船舶模拟驾驶系统障碍物自动识别方法研究

严 科

（中国海警局直属第四局，海南 文昌 571339）

模拟驾驶系统需具备一定的识别与避障功能，有效识别驾驶期间的障碍物，对提高航行安全有着关键意义。现如今基于船舶模拟航行期间的障碍物识别，很多学者都开展了研究。一些学者基于船舶领域模型，对其障碍物开展识别，防止在航行期间，因为障碍物导致碰撞。针对障碍物识别，一些学者引入了动态分阶势场法，达到船舶智能避碰。上述方式虽然能够识别障碍物，但是没有加以分析船舶航行期间，驾驶控制给避碍带来的影响，有着一定的局限性。基于障碍物识别，对于以上方式的不足，分析障碍物自动识别。基于系统模拟特点，引入优化的支持向量机达到智能识别。基于验证方式能够智能识别驾驶期间的障碍物，具备较好的运用性，为自动航行与明确航行策略提供理论支持。

1 船舶简介

对于船舶来讲，其是不同类型船只的总称，其是可以航行或停于水域开展运输的工具，根据不一样的应用需要，存在不一样的技术功效以及装备等。船舶属于一种常常在水中运行的工具，就民用船而言，通常被叫作船，对于军用船，通常被叫作舰，规模较小的船叫作艇或者舟，它的总称是舰船[1]。内容一般涉及支撑与排水结构等，配备有推进系统。从外型来看，通常属于流线性包络，材料伴随科技发展持续更新，早期是一些自然材料，比如木以及竹，现如今，大部分为钢材、亚克力等。

2 支持向量机（SVM）

其简称是SVM，诞生于1995 年，对于高维模式识别等有着显著的优势，且可以推广于机器学习问题。能够研究信息，辨别模式，用来分类以及回归研究。对于支持向量机（SVM），本文主要从动机、支持原因、支持向量以及相关技术支持等进行分析，希望能为相关人员提供借鉴。（1）简介。对于支持向量机方法来讲，它是基于VC 维理论，结合样本信息复杂性与学习能力，寻求最优折中，获取最佳的推广能力。（2）动机。对于分类过程，往往希望属于机器学习过程，对于数据点，希望可以借助超平面分开，这就是线性分类器，大部分分类器均满足此要求。不过还希望寻求分类最好的平面，若可以获取最宽间隔超平面，则此分类器便属于相应规模最大的分类器。（3）支持原因。把向量投射至空间内，打造最宽间隔超平面，在其左右两侧配备2 个超平面。打造方向合理的分隔超平面，让距离达到最远。其假设是，间距越大，误差越小。（4）支持向量概述。通常指训练样本点，机器本质上属于一个算法，往往将一些算法当作机器。SVM 和神经网络相似，均属于学习型机制，不同点在于所采取的数学方式以及优化技术。（5）相关技术支持。SVM属于一种分类技术，是重要的模式识别方法，常常推广于模式识别方面。在当时，因研究不是很完善，对于识别问题的处理常常趋于保守，数学方面相对艰涩，研究未获得高度重视。直至20 世纪90 年代，SLT 的实现与研究碰到一些困难，例如极小点问题，促使支持向量机迅速完善，在识别问题处理上呈现出独特的优势，且可以运用于机器学习问题[2]。基于此，其得以快速发展，如今在很多领域均获得了实践，比如文本识别。SVM 的一大亮点为给出对偶理论，其核心在于核函数。空间向量集一般不易划分，处理方式为映射至高维空间。不过此方法的运用会促使计算更加复杂，而通过核函数能够有效处理此问题。换句话来讲，唯有选择合理的核函数，才能够获取分类函数。在支持向量机理论中，选择不一样的核函数将造成不一样的算法。明确核函数后，因为数据存在误差，鉴于推广问题，所以选择了2 个参变量进行校正，也就是松弛与惩罚系数，基于明确核函数，通过比较实验取定系数，这一项研究便差不多完成了，适合有关学科运用，存在较强的推广性。误差是绝对的，各学科、各专业的要求也有所不同。

