面向智能航行的貨船“航行腦”概念設計

嚴新平， 吳 超， 馬 楓

(1.武漢理工大學 智能交通系統研究中心， 武漢 430063；2.國家水運安全工程技術研究中心， 武漢 430063； 3.武漢理工大學 物流工程學院， 武漢 430063；4.長江大學 電子與信息學院， 湖北 荊州 434023)

20世紀70年代之后，國際上開始將“機器人”技術與運載工具相結合，生產出“無人機”“無人車”和“ 無人艇”等特種機器人，其核心在于建立一套輔助的可替代人工的智能“駕控”系統(比如“無人車”的“駕駛腦”[1]系統)。此后，相關研究機構針對船舶開發出駕駛[2]、機艙管理、貨物管理及船體等方面的智能輔助系統[3]，包括綜合船橋系統(IBS)、航線控制系統及機艙故障診斷系統等，大大降低船員的工作強度，減少船舶配員，但在這些設備支持下的船舶與“智能船舶”仍有差距。

長期以來，船舶安全一直是航運界關注的重點，世界上各海運國家已在航運安全領域做出大量努力來保證遠洋貨運船舶的貨物和人員安全,其中威脅遠洋船舶貨物安全的因素主要是船舶碰撞、擱淺等事故。據統計，在船舶碰撞事故中,有89%～96%的事故是人為因素導致的。[4]為保障航行安全，要求各型船舶配備多種感知[5]、交互和求救工具。伴隨著航海技術的數字化發展，諸多技術裝備逐步被應用到船舶航行領域中。[6]以萬噸級遠洋貨船為例，其感知工具包括2部以上的雷達、自動識別系統(Automatic Identification System,AIS)[7]和聲吶；信息交互工具包括甚高頻(Very High Frequency, VHF)對講機、甚高頻數字交換系統(VHF Data Exchange Sytem, VDES)和各頻段電臺。然而，這些助航設備的應用和改進并沒有徹底解決船舶安全問題，船舶碰撞和擱淺事故時有發生，因助航設備增加而導致船舶駕駛人員操作負擔激增也是不爭的現實。因此，發展智能貨船，將船舶運行中的部分工作交給人工智能程序完成，可在很大程度上解決人為操作失誤帶來的安全問題。

遠洋貨運量占全球貿易貨運總量的90%，年市場盈收高達3 750億美元。近10 a來，波羅的海干散貨指數(Baltic Dry Index, BDI)一直在低位徘徊，導致許多航運企業運營困難，降本增效成為該行業當前的核心訴求。在航運企業成本中，人力成本占據較大比例。據統計，一艘配員約10人的貨船在遠洋運輸過程中的工資支出高達5 000美元/d，約占其總運營成本的44%。[8]國際會計兼航運顧問公司Moore Stephen最新發布的航運調查報告[9]顯示，2014年和2015年船舶運營成本上漲3%，其中船員工資和維修成本提高是主要因素。因此，減少船舶配員對提升航運企業效益而言具有重要的現實意義。未來，進一步減少船舶配員(乃至實現“無人化”)將成為航運業發展的重要趨勢。[10]

隨著全球碳排放交易機制、船舶能效設計指數(Energy Efficiency Design Index, EEDI)和船舶營運能效指數(Energy Efficiency Operational Index, EEOI)的有序推進，航運業減少溫室氣體排放已成為必然趨勢。逐步嚴格的排放要求迫使船舶作出各種改進，進一步降低排放、提高效率。除了改進動力系統和船舶自身線型之外，優化航線和航行模式、減少配員也是降低排放的有效手段。事實上，與船員生活相關的艙位約占運輸船舶有效艙位的1/3。減少配員，甚至實現“無人”駕駛，將縮減(甚至取消)駕駛臺、船員休息區及食品倉庫等設施，進而空出艙位用于載貨，從而大幅度降低單位運輸能耗。有研究表明，若采用無人駕駛技術，則一艘貨船的運行效率有望提高20%，同時有望減少20%的碳排放。

