”轮驾驶员曾反馈对遇局面左边界附近的危险目标船（即353°≤B＜354°，B为目标船的相对方位）N-CADAS给出最晚避让时机大幅度改向的避让决策方案“不合理”。根据规则14条关于对遇局面的第1和2款，PIDVCA算法将目标船相对方位略小于354°的会遇局面判定为左交叉，当目标船没有采取避让行动时，将给出大角度改向的避让方案。然而，“明卓”轮驾驶员认为处于左舷边界相对方位略小于354°应判定为对遇局面，理由是规则14条第3款指出“当一船对是否存在这样的局面有任何怀疑时，该船应假定确实存在这种局面，并应采取相应的行动”。因40万吨的矿砂船惯性大，对遇局面一般采取10°左右的改向幅度，即采取小角度改向的避让方案。
为了解决上述规则模糊性引起的歧义，经过与示范船船长商讨以及咨询业界相关专家， PIDVCA算法将对遇局面的左边界扩大至350°的优化处理，即350°＜Br≤6°判定为对遇局面。这样的处理方式可使驾驶员按照规则积极主动采取避让措施，有利航行安全。
5 结语
通过与企业合作，基于PIDVCA算法开发了N-CADAS，在智能船1.0的实船试验结果表明：PIDVCA算法能根据感知系统实时获取的本船、目标船及环境信息，模拟经验丰富的驾驶员的通常做法及良好船艺，根据预先设定的报警阈值进行碰撞危险自动预警，自动生成避碰决策方案（避让航向、避让时机和预测复航时机），已具备自动感知、认知和决策生成及优化的“拟人”。N-CADAS使我国率先在远洋商船实现避碰辅助决策功能并取得核心技术源头创新。同时，实船试验过程中也发现了当今超大型船舶的避让操纵性不能完全符合规则避让行为规范，呈现了现行规则与技术发展不相适应的现象。随着船舶航行智能感知语音识别及甚高频数据交换系统（VHF Data Exchange System，VDES）开发应用，避碰辅助决策的协调机制也将慢慢走入大众视野，进一步提升系统的“拟人”特性。目前N-CADAS的性能标准及测试标准尚处空白，算法测试的规范化和系统化有待后续进一步研究和优化。