3 粒子群优化算法（PSO）

其简称是PSO，属于一项非常重要的进化技术，其同退火算法类似，基于迭代获得最佳解，也借助适应度来进行度量，相比之下，PSO 更简单，基于追随最优值，寻求全局最优。此算法凭借显著的优势而被高度重视，比如精度高，其属于一种并行算法。PSO属于一项进化技术，诞生于1995 年，源自分析鸟群捕食行为。PSO 起初被飞鸟活动启发，由此借助群体构建的模型。PSO 基于观察活动行为，通过个体对信息共享，基于问题求解空间，让群体移动形成演化过程，由此得到最佳解。相比于遗传算法，PSO 不具备其用的交叉与变异，PSO 易于实现，不用调整较多参数。现如今，已经大力推广于函数优化、遗传算法等方面。对于粒子群优化算法（PSO），本文主要从和遗传算法的比较、主要参数与经验设置等方面进行探讨，以供参考。（1）简介。PSO 模拟捕食行为，优化问题的解，也就是“粒子”。全部粒子均存在适应值，还存在一个速率决定运动方向以及距离。PSO 初始化是随机解，之后基于迭代寻求最优解，基于跟踪极值来完成更新，最优解也就是个体极值，另一个就是全局极值。（2）比较。PSO 不具备遗传操作，结合速度来进行搜索，粒子存在一个关键的特点，即记忆。同遗传算法进行比较，PSO 数据共享体系有所差异。对于遗传算法，共享数据，种群朝着最优区域运动。基于PSO，属于单向数据流动。相比之下，一般情况下，粒子较快收敛于最佳解。（3）主要参数与经验设置。一是采用实数编码。用不着二进制编码求解，粒子能够直接进行编码，寻优环节属于迭代过程，对于终止条件，通常也就是满足最小错误要求。在PSO 中，对于粒子数，通常取20 至40，针对很多的问题，十个粒子已能够获取较佳结果，然而针对较难问题，可取100 或者200。对于粒子长度，这与优化问题相关，即为问题解的长度。对于最高速度，与最大运动距离有关，一般视为粒子范围宽度。对于终止条件，也就是达到最小错误要求。对于全局与局部PSO，包含两种优化算法，对于全局优化算法，其速度较快，可能陷入局部最佳，对于局部优化算法，其收敛较慢，但不易陷入局部最佳[3]。具体实践过程中，可通过前者找出大致结果，再通过后者开展搜索。二是惯性权重。在最大速度很小时，利用趋近于1 的惯性权重；在最大速度较小时，建议取用权重0.8；若不存在最大速度信息，也可以使用0.8当作权重；在这一参数非常小时，注重体现局部搜索性能；在这一参数非常大时，注重体现全局搜索性能。

4 船舶模拟驾驶系统障碍物自动识别方法

1.系统结构概述。系统设置了多个单元，比如电子海图模拟，收集模拟驾驶期间的环境数据。控制中心通过传感器来收集环境信息，对障碍物特征向量进行提取。把所获得的障碍物特征当作优化支持向量机输入，由其智能识别障碍物。系统结合识别结果，当作模拟驾驶决策，对航行方向进行控制。系统布置了两个投影仪，展现模拟驾驶状态。通过PLC 控制芯片收集开关量，对驾驶状态进行管控。借助变频器转动舵轮，对航行方向进行控制。

2.利用聚类法完成对特征向量的获取。通过传感器收集环境信息，基于所统计的点云数据对特征向量进行提取。通过对聚类法的使用来对障碍物特征进行提取。针对相邻点距离，设计阈值，向特征向量实行提取。对于待进行聚类的数据，以D=(ri,δi)来表示，其中ri 代表点云数据位置，δi 代表角度值。针对点云数据和相邻点，可通过相关公式来对二者的距离值进行计算。用d`来表示距离阈值，在结果大于阈值时，代表数据i 是断点，把数据分成各类别。以C=[c1...cm]T 来代表特征集，基于聚类把数据分成m 个类别。在结束聚类之后，获得障碍物特征，用ci 来表示。在船舶模拟驾驶期间，使用障碍物长短以及数量等来当作其特征。基于对聚类法的使用来对特征向量进行提取，对聚类结果进行综合，建立特征向量表达式。