當前船舶運輸業仍處于低谷，發展遠洋智能貨運船舶，不僅可提高船舶航行的安全性，而且能降低運營成本和減少碳排放，這對保證航運企業穩定持續發展具有重要的現實意義。然而，船舶的“智能”不能僅停留在各型先進助航設備的使用上，智能化的核心是使船舶擁有如同人一樣的觀察、思考和處理問題的能力。在船舶智能化研究過程中，可參考“人腦”處理事務的模式，設計構造一套替代“人腦”的“人工智能”系統，完成船舶航行的“感知、認知、決策與控制”全過程。該系統稱為“航行腦”系統(Navigation Brain System,NBS)。

1 “航行腦”系統組成

構建一套功能完善的“航行腦”系統，在明確該系統具體組成模塊的同時，必須定義各模塊所具備的功能及各模塊之間的相互聯系。在現代醫學領域，醫療學者已在“人腦”研究方面取得豐碩成果。德國神經外科醫生科比尼安·布羅德曼在研究人腦的過程中率先提出分區系統的概念，認為“人腦是一個層級結構，具有許多不同功能的模塊(布羅德曼分區)，這些模塊相互協作，模塊間擁有復雜的連接”。[11]參考“人腦”工作機理構建的“航行腦”系統需考慮航行環境感知、航行態勢認知和航行決策控制等3方面的內容。參考布羅德曼分區定義，可將用于智能船舶的“航行腦”系統設計為相關聯的工作模塊(空間)，即“感知空間”“認知空間”和“決策執行空間”?！昂叫心X”系統結構見圖1。

“感知空間”功能區獲取船舶在航環境和船舶自身狀態2類信息。該功能區主要依靠航海雷達、毫米波雷達、激光雷達、攝像機、前視聲吶、全球定位系統(Global Positioning System,GPS)、陀螺羅經、油耗傳感器、軸功率傳感器、轉速傳感器及AIS等各型傳感器進行各類數據的采集。此外，“感知空間”還需具有采集實時氣象信息及接收氣象預警的能力?？紤]到船舶航行時因極端海況會對船體結構造成影響,甚至導致船體損毀，“感知空間”還需具有實時監測船舶結構數據的能力，以便在極端情況下發出警告信號。感知空間采集信息分類見圖2。

“認知空間”功能區從上述信號中抽取、加工與航行相關的要素，利用航行態勢分析算法對船舶航行時面臨的碰撞風險進行全面描述，并對面臨的風險進行等級劃分和實時更新；利用船舶駕駛行為學習算法，結合船舶航行態勢構建船舶駕駛行為譜，以實現船舶在特定條件下的自主航行。

在對船舶航行風險進行全面“認知”的基礎上，“決策執行空間”功能區利用航行決策算法和船舶航行控制算法，通過控制系統使船舶達到或接近期望狀態，并將當前狀態反饋給“感知空間”和“認知空間”功能區，進一步修正航行態勢和操控模型。

綜上所述:“感知空間”是“認知空間”的基礎；“認知空間”對信息質量的反饋會影響“感知空間”對信息的預處理過程；“決策執行空間”利用“感知空間”反饋的信息，重新影響“認知空間”對態勢及自我的認知。“航行腦”系統各空間關系見圖3。

2 “航行腦”系統的關鍵技術

2.1 感知需求與融合交互

區別于普通貨船的駕駛模式，為保證智能貨船的航行安全，需借助先進的助航設備實現對船舶航行環境及船舶自身狀態的全面掌控。對于“航行腦”， 其“感知空間”通過所轄各型感知設備獲取通航環境數據和船舶自身數據。然而,由于感知設備類型多樣，即使對于相同的對象，所獲取的數據在表現方式上也存在差異。該差異需通過對數據進行深度加工和處理來消除，否則會引起“認知空間”混亂。處理感知空間中的數據，需經過初步甄別、優化等一系列過程，具體包括以下2個方面。

