【技術實現步驟摘要】
本專利技術涉及無人船，特別涉及一種基于多源信息的水面無人系統運行智能決策控制方法。
技術介紹
1、航運因其承載能力強、環境友好等特點，在內河運輸中扮演著重要角色。然而，在城市河湖等內陸水域中，船舶碰撞、擱淺等意外事件仍然頻繁發生，碰撞引起的泄漏事故可能會造成大面積的水域污染，嚴重威脅著人民的生命安全、生態環境與經濟安全。
2、無人船因具有自主感知、自主決策和自主執行的能力，可以有效降低船舶對人的依賴，提升船舶的安全運行，并在避撞決策過程中融合了人工智能的思想，能夠自主評估并決定最優的操作策略，以規避碰撞。同時，也可以降低這類事故所帶來的人員傷亡與財產損失。除此之外，還能有效地縮短船舶的航程，節約燃油，提高航運效率，進而降低航運成本。然而，運行過程的自動決策是實現無人船自主運行的核心難點，如何利用多源信息實現運行策略的動態自動選擇亟需解決。
技術實現思路
1、本專利技術公開了一種基于多源信息的水面無人系統運行智能決策控制方法，具體方法如下：
2、采集信息，無人船位姿信息、環境信息、障礙物位姿信息；
3、根據環境信息評估航行風險等級；
4、當風險等級超過閾值時，控制規避操作；
5、所述規避操作由cnn-rf混合模型輸出，cnn-rf混合模型的輸入為無人船位姿信息、環境信息、障礙物位姿信息。
6、進一步地，所述無人船位姿信息包括：無人船船速、無人船橫滾角、無人船俯仰角、無人船偏航角、無人船x軸方向偏移量、無人船y軸方
7、所述環境信息包括：風向、風速和降雨量；
8、所述障礙物位姿信息包括：障礙物船速、障礙物偏航角、障礙物x軸方向偏移量、障礙物y軸方向偏移量和障礙物z軸方向偏移量。
9、進一步地，根據環境信息評估航行風險等級，具體方法如下：
10、通過風速和降雨量的閾值設置，以及障礙物的距離，將風險等級劃分為低、中和高級。
11、進一步地，規避操作包括：減速、航速不變、加速、左轉、航向不變和右轉。
12、進一步地，cnn-rf混合模型包括cnn提取特征模塊和rf分類模塊。
13、進一步地，cnn提取特征模塊包括卷積層；
14、卷積層從輸入中提取特征，每個過濾器在輸入數據上滑動，計算過濾器與輸入數據的局部區域點積，生成特征圖，卷積計算公式為：
15、
16、f(x)＝max(0,x)
17、
18、其中，m和n分別表示第m個輸入神經元和第n個輸出神經元；a為第h層的前饋神經網絡的輸入層節點集合；h表示第h個卷積層；是神經元n的輸出；表示第h-1個卷積層的輸入；為卷積核；表示h層第n個神經元的偏置值；表示是池化層h的輸出,為池化窗口的輸入。
19、進一步地，rf分類模塊通過自助采樣從cnn提取的特征中隨機抽取多個子集yk來訓練每個決策樹，并在每個決策樹的節點上，從所有特征中隨機選擇一個子集fk來尋找最佳分裂點；
20、對于每個自助樣本yk和特征子集fk，構建一個決策樹，決策樹節點的分裂是通過選擇最佳特征和閾值來完成的，常用的分裂準則包括基尼不純度和信息增益分別為：
21、
22、其中，gini(y)表示數據y的基尼不純度，j是類的數量，pi表示第i個類別的概率；y為當前節點的數據集，b為考慮的特征，y1、y2表示根據特征b的閾值分裂得到的兩個子集；
23、對于分類問題，隨機森林通過所有決策樹的投票來預測類別，具體公式為：
24、
25、其中，表示預測的類別，k是決策數的總數，tk(x)表示第k個決策樹對輸入x的預測。
26、進一步地，cnn-rf混合模型，使用方法如下：
27、對無人船位姿信息、環境信息和障礙物位姿信息進行劃分，前5個時刻的數據對后1個時刻數據速度和航向的決策進行分類，移動步長為1；
28、先對輸入數據進行特征提取，利用兩層2*2的卷積核進行卷積和池化操作，以提取局部特征；
29、經過特征提取后的數據送入rf模型中，進行決策分類。
30、進一步地，對cnn-rf混合模型進行檢驗，評價指標包括準確率、精確率、f1分數和召回率，具體公式如下：
31、
32、其中，tp為模型正確識別出正樣本的數量；tn為模型正確識別出負樣本的數量；fp為模型錯誤地將負樣本預測為正樣本的數量；fn為模型錯誤地將正樣本預測為負樣本的數量。
33、由于采用了以上技術方案，本專利技術具有以下有益效果：
34、1、本專利技術提出了cnn-rf混合模型的無人船運行策略自動決策方法可以對大量的數據進行快速的處理，并進行相應的決策，極大地提高了工作效率。同時具有較強的自適應能力，能夠根據新的數據及環境的改變，持續地對決策流程進行優化。
35、2、cnn模型解決了輸入數據的維度災難和非線性問題，rf模型通過集成多個決策樹提高預測準確性，降低單個決策樹的過擬合風險，并增強對噪聲和異常值的容忍度，提升了復雜環境下無人船自主決策的可靠性。
36、3、傳統方法雖然考慮了船只航行時受到風雨的影響，但未做出相應的決策。本專利技術輸入數據同時考慮自身無人船信息，動態障礙物、靜態障礙物信息以及天氣信息，能夠根據不同場景做出相應決策，從而準確地判定碰撞狀況以做出正確的避讓行為，在復雜環境中達到了高效避碰的目的。
37、本專利技術的其他優點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本專利技術的實踐中得到教導。本專利技術的目標和其他優點可以通過下面的說明書實現和獲得。
本文檔來自技高網...【技術保護點】
1.一種基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，具體方法如下：
2.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，所述無人船位姿信息包括：無人船船速、無人船橫滾角、無人船俯仰角、無人船偏航角、無人船X軸方向偏移量、無人船Y軸方向偏移量和無人船Z軸方向偏移量；
3.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，根據環境信息評估航行風險等級，具體方法如下：
4.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，規避操作包括：減速、航速不變、加速、左轉、航向不變和右轉。
5.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，CNN-RF混合模型包括CNN提取特征模塊和RF分類模塊。
6.如權利要求5所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，CNN提取特征模塊包括卷積層；
7.如權利要求5所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，R
8.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，CNN-RF混合模型，使用方法如下：
9.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，對CNN-RF混合模型進行檢驗，評價指標包括準確率、精確率、F1分數和召回率，具體公式如下：
...【技術特征摘要】
1.一種基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，具體方法如下：
2.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，所述無人船位姿信息包括：無人船船速、無人船橫滾角、無人船俯仰角、無人船偏航角、無人船x軸方向偏移量、無人船y軸方向偏移量和無人船z軸方向偏移量；
3.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，根據環境信息評估航行風險等級，具體方法如下：
4.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，規避操作包括：減速、航速不變、加速、左轉、航向不變和右轉。
5.如權利要求1所述的基于多源信息的水面無人系統運行智能決策控制方法，其特征在于，cnn-rf混合模型包...
【專利技術屬性】
技術研發人員：白玉廷，薛心怡，金學波，蘇婷立，孔建磊，于家斌，
申請(專利權)人：北京工商大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。