面向智能航行的货船“航行脑”概念设计

严新平， 吴 超， 马 枫

(1.武汉理工大学 智能交通系统研究中心， 武汉 430063；2.国家水运安全工程技术研究中心， 武汉 430063； 3.武汉理工大学 物流工程学院， 武汉 430063；4.长江大学 电子与信息学院， 湖北 荆州 434023)

20世纪70年代之后，国际上开始将“机器人”技术与运载工具相结合，生产出“无人机”“无人车”和“ 无人艇”等特种机器人，其核心在于建立一套辅助的可替代人工的智能“驾控”系统(比如“无人车”的“驾驶脑”[1]系统)。此后，相关研究机构针对船舶开发出驾驶[2]、机舱管理、货物管理及船体等方面的智能辅助系统[3]，包括综合船桥系统(IBS)、航线控制系统及机舱故障诊断系统等，大大降低船员的工作强度，减少船舶配员，但在这些设备支持下的船舶与“智能船舶”仍有差距。

长期以来，船舶安全一直是航运界关注的重点，世界上各海运国家已在航运安全领域做出大量努力来保证远洋货运船舶的货物和人员安全,其中威胁远洋船舶货物安全的因素主要是船舶碰撞、搁浅等事故。据统计，在船舶碰撞事故中,有89%～96%的事故是人为因素导致的。[4]为保障航行安全，要求各型船舶配备多种感知[5]、交互和求救工具。伴随着航海技术的数字化发展，诸多技术装备逐步被应用到船舶航行领域中。[6]以万吨级远洋货船为例，其感知工具包括2部以上的雷达、自动识别系统(Automatic Identification System,AIS)[7]和声呐；信息交互工具包括甚高频(Very High Frequency, VHF)对讲机、甚高频数字交换系统(VHF Data Exchange Sytem, VDES)和各频段电台。然而，这些助航设备的应用和改进并没有彻底解决船舶安全问题，船舶碰撞和搁浅事故时有发生，因助航设备增加而导致船舶驾驶人员操作负担激增也是不争的现实。因此，发展智能货船，将船舶运行中的部分工作交给人工智能程序完成，可在很大程度上解决人为操作失误带来的安全问题。

远洋货运量占全球贸易货运总量的90%，年市场盈收高达3 750亿美元。近10 a来，波罗的海干散货指数(Baltic Dry Index, BDI)一直在低位徘徊，导致许多航运企业运营困难，降本增效成为该行业当前的核心诉求。在航运企业成本中，人力成本占据较大比例。据统计，一艘配员约10人的货船在远洋运输过程中的工资支出高达5 000美元/d，约占其总运营成本的44%。[8]国际会计兼航运顾问公司Moore Stephen最新发布的航运调查报告[9]显示，2014年和2015年船舶运营成本上涨3%，其中船员工资和维修成本提高是主要因素。因此，减少船舶配员对提升航运企业效益而言具有重要的现实意义。未来，进一步减少船舶配员(乃至实现“无人化”)将成为航运业发展的重要趋势。[10]

随着全球碳排放交易机制、船舶能效设计指数(Energy Efficiency Design Index, EEDI)和船舶营运能效指数(Energy Efficiency Operational Index, EEOI)的有序推进，航运业减少温室气体排放已成为必然趋势。逐步严格的排放要求迫使船舶作出各种改进，进一步降低排放、提高效率。除了改进动力系统和船舶自身线型之外，优化航线和航行模式、减少配员也是降低排放的有效手段。事实上，与船员生活相关的舱位约占运输船舶有效舱位的1/3。减少配员，甚至实现“无人”驾驶，将缩减(甚至取消)驾驶台、船员休息区及食品仓库等设施，进而空出舱位用于载货，从而大幅度降低单位运输能耗。有研究表明，若采用无人驾驶技术，则一艘货船的运行效率有望提高20%，同时有望减少20%的碳排放。

当前船舶运输业仍处于低谷，发展远洋智能货运船舶，不仅可提高船舶航行的安全性，而且能降低运营成本和减少碳排放，这对保证航运企业稳定持续发展具有重要的现实意义。然而，船舶的“智能”不能仅停留在各型先进助航设备的使用上，智能化的核心是使船舶拥有如同人一样的观察、思考和处理问题的能力。在船舶智能化研究过程中，可参考“人脑”处理事务的模式，设计构造一套替代“人脑”的“人工智能”系统，完成船舶航行的“感知、认知、决策与控制”全过程。该系统称为“航行脑”系统(Navigation Brain System,NBS)。