2.1.1“航行腦”系統感知體系優化

智能船舶“航行腦”系統的“感知空間”在利用多種傳感器采集信息時，不同種類傳感器所獲取的數據在數據類型、表現形式和時效性等方面均存在差別；同時，數據也不可避免地存在冗余。根據“認知空間”對數據類型、精度、可靠性及實時性等指標的需求，需對不同種類的感知設備進行優化配置。對于視頻采集設備，布設于船體外要求設備做到360°全方位監控，同時要求架設的設備最少；此外,為保證智能船舶24 h不間斷航行，需配備紅外夜視設備；航海雷達也需做出相應的改進，其中最新的連續波體制雷達相比傳統的裂縫雷達，優勢明顯。然而,航海雷達30 m左右的探測盲區(以5 m典型架設高度計算)是其比較突出的問題。激光雷達和毫米波雷達的探測距離一般在100 m左右，該優勢是對航海雷達這一缺陷的有力補充。然而,為避免數據冗余，需根據實際情況做恰當的選型。

2.1.2“航行腦”系統多源異構數據融合、交互

根據“航行腦”系統中各空間之間的相互聯系，“感知空間”獲取的數據只有在可靠性和魯棒性等方面達到一定的要求，才能更好地服務于“認知空間”和“執行決策空間”。對于同種信源存在的數據冗余，為增加數據的可信度和分辨能力，還需對雷達、GPS等設備的數據進行卡爾曼濾波等預處理，并利用證據推理等方法對“感知”到的多源異構數據進行融合處理。[12]結合“航行腦”系統中各類信息的“船-岸交互”需要，以證據理論為基礎，實現數據類型的篩選和甄別，進行“船-岸”數據的高效交互。

2.2 認知機理與解析方法

在“感知空間”對在航環境及駕駛行為進行全面有效的感知的基礎上，“航行腦”系統“認知空間”將分別形成瞬時記憶(航行態勢建模與航行狀態辨識)和長時記憶(建立智能船舶駕駛行為譜)。

2.2.1船舶航行態勢建模與航行狀態辨識

“認知空間”形成對實時環境和船舶航行狀態的“瞬時記憶”。前者在船舶航行時感知的環境信息的基礎上構建航行態勢分布識別模型，建立航行態勢“圖簇”；后者在船舶航行時感知的自身航行狀態信息的基礎上構建船舶運行狀態的辨識模型。

“航行腦”系統對航線上出現的潛在威脅進行標定及描述，并根據威脅程度及時調整航線，以保證船舶的航行安全。在該過程中，“航行腦”系統“認知空間”需對風險分布進行識別，并結合“感知空間”實時獲取的各類信息實時更新風險分布等級。

在建立風險圖簇時,可基于人工風險勢場(Artificial Potential Field ，APF)方法對航行區域內出現的所有礙航物進行描述，礙航物的影響范圍可利用AIS歷史數據作進一步的求解獲得。[13]

2.2.2船舶駕駛行為譜

在船舶航行過程中，當航行環境及船舶航行狀態發生變化時，不同的駕駛員會有不同的駕駛習慣；當在不同區域航行時，船舶間避讓、航行規則等都存在較大差異。這些因素導致駕駛行為譜具有多樣性，船舶駕控模型難以統一建立。在不同水域、不同管制要求下，船舶的避讓和航行規則均有較大變化。在該前提條件下，機器學習是解決無人船駕駛行為描述和建模的有效工具。然而，傳統的機器學習方法需大量的訓練樣本；對于船舶的駕駛行為，尤其是在復雜、危險的場景下，可采集到的樣本量較少，無法保證學習過程的有效性。

針對上述問題，“航行腦”系統“認知空間”對船舶在不同航線態勢圖下的人工駕駛行為和船舶運行響應信息建立風險態勢圖、航行規則、人工駕駛行為及船舶運行響應狀態之間的關系，形成稀疏完備字典(駕駛行為譜)。利用K奇異值分解法對稀疏字典進行學習，構造比較恰當的稀疏字典。利用稀疏重構理論建立“航行腦”系統認知駕駛行為學習模型，增強其認知和學習的能力。

2.3 航行決策與智能控制

“認知空間”利用“感知空間”不斷反饋的信息對航行態勢及船舶自身狀態進行實時更新，這些更新將會不斷影響航行決策的制訂?！昂叫心X”系統的智能控制以航行決策為基礎。

2.3.1航行決策

智能船舶航行決策包括開航前的宏觀航線規劃、自主航行過程中的實時機動避障及航速優化。

(1) 在航線規劃方面，利用電子海圖提供的綜合航行環境信息，參考氣象數據和航線航行環境時空特征，以提高船舶航行的經濟性和安全性為目標，建立基于動態航路切線圖的航線動態規劃模型。

