自动靠泊技术的研究和发展综述

陈百相

（上海海事大学商船学院，上海 201306）

随着第三次工业革命信息技术产业的大发展以及第四次工业革命智能化产业发展的来临，人工智能在各个领域有了重大的突破，也应用在各种现代化的设备之中，它有着远比人类大脑更高速、更庞大的计算力，更严谨的执行力和更深层的决策能力等。人工智能无人驾驶方向上有着天然的优势，可以通过不断地训练和试错来修正自己和强化自己的能力，最终得到正确的结果。将其用在航海领域上，实现无人船的智能化行驶是非常有发展前景和深远意义的。

船舶在行驶有多种的情况，靠近港口停泊也是必须要进行的一项。可以预测控制的船舶自动靠泊不仅可以降低海上事故的风险，还可以减少导航员由于地理限制和低机动性的巨大工作量。人工靠泊方式在困难和细微的靠泊阶段会让操作员有巨大的心理和精神的压力，在低速的航行状态会让船舶的操作变得困难；而且靠泊过程中会受到风、浪、天气还有个人因素等原因的影响，给靠泊控制带来极大的不确定性。对比起人工的需要大量学习时间和工作经验、复杂操作的工作流程、各种不稳定性因素，自动靠泊技术获取船舶的各种数据和当前海面、港口等各种影响因素加以计算分析后，得到最优的轨迹运动路线，更安全地控制船舶进行控制和调整。

1 自动靠泊技术

1.1 研究内容

自动靠泊技术中有许多的方面和问题需要考虑。其中靠泊路径规划问题是船舶自动靠泊的关键问题之一，即在一定的约束条件下，规划满足设定指标地从起点到目标点的最优路径。船舶自动靠泊问题涉及船舶在浅水中的低速运动，风、浪、流的干扰比较强，系统信息量大，控制船的操作难度大。对于船舶的自动靠泊系统，由于其靠泊在低速范围和较大的偏角，系统不仅要考虑船体、流体力、桨和舵力无法发挥正常航行中的效能，还要考虑了靠泊作业中不可缺少的辅助控制设备，如拖轮、侧推器、锚和缆索。因此，船舶的自动靠泊作业成为最困难、最复杂的作业之一。为了提高安全性、螺旋桨利用率和系泊效率，减少人为错误率和损失，对靠泊技术的研究是非常必要的。

为了控制船舶安全靠泊，自动靠泊操作分为三个基本的基本动作，即航向改变、步进减速和发动机停止，即三个目标点。靠泊机动计划使第一航向从任何给定的初始航向更改为第一个期望航向，在该航向中船舶将与称为假想线的参考线对齐。并入这条线后，船将保持原路并根据速度响应方程降低速度。然后，发动机空转和螺旋桨反转将使船停在其所需区域。最后船舶将被逐步控制到码头，将其放置在旁边并准备安全系泊操作。这些环节中都需要复杂的操作，每个环节都需要大量的数据计算和规划，使用什么方法和解决手段是关键。

1.2 自动靠泊方法

自动靠泊控制的研究始于1990年代初，属于MIMO 控制问题。并吸引了许多有意义的研究。Fossen提出了用四个旋转推进器模型在浅水中进行机动的方法，并通过安装在模型盆地上的摄像系统监控船舶的位置、方向。Zhang 专注于自动船舶靠泊的多变量神经控制器的开发和应用。Akasawa 建议使用船首和船尾推进器进行机动，以提高精确的航迹保持和固定位置保持。到目前为止，该研究主要依赖于人类经验和精确的控制算法。

1.2.1 神经网络方法

（1）人工神经网络 (ANN) 模型被称为自动船舶靠泊最有效的理论之一，因为它是一种学习算法，并且能够在执行靠泊过程时模仿人脑的动作。Tran,Van Luong 和Im,Nam-Kyun 在International Journal of Naval Architecture and Ocean Engineering 上发表的《A study on ship automatic berthing with assistance of auxiliary devices》就使用了人工神经网络方法去解决自动靠泊的问题。使用反向传播算法，用一组教学数据训练了人工神经网络，以获得输出值和四个控制输出（包括方向舵、螺旋桨转速、船首推进器和拖船）的期望值之间的最小误差。然后，对自动靠泊进行了计算机仿真，验证了系统的有效性。仿真结果表明自动靠泊控制系统具有良好的性能。