1 “航行脑”系统组成

构建一套功能完善的“航行脑”系统，在明确该系统具体组成模块的同时，必须定义各模块所具备的功能及各模块之间的相互联系。在现代医学领域，医疗学者已在“人脑”研究方面取得丰硕成果。德国神经外科医生科比尼安·布罗德曼在研究人脑的过程中率先提出分区系统的概念，认为“人脑是一个层级结构，具有许多不同功能的模块(布罗德曼分区)，这些模块相互协作，模块间拥有复杂的连接”。[11]参考“人脑”工作机理构建的“航行脑”系统需考虑航行环境感知、航行态势认知和航行决策控制等3方面的内容。参考布罗德曼分区定义，可将用于智能船舶的“航行脑”系统设计为相关联的工作模块(空间)，即“感知空间”“认知空间”和“决策执行空间”。“航行脑”系统结构见图1。

“感知空间”功能区获取船舶在航环境和船舶自身状态2类信息。该功能区主要依靠航海雷达、毫米波雷达、激光雷达、摄像机、前视声呐、全球定位系统(Global Positioning System,GPS)、陀螺罗经、油耗传感器、轴功率传感器、转速传感器及AIS等各型传感器进行各类数据的采集。此外，“感知空间”还需具有采集实时气象信息及接收气象预警的能力。考虑到船舶航行时因极端海况会对船体结构造成影响,甚至导致船体损毁，“感知空间”还需具有实时监测船舶结构数据的能力，以便在极端情况下发出警告信号。感知空间采集信息分类见图2。

“认知空间”功能区从上述信号中抽取、加工与航行相关的要素，利用航行态势分析算法对船舶航行时面临的碰撞风险进行全面描述，并对面临的风险进行等级划分和实时更新；利用船舶驾驶行为学习算法，结合船舶航行态势构建船舶驾驶行为谱，以实现船舶在特定条件下的自主航行。

在对船舶航行风险进行全面“认知”的基础上，“决策执行空间”功能区利用航行决策算法和船舶航行控制算法，通过控制系统使船舶达到或接近期望状态，并将当前状态反馈给“感知空间”和“认知空间”功能区，进一步修正航行态势和操控模型。

综上所述:“感知空间”是“认知空间”的基础；“认知空间”对信息质量的反馈会影响“感知空间”对信息的预处理过程；“决策执行空间”利用“感知空间”反馈的信息，重新影响“认知空间”对态势及自我的认知。“航行脑”系统各空间关系见图3。

2 “航行脑”系统的关键技术

2.1 感知需求与融合交互

区别于普通货船的驾驶模式，为保证智能货船的航行安全，需借助先进的助航设备实现对船舶航行环境及船舶自身状态的全面掌控。对于“航行脑”， 其“感知空间”通过所辖各型感知设备获取通航环境数据和船舶自身数据。然而,由于感知设备类型多样，即使对于相同的对象，所获取的数据在表现方式上也存在差异。该差异需通过对数据进行深度加工和处理来消除，否则会引起“认知空间”混乱。处理感知空间中的数据，需经过初步甄别、优化等一系列过程，具体包括以下2个方面。

2.1.1“航行脑”系统感知体系优化

智能船舶“航行脑”系统的“感知空间”在利用多种传感器采集信息时，不同种类传感器所获取的数据在数据类型、表现形式和时效性等方面均存在差别；同时，数据也不可避免地存在冗余。根据“认知空间”对数据类型、精度、可靠性及实时性等指标的需求，需对不同种类的感知设备进行优化配置。对于视频采集设备，布设于船体外要求设备做到360°全方位监控，同时要求架设的设备最少；此外,为保证智能船舶24 h不间断航行，需配备红外夜视设备；航海雷达也需做出相应的改进，其中最新的连续波体制雷达相比传统的裂缝雷达，优势明显。然而,航海雷达30 m左右的探测盲区(以5 m典型架设高度计算)是其比较突出的问题。激光雷达和毫米波雷达的探测距离一般在100 m左右，该优势是对航海雷达这一缺陷的有力补充。然而,为避免数据冗余，需根据实际情况做恰当的选型。