(2) 在實時機動避障方面，結合“認知空間”中建立的實時風險圖簇,以實時風險圖簇為基礎，采用路徑規劃算法(如A*算法)計算出風險最小的船舶航行路徑。研究發現，采用A*算法雖然能得出一條安全且距離短的路徑，但該路徑過于曲折，受船舶運動特性限制，往往不可行。此時,結合多目標優化方法，在流速、航速、船舶噸位和船舶機動性等因素的共同制約下對路徑作進一步的修正和補償，規劃出一條平滑且符合船舶運動特性的最佳航行路徑。

(3) 在航速優化方面，基于實船監測的大量歷史數據，根據通航環境與船舶能效之間的動態響應關系，建立以最小燃油消耗為目標函數、以航次計劃為約束條件的分段優化航速。

2.3.2船舶智能控制

智能船舶在航行過程中,其“感知空間”一旦感知到動態礙航物，航行工況“模式辨識”將由正常航向狀態切換至避碰狀態，此時“認知空間”將形成碰撞風險態勢圖簇，同時結合碰撞風險情況下的駕駛行為譜，重新制訂規避航線。在遇到不同類型船舶、不同航線環境時，通過自適應切換控制，選擇恰當的控制器(MPC,神經網絡及PID等)實現船舶的航線控制。利用切換控制原理，對不同船舶在不同環境下的應激控制模型進行分析，建立一種非線性切換自適應控制系統。[14]

3 結束語

“綠色”和“安全”是航運業永恒的主題，隨著船舶自動化水平的不斷提高，船舶科技的發展開始由先進助航設備的簡單疊加使用轉向系統的智能化和無人化。利用人工智能手段模擬“人腦”開發的“航行腦”系統及通過合理排布硬件系統建立的包含信息處理、態勢判斷和決策執行的完整智能船舶系統是智能航行的發展方向。本文對智能船舶“航行腦”系統的構建及其各功能空間進行了分析和論述，后續將研發用于貨船智能航行的“航行腦”系統，主要開展以下研究：

1) 多源異構傳感器信息的數據融合處理及全息平行的感知空間的建立。在計算機系統中進行的空間重構是態勢認知和決策的基礎，解決多傳感器帶來的信息不確定性問題，將多源異構信息整合成一個完整的平行空間，在信息融合及平行仿真等領域均有很高的研究價值。

2) 貨船智能航行風險態勢表征和預判方法。即對航行風險態勢及其演變進行準確評估和描述，為船舶在“決策執行空間”安全駕駛提供依據。

3) 貨船智能航行的駕駛行為譜描述機制、建模和生成機理,即在學習樣本較少的情況下建立駕駛行為譜的描述機制。

4) 貨船智能航行的復雜場景、多因素自主避障控制。深入掌握船舶航行控制中受到的復雜海況、不同種類礙航物及有限動力能源等約束，揭示航行環境干擾因素、能效約束等對控制性能的影響，提出合適的自適應切換控制方法。

[1] 李德毅. 中國智能駕駛白皮書[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] 蔣仲廉,初秀民,嚴新平.智能水運的發展現狀與展望[J].交通信息與安全,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,吳青,等. USV發展現狀及展望[J].中國造船,2014(4):194-205.

[7] 馬楓.船舶自動識別系統性能半實物仿真方法研究[J].系統仿真學報,2013(6):1315-1320.

[8] 曹重. “一帶一路”與港口經濟區的戰略重構[J]. 港口經濟, 2015(10):1.

[9] 唐磊.不定期運輸船舶調度及航速優化研究[D].大連：大連海事大學, 2014.

[10] 嚴新平.智能船舶的研究現狀與發展趨勢[J].交通與港航,2016(1):25-28.

[11] 張亞卓. 腦室外科手術學[M]. 北京:中國協和醫科大學出版社，2001:1-6.

[12] 嚴新平,馬楓,初秀民,等.長江船舶交通流實時采集關鍵技術研究[J].中國航海,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] 孫巧梅, 任光. 自適應逆控方法的無人艇航向控制[J]. 中國航海, 2012, 35(4):17-21.