基于卡尔曼滤波算法船舶AIS轨迹估计研究

徐铁　蔡奉君　胡勤友　杨春

摘 要： AIS是集船舶导航、避碰、海事监管于一体的现代化无线电系统，在水上交通运输领域里发挥着重要作用。为了弥补AIS数据堵塞等原因导致更新数据不及时，造成船舶轨迹的不准确或者误差较大的问题，提出利用对卡尔曼滤波算法进行适当的修改，引入系统噪声和测量噪声，利用AIS船舶观测节点数据对系统状态做最小二乘法估计，对船舶运动轨迹进行平滑和预测，并对不同时间段可靠性误差进行分析，能够比较正确地估计出船舶轨迹。

关键字： AIS； 卡尔曼滤波； 船舶轨迹预测； Matlab仿真

中图分类号： TN961?34； U675.6 文献标识码： A 文章编号： 1004?373X（2014）05?0097?04

0 引 言

近年来，随着我国经济的迅速发展，国内外贸易迅猛发展，海上交通运输量不断增长，特别是某些重要的水道，船舶交通非常繁忙；随着装载船舶自动识别系统 （Automatic Identification System，AIS）设备的船舶数量越来越多，充分利用船舶AIS数据进行船舶交通研究已是焦点问题[1?3]。实时获取准确的船舶AIS信息显得至关重要，只有获取实时的船舶AIS数据，才能有效地监控某些水域通航状况，及时发现通航水域中存在碰撞以及搁浅等海事事故的区域，这样有助于岸基人员更好地协调和管理通航水域的安全。

目前，尽管在船舶和岸基管理已经安装了大量的AIS设备，但是由于AIS操作不当、AIS设备播发的数据由于船舶与AIS基站之间的距离较远、 AIS设备自身工作不正常或人为的关闭AIS设备等各种主客观原因以及AIS船站和岸站时隙拥堵和网络传输，造成岸基AIS存在接收到的AIS数据不正确以及数据位置报告更新不及时等情况。

为了弥补AIS数据堵塞等原因导致更新数据不及时，造成船舶轨迹的不准确或者误差较大的问题，本文提出利用对卡尔曼滤波算法进行适当的修改，引入系统噪声和测量噪声，利用AIS船舶观测节点数据对系统状态做最小二乘法估计，对船舶轨迹进行平滑和预测处理，能够比较正确地估计出船舶轨迹。

1 AIS数据格式分析

1.1 AIS设备配备规定

目前，按照国际海事组织的规定，国际航行的500总吨及以上的船舶以及所有客船均需强制配备安装AIS。我国海事主管机关对中国籍100总吨以上的沿海航行船舶以及内河航行船舶都配备安装AIS的要求。

1.2 AIS数据质量分析

船舶位置报告的更新延时长短船舶轨迹的分析研究产生较大的影响，图1是选取了上海港外高桥水域内自2011年4月27日0805—4月28日0725时间段内，每隔35 min统计一次该段时间内船舶位置报告的更新延时情况。

从图1分析可得，2 min未更新位置报告的船舶比例为30%左右，3 min未更新位置报告的船舶比例为15%左右，5 min未更新位置报告的船舶比例为10%左右，15 min未更新位置报告的船舶比例约为2%。

按照AIS设备规范的规定，左边是A类船载AIS设备，右边是B类船载AIS设备，船载AIS设备的报告间隔。通过与船载AIS设备的标准时间间隔对比，实测AIS数据的位置报告间隔确有一定的延时，这种定位信息的延时会对后期的船舶位置的同步产生一定的误差，同时AIS位置报告数据中船舶位置信息也客观存在着误差，其主要源于船载定位设备的定位误差，基站数据接收和记录延迟误差。

通过上面数据分析可知，5 min以内有90%船舶AIS数据都进行了更新，仅有2%的船舶定位信息更新延时会超过15 min，考虑到船舶航行速度相对较慢，在研究中期对船舶数据更新延时在5 min、10 min的数据进行处理和分析，可以满足船舶轨迹预测和估计的精度要求。

2 卡尔曼滤波算法基本方程[4?5]

2.1 卡尔曼滤波算法的系统状态方程

5 基于卡尔曼滤波算法的船舶轨迹仿真和分析

（1） 直航段无转向时不同时间间隔船舶轨迹预测和误差分析

在Matlab环境下，对船舶在直航段的不同时间间隔的轨迹预测仿真图如图6所示。船舶直航段（无转向）航行时，红色、蓝色和青色三角形分别是1 min后，5 min后和10 min后的船位预测仿真图。

通过对不同时间间隔的船位误差进行分析（见表1，表2），在直航的情况下，对1～5 min内船舶轨迹的预测，卡尔曼优化值的船位误差在9 m左右，而推算值的船位误差在10 m左右，采用卡尔曼滤波优化仿真值船位的精度可以提高大约11%。随着时间间隔时段增加，对5～10 min内的船舶轨迹进行预测，卡尔曼优化值的船位误差在13 m，而推算值的船位误差在17 m，采用卡尔曼滤波优化仿真值船位的精度可以提高大约24%，船位误差是可以接受的。

（2） 转弯航段有较大转向不同时间间隔船舶轨迹预测分析

船舶有较大转向时，红色、蓝色和青色三角形分别是1 min后，5 min后和10 min后的预测仿真图，如图7所示。

通过对不同时间间隔的船位误差进行分析（见表3，表4），在船舶转向的情况下，对1～5 min内船舶轨迹的预测，卡尔曼优化值的船位误差在32 m，而推算值的船位误差在39 m，采用卡尔曼滤波优化仿真值船位的精度可以提高大约18%。随着时间间隔时段增加，对5～10 min内的船舶轨迹进行预测，卡尔曼优化值的船位误差为50 m，而推算值的船位误差为75 m，采用卡尔曼滤波优化仿真值船位的精度可以提高大约50%，船位误差是可以接受的。

6 结 论

船舶轨迹预测准确性的精度与预测时间间隔以及船舶的运行速度有关。时间间隔越长，船舶轨迹的误差越大，反之亦然。通过研究在船舶运动轨迹中加入系统噪声和动态系统测量噪声的卡尔曼滤波估测方式对节点定位进行预测仿真，改进的卡尔曼滤波算法对节点位置信息进行滤波，提高了传统航海上航迹推算船舶定位的精确度，对船舶节点轨迹预测和估计有所提高。

参考文献

[1] 张连东.基于AIS数据的成山头水域船舶交通流研究[D].大连：大连海事大学，2010.