2.1.2“航行脑”系统多源异构数据融合、交互

根据“航行脑”系统中各空间之间的相互联系，“感知空间”获取的数据只有在可靠性和鲁棒性等方面达到一定的要求，才能更好地服务于“认知空间”和“执行决策空间”。对于同种信源存在的数据冗余，为增加数据的可信度和分辨能力，还需对雷达、GPS等设备的数据进行卡尔曼滤波等预处理，并利用证据推理等方法对“感知”到的多源异构数据进行融合处理。[12]结合“航行脑”系统中各类信息的“船-岸交互”需要，以证据理论为基础，实现数据类型的筛选和甄别，进行“船-岸”数据的高效交互。

2.2 认知机理与解析方法

在“感知空间”对在航环境及驾驶行为进行全面有效的感知的基础上，“航行脑”系统“认知空间”将分别形成瞬时记忆(航行态势建模与航行状态辨识)和长时记忆(建立智能船舶驾驶行为谱)。

2.2.1船舶航行态势建模与航行状态辨识

“认知空间”形成对实时环境和船舶航行状态的“瞬时记忆”。前者在船舶航行时感知的环境信息的基础上构建航行态势分布识别模型，建立航行态势“图簇”；后者在船舶航行时感知的自身航行状态信息的基础上构建船舶运行状态的辨识模型。

“航行脑”系统对航线上出现的潜在威胁进行标定及描述，并根据威胁程度及时调整航线，以保证船舶的航行安全。在该过程中，“航行脑”系统“认知空间”需对风险分布进行识别，并结合“感知空间”实时获取的各类信息实时更新风险分布等级。

在建立风险图簇时,可基于人工风险势场(Artificial Potential Field ，APF)方法对航行区域内出现的所有碍航物进行描述，碍航物的影响范围可利用AIS历史数据作进一步的求解获得。[13]

2.2.2船舶驾驶行为谱

在船舶航行过程中，当航行环境及船舶航行状态发生变化时，不同的驾驶员会有不同的驾驶习惯；当在不同区域航行时，船舶间避让、航行规则等都存在较大差异。这些因素导致驾驶行为谱具有多样性，船舶驾控模型难以统一建立。在不同水域、不同管制要求下，船舶的避让和航行规则均有较大变化。在该前提条件下，机器学习是解决无人船驾驶行为描述和建模的有效工具。然而，传统的机器学习方法需大量的训练样本；对于船舶的驾驶行为，尤其是在复杂、危险的场景下，可采集到的样本量较少，无法保证学习过程的有效性。

针对上述问题，“航行脑”系统“认知空间”对船舶在不同航线态势图下的人工驾驶行为和船舶运行响应信息建立风险态势图、航行规则、人工驾驶行为及船舶运行响应状态之间的关系，形成稀疏完备字典(驾驶行为谱)。利用K奇异值分解法对稀疏字典进行学习，构造比较恰当的稀疏字典。利用稀疏重构理论建立“航行脑”系统认知驾驶行为学习模型，增强其认知和学习的能力。

2.3 航行决策与智能控制

“认知空间”利用“感知空间”不断反馈的信息对航行态势及船舶自身状态进行实时更新，这些更新将会不断影响航行决策的制订。“航行脑”系统的智能控制以航行决策为基础。

2.3.1航行决策

智能船舶航行决策包括开航前的宏观航线规划、自主航行过程中的实时机动避障及航速优化。

(1) 在航线规划方面，利用电子海图提供的综合航行环境信息，参考气象数据和航线航行环境时空特征，以提高船舶航行的经济性和安全性为目标，建立基于动态航路切线图的航线动态规划模型。

(2) 在实时机动避障方面，结合“认知空间”中建立的实时风险图簇,以实时风险图簇为基础，采用路径规划算法(如A*算法)计算出风险最小的船舶航行路径。研究发现，采用A*算法虽然能得出一条安全且距离短的路径，但该路径过于曲折，受船舶运动特性限制，往往不可行。此时,结合多目标优化方法，在流速、航速、船舶吨位和船舶机动性等因素的共同制约下对路径作进一步的修正和补偿，规划出一条平滑且符合船舶运动特性的最佳航行路径。