3.基于系统模拟特性，通过优化的支持向量机达到障碍物自动识别。针对障碍物自动识别，通过对支持向量机的使用，将其当作分类器，选择特征向量（用c 来表示）、识别结果（用y 来表示）来当作训练样本。对于样本参数，用{（ci,yi）|∈Y}来表示，对于识别结果集，用Y=（y1,y2,y3）来表示，其中y1 代表未知障碍物，y2 代表航标，y3 代表其它船舶。向量机基于特征空间，采集能够把提取的特征向量，分为各类超平面。通过K(xi*xj)来代表核函数[4]。基于径向基核函数，将其看成识别的核函数。通过向量机进行自动识别时，明确核参数非常关键，引入粒子群算法，来对最佳核参数进行明确。从全局最优化算法来看，该算法是不可或缺的。对核参数进行设置，将其当作算法的粒子。借助优化算法，改进运用于系统，以下是分类器流程：第一，对算法参数进行初始化。第二，结合预测和实际结果，对适应度值进行计量。第三，对运动速率与位置进行更新。第四，在完成更新之后，针对不同粒子，对它们的适应度值进行计量。第五，比较最优位置和速率，当前最佳位置与速率，在优于全局最佳位置与速率时，针对当前最佳位置与速率，将二者设成全局最佳速率与位置。第六，在符合适应度值时，将核参数进行输出。第七，通过支持向量机，对识别结果进行输出。

5 模拟驾驶系统自动识别方法的实践运用

针对船舶模拟驾驶，选择某一海域当作模拟对象。基于障碍物自动识别，设置研究海域是1*1 千米。系统通过对传感器的使用，来对障碍物信息进行收集，为识别夯实数据基础。对于系统所使用的传感器，其角度范围最高是180°，扫描频率达到40 赫兹，二极管波长达到1.02*103 纳米。在系统运行时，能获取显示界面。就模拟驾驶系统而言，其能够模拟驾驶过程，达到三维动态模拟。借助该系统对航行状态进行模拟时，基于界面显示结果，对驾驶状况进行控制。系统具备全景展示功效，能够有效观察航行的附近环境情况[5]。系统具备较好的真实性，能够在模拟训练中进行使用。基于模拟区域，设五个静态障碍物。通过本文提出的方法，来对障碍物进行识别，根据识别结果，对驾驶路径进行规划。系统使用本文提出的方法，当作自动识别方法，能够准确识别障碍物。针对所设的五个障碍物，本文提出的方法都能够有效识别。在系统运行时，把识别结果当作驾驶路径规划的根据，达到模拟驾驶期间的避障。基于系统模拟区域，设计动态障碍物，设其以每秒6 米的速度运动。对识别结果进行统计，当处于动态运行状态时，本文所提出的方法也能够有效识别，能够适应海洋环境变化，达到智能识别。把识别结果当作避障决策的核心根据，有效规避障碍物，顺利到达目标点。

归纳本文方法在系统运行期间自动识别的结果，以下是详细的统计结果：对于障碍物1，识别结果是未知障碍物，其方向是东北方向，障碍物角度是35°，同船舶之间的距离是152 米；对于障碍物2，识别结果是其他船舶，障碍物方向处于北面，障碍物角度是28°，同船舶之间的距离是352 米；对于障碍物3，识别结果是航标，障碍物方向是西北方向，障碍物角度是43°，同船舶之间的距离是285 米；对于障碍物4，识别结果是未知障碍物，障碍物方向是东南方向，障碍物角度是46°，同船舶之间的距离是341 米；对于障碍物5，识别结果是航标，障碍物方向是东北方向，障碍物角度是52°，同船舶之间的距离是254 米；对于障碍物6，识别结果是航标，障碍物方向是西北方向，障碍物角度是46°，同船舶之间的距离是568 米；对于障碍物7，识别结果是其他船舶，障碍物方向是西南方向，障碍物角度是48°，同船舶之间的距离是345 米；对于障碍物8，识别结果是未知障碍物，障碍物方向是西北方向，障碍物角度是56°，同船舶之间的距离是285 米。对实验结果进行分析，使用本文提出的方法能够准确识别障碍物类型。基于障碍物方向、角度及其和船舶之间的距离，有效识别障碍物，明确障碍物实际位置。在进行模拟驾驶时，结合识别结果，成功规避障碍物，符合安全航行需要。

6 结论

基于系统对识别精度要求苛刻的特征，分析自动识别方法，把这一方式运用于系统具体实践中。基于验证，这一方法能够有效识别障碍物，针对动态和静态障碍物，此方法都能够精准识别，因此，可以通过有效运用此方法来优化船舶驾驶工作水平，保证船舶的稳定运行。