（2）Yao Zhang 和G.E.Hearn、P.Sen 等人在IEEE Control Systems Magazine 发表的《A multivariable neural controller for automatic ship berthing》介绍了一种用于船舶自动靠泊的多变量神经控制器的开发与应用提出了一种在线训练的、基于反向传播的神经网络控制器。主要目的是利用神经网络的学习能力，推导出独立于船舶数学模型的自主神经控制算法。

（3）IM Namkyun 和H Kazuhiko 等人在关西造船协会论文集发表的《A Srudy on Automatic Ship Berthing Using Parallel Neural Controller》一种用于自动靠泊的并行神经控制器，该控制器具有单独的隐藏层，分别输出发动机和方向舵。用于靠泊的通用神经网络只有一组隐藏层，但是他们提出了并行隐藏层。与传统的神经控制器相比，这种并行控制的效果产生了很好的效果。

（4）Nam-KyunIma 和Van-SuongNguyen 等人发表在International Journal of Naval Architecture and Ocean Engineering 上 的《Artificial neural network controller for automatic ship berthing using head-up coordinate system》通过使用平视坐标系，包括船舶到泊位的相对方位和距离，提出了一种新的人工神经网络控制器，可以在不重新训练人工神经网络结构的情况下，自动控制船舶进入不同港口的泊位。

但它仍然存在一些局限性。例如，船舶只能从一个接近方向进入泊位，相对方位角必须在180 度以内。

1.2.2 非线性规划方法

YA Ahmed 和JKazuhiko Hasegawa 在Osaka University Knowledge Archive 发表的《Automatic Berthing Control Practically Applicable under Wind Disturbances》通过使用非线性规划（NLP）来创建一致的教学数据讨论了变时机动。然后，使用重复优化技术，一个新的概念引入了“虚拟窗口”。本文中的“虚拟窗口”指的是确保安全的安全窗口具有任何特定航向的船舶，通过其所需位置到达前方给定的参考线取计算出的最佳舵角。然后，船沿着这条线继续前进根据速度响应方程，成功靠泊。

1.2.3 自适应 Backstepping 方法

当船舶处于推拉模式时，螺旋桨和侧推进器的联合操纵会产生相互作用力。两个螺旋桨在以相反方向旋转时产生相同的推力，从而在船舶上产生偏航力矩而不会引起纵向运动。通过侧推进器的同时操作，实现推拉模式，从而产生横向力。Jong-YongParka、NakwanKimb在International Journal of Naval Architecture and Ocean Engineering 上发表的《Design of an adaptive backstepping controller for auto-berthing a cruise ship under wind loads》提出了蟹行运动的三个自由度方程。这些方程用于将自适应反步控制方法应用于游轮的自动靠泊控制器，控制器能够处理靠泊过程的系统非线性和不确定性。

1.2.4 Intelligent Tracking Control Algorithm 方法

相关的研究没有考虑了复杂的控制环境，例如风浪、流、天气的影响，对抗风浪干扰的算法仍然存在局限性；特别是在浅水区低速行驶时，动力不足的船舶会给船舶运动带来更大的不确定性。Zhicheng Liu 和 Qiang Wang 等人在《Intelligent Tracking Control Algorithm for Under-Actuated Ships Through Automatic Berthing》提出了一种ITCA（Intelligent Tracking Control Algorithm）方法，可以智能控制船舶靠泊期间的航向角跟踪，抑制风浪干扰。