(3) 在航速优化方面，基于实船监测的大量历史数据，根据通航环境与船舶能效之间的动态响应关系，建立以最小燃油消耗为目标函数、以航次计划为约束条件的分段优化航速。

2.3.2船舶智能控制

智能船舶在航行过程中,其“感知空间”一旦感知到动态碍航物，航行工况“模式辨识”将由正常航向状态切换至避碰状态，此时“认知空间”将形成碰撞风险态势图簇，同时结合碰撞风险情况下的驾驶行为谱，重新制订规避航线。在遇到不同类型船舶、不同航线环境时，通过自适应切换控制，选择恰当的控制器(MPC,神经网络及PID等)实现船舶的航线控制。利用切换控制原理，对不同船舶在不同环境下的应激控制模型进行分析，建立一种非线性切换自适应控制系统。[14]

3 结束语

“绿色”和“安全”是航运业永恒的主题，随着船舶自动化水平的不断提高，船舶科技的发展开始由先进助航设备的简单叠加使用转向系统的智能化和无人化。利用人工智能手段模拟“人脑”开发的“航行脑”系统及通过合理排布硬件系统建立的包含信息处理、态势判断和决策执行的完整智能船舶系统是智能航行的发展方向。本文对智能船舶“航行脑”系统的构建及其各功能空间进行了分析和论述，后续将研发用于货船智能航行的“航行脑”系统，主要开展以下研究：

1) 多源异构传感器信息的数据融合处理及全息平行的感知空间的建立。在计算机系统中进行的空间重构是态势认知和决策的基础，解决多传感器带来的信息不确定性问题，将多源异构信息整合成一个完整的平行空间，在信息融合及平行仿真等领域均有很高的研究价值。

2) 货船智能航行风险态势表征和预判方法。即对航行风险态势及其演变进行准确评估和描述，为船舶在“决策执行空间”安全驾驶提供依据。

3) 货船智能航行的驾驶行为谱描述机制、建模和生成机理,即在学习样本较少的情况下建立驾驶行为谱的描述机制。

4) 货船智能航行的复杂场景、多因素自主避障控制。深入掌握船舶航行控制中受到的复杂海况、不同种类碍航物及有限动力能源等约束，揭示航行环境干扰因素、能效约束等对控制性能的影响，提出合适的自适应切换控制方法。

[1] 李德毅. 中国智能驾驶白皮书[Z]. 2015.

[2] MATINS A, ALMEIDA J M, FERREIRA H, et al. Autonomous Surface Vehicle Docking Manoeuvre with Visual Information[C] ∥ Robotics and Automation. International Conference on IEEE, 2007:4994-4999.

[3] 蒋仲廉,初秀民,严新平.智能水运的发展现状与展望[J].交通信息与安全,2015(6)：1-8.

[4] ROTHBLUM A M. Human Error and Marine Safety[C]∥National Safety Council Congress and Expo, Orlando, FL, 2000.

[5] BERTRAM V. Unmanned Surface Vehicles-A Survey[J]. Skibsteknisk Selskab, Copenhagen, Denmark, 2008, 1: 1-14.

[6] 柳晨光,初秀民,吴青,等. USV发展现状及展望[J].中国造船,2014(4):194-205.

[7] 马枫.船舶自动识别系统性能半实物仿真方法研究[J].系统仿真学报,2013(6):1315-1320.

[8] 曹重. “一带一路”与港口经济区的战略重构[J]. 港口经济, 2015(10):1.

[9] 唐磊.不定期运输船舶调度及航速优化研究[D].大连：大连海事大学, 2014.

[10] 严新平.智能船舶的研究现状与发展趋势[J].交通与港航,2016(1):25-28.

[11] 张亚卓. 脑室外科手术学[M]. 北京:中国协和医科大学出版社，2001:1-6.

[12] 严新平,马枫,初秀民,等.长江船舶交通流实时采集关键技术研究[J].中国航海,2010,33(2):40-45.

[13] CHEN M F, HUANG Y W, YAN Z C, et al. A Novel Approach of Collision Assessment for Coastal Radar Surveillance[J]. Reliability Engineering & System Safety, 2016,155: 179-195.

[14] 孙巧梅, 任光. 自适应逆控方法的无人艇航向控制[J]. 中国航海, 2012, 35(4):17-21.