[2] RISTIC B， LA SCALA B， MORELANDE M， et al. Statistical analysis of motion patterns in AIS data： anomaly detection and motion prediction [C]// Proceedings of 2008 11th International Conference on Information Fusion. Cologne， Germany： IEEE， 2008： 1?7.

[3] ADVISER?LAKSHMIVARAHAN S， YUSSOUF N. Kalman filter based techniques for assimilation of radar data [D]. Oklahoma： University of Oklahoma， 2010.

[4] 邓胡滨，张磊，吴颖，等.基于卡尔曼滤波算法的轨迹估计研究[J].传感器与微系统，2012，31（5）：4?7.

[5] 成光，刘卫东，魏尚俊，等.基于卡尔曼滤波的目标估计和预测方法研究[J].计算机仿真，2006，23（1）：8?10.

[6] 敬喜.卡尔曼滤波器及其应用基础[M].北京：国防工业出版社，1973.

[7] 邓自立.卡尔曼滤波与维纳滤波[M].哈尔滨：哈尔滨工业大学出版社，2001.

[8] 赵仁余，肖英杰.航海学[M].北京：人民交通出版社，2006.

[9] 石章松，刘忠.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[10] 权太范.目标跟踪新理论与技术[M].北京：国防工业出版社，2009.

[11] PRESS W H， TEUKOLSKY S A， VETTERLING W T， et al. Numerical recipes [M]. 3rd ed. UK： Cambridge University Press， 2007.

[12] MATHEWS J H， FINK K D. Numerical methods using Matlab [M]. USA： Pearson Prentice Hall， 1999.

参考文献

[1] 张连东.基于AIS数据的成山头水域船舶交通流研究[D].大连：大连海事大学，2010.

[2] RISTIC B， LA SCALA B， MORELANDE M， et al. Statistical analysis of motion patterns in AIS data： anomaly detection and motion prediction [C]// Proceedings of 2008 11th International Conference on Information Fusion. Cologne， Germany： IEEE， 2008： 1?7.

[3] ADVISER?LAKSHMIVARAHAN S， YUSSOUF N. Kalman filter based techniques for assimilation of radar data [D]. Oklahoma： University of Oklahoma， 2010.

[4] 邓胡滨，张磊，吴颖，等.基于卡尔曼滤波算法的轨迹估计研究[J].传感器与微系统，2012，31（5）：4?7.

[5] 成光，刘卫东，魏尚俊，等.基于卡尔曼滤波的目标估计和预测方法研究[J].计算机仿真，2006，23（1）：8?10.

[6] 敬喜.卡尔曼滤波器及其应用基础[M].北京：国防工业出版社，1973.

[7] 邓自立.卡尔曼滤波与维纳滤波[M].哈尔滨：哈尔滨工业大学出版社，2001.

[8] 赵仁余，肖英杰.航海学[M].北京：人民交通出版社，2006.

[9] 石章松，刘忠.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[10] 权太范.目标跟踪新理论与技术[M].北京：国防工业出版社，2009.

[11] PRESS W H， TEUKOLSKY S A， VETTERLING W T， et al. Numerical recipes [M]. 3rd ed. UK： Cambridge University Press， 2007.

[12] MATHEWS J H， FINK K D. Numerical methods using Matlab [M]. USA： Pearson Prentice Hall， 1999.

参考文献

[1] 张连东.基于AIS数据的成山头水域船舶交通流研究[D].大连：大连海事大学，2010.

[2] RISTIC B， LA SCALA B， MORELANDE M， et al. Statistical analysis of motion patterns in AIS data： anomaly detection and motion prediction [C]// Proceedings of 2008 11th International Conference on Information Fusion. Cologne， Germany： IEEE， 2008： 1?7.

[3] ADVISER?LAKSHMIVARAHAN S， YUSSOUF N. Kalman filter based techniques for assimilation of radar data [D]. Oklahoma： University of Oklahoma， 2010.

[4] 邓胡滨，张磊，吴颖，等.基于卡尔曼滤波算法的轨迹估计研究[J].传感器与微系统，2012，31（5）：4?7.

[5] 成光，刘卫东，魏尚俊，等.基于卡尔曼滤波的目标估计和预测方法研究[J].计算机仿真，2006，23（1）：8?10.

[6] 敬喜.卡尔曼滤波器及其应用基础[M].北京：国防工业出版社，1973.

[7] 邓自立.卡尔曼滤波与维纳滤波[M].哈尔滨：哈尔滨工业大学出版社，2001.

[8] 赵仁余，肖英杰.航海学[M].北京：人民交通出版社，2006.

[9] 石章松，刘忠.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[10] 权太范.目标跟踪新理论与技术[M].北京：国防工业出版社，2009.

[11] PRESS W H， TEUKOLSKY S A， VETTERLING W T， et al. Numerical recipes [M]. 3rd ed. UK： Cambridge University Press， 2007.

[12] MATHEWS J H， FINK K D. Numerical methods using Matlab [M]. USA： Pearson Prentice Hall， 1999.