1.2.5 实时估计法

一般的靠泊方法需要根据专家的经验或模型试验的经验进行修正，并且不灵活和操作复杂，导航员必须将船舶停在指定点，在限制水域的机动性降低。Jun Kayano 和Tadatsugi Okazaki 发表的《A Study on the Ship’s Automatic Berthing Maneuver Using Real-Time Estimation》开发了一种自动靠泊机动方法，通过基于用于操纵船舶的统计模型引入具有可变增益的最优控制来实现的，该模型使用实际导航数据实时识别。

2 国内外研究现状

中外研究学者很早就对自动靠泊的方面有了研究，从20世纪70年代开始，日本学者就对船舶靠泊操纵的难题有了探索，以往的研究都是基于高速的船舶描述具有较大前进速度的船舶的机动运动，但是靠泊需要船舶低速操纵，还没有一个低速的数学模型来计算和分析船舶的运动，1984年K Kose、H Hinata、Y Hashizume、E Futagawa 发表的《On a Mathematical Model of Maneuvering Motions of Ships in Low Speeds》提出了一个新的数学模型，尝试修改上述数学模型，使其也可以表达低速机动运动。1993年K Hasegawa 和K Kitera 发表了《Automatic Berthing Control System Using Network and Knowledge-base》利用神经网络和知识库开发了一种船舶自动靠泊系统，并通过仿真验证了其有效性，将专家决策引入了神经网络，不仅对作为教学数据的给定模式给出了成功的结果，而且对内插或外推的案例也给出了成功的结果。

在2000年后，IM Namkyun，H Kazuhiko 在2001年发表的《A Srudy on Automatic Ship Berthing Using Parallel Neural Controller》改进了神经网络的隐藏层，设计成并行隐藏层。2007年中国学者卜仁祥、刘正江、胡江强发表的《欠驱动船舶非线性滑模靠泊控制器》定义了非线性滑模，结合增量反馈技术，无需对不确定模型参数以及风、流干扰进行估计，完成典型靠泊操纵的自动控制。

在2010年到现在，各种新颖和改进的方法都不断地发表出来，其中利用非线性控制的方法实现船舶自动靠泊的作业，2012年Liu Yang 和 Guo Chen 发表的《Automatic berthing control of underactuated surface ships in restricted waters based on nonlinear adaptive control method》利用非线性自适应控制方法解决了在受限水域转向的欠驱动水面舰艇的靠泊控制问题，针对船舶的未知动力学、环境干扰和测量噪声等，稳定自适应神经网络算法用于估计不确定性。2020年Jun Kayano 提出了实时估计的方法，通过导航的实时数据实现像手动操作一样的灵活改变船舶机动的效果。

3 问题和展望

自动靠泊有着各自方面的问题需要解决，例如各种干扰因素，风、流、浪等，当以低速接近泊位时，任何控制器都很难将环境干扰与实际船舶运动分开。在风扰动的情况下，在有限的风速下成功靠泊，但在实际复杂的情况下，实验结果并不令人满意。神经网络效果不错，但是在其他方面的开销就会增大，增加隐藏层的数量不仅会增加计算时间，还会增加学习算法失败的概率，输入不应该太多。模型输入的数量增加，机动方程的自由度也增加。

采用非线性规划的方法虽然也有不错的效果，但是使用过多的约束会导致优化输出（舵角和螺旋桨）出现波动，这也给网络训练带来了困难。考虑到靠泊操作是时间敏感的，控制动作需要时间。因此，关于以一致的方式创建教学数据和调查经过适当训练的人工神经网络应对任何可能的风干扰的能力的问题仍未解决。因此，代替人工神经网络，更稳健的反馈控制器更可取，以在这种情况下采用足够的舵角来引导船舶。

4 结语

自动靠泊是一个有着广阔前景和研究意义的方向，本文对自动靠泊技术的含义和研究内容进行介绍，对靠泊常用的技术进行梳理，概括和各个方法的限制，遇到的问题；概括了国内外学者的研究内容和现状；对自动靠泊的整体问题进行的分析，随着技术的发展和研究的不断深入，自动靠泊的技术会慢慢成熟并且最终的研究目标会得以实现。