船舶智能航行及關鍵技術最新發展

中國船級社 馬吉林 謝 朔

船舶智能航行及其關鍵技術的發展為智能船舶在水上交通中的應用奠定了基礎。

近年來，智能船舶成為國際海事、交通領域的研究熱點。國際主要船級社先后發布了有關智能船舶及相關技術的規范或指導性文件，以大力推進和指導智能船舶研制與應用。中國船級社早在2015年就發布了第一部完整的智能船舶規范《智能船舶規范1.0》，對智能航行、智能船體、智能機艙、智能能效管理、智能貨物管理和集成平臺等功能要求進行了規定，并于2020年補充了遠程控制船舶和自主操作船舶的相關規范內容。其中，智能航行技術作為智能船舶的典型功能之一，融合了信息感知與融合、態勢認知與學習、智能決策與控制等先進技術內容，是當前智能船舶領域的研究熱點。

船舶智能航行的發展現狀

在船舶智能航行方面，國外航運企業以及海事相關機構的研究較早。早在2012年，由Fraunhofer CML公司、MARINTEK公司、Chalmers大學等8家研究機構共同合作，開始了“MUNIN”(圖1)（Maritime Unmanned Navigation through Intelligence in Networks）項目，首次以無人散貨輪為對象開展大型船舶的智能航行研究，并首次提出了無人駕駛概念。

圖1 MUNIN項目

在此后的智能航行項目研究中，主要以勞斯萊斯（Rolls-Royce）等大型船舶公司和運營商為首，形成了豐富的成果。2015年，Rolls-Royce與芬蘭Aalto大學合作啟動了AAWA項目，旨在實現船舶的遠程駕駛與無人運輸。在AAWA的白皮書中，對船舶航行過程中自動避碰能力的重要性進行了說明。2016年，Rolls-Royce在其制定的無人駕駛船舶應用開發計劃中展示了岸基控制中心的運營模式和無人化航運的概念，并于2017年與全球拖船運營商Svitzer合作在丹麥哥本哈根港成功展示了全球首艘遠程駕駛商船“SvitzerHermod”號。隨著人工智能技術的發展，環境感知在智能航行中的作用越來越大。Rolls-Royce已宣布與谷歌簽署協議，將利用谷歌云機器學習引擎，訓練人工智能分類系統，用于探測、識別和跟蹤船舶，以供進行及時避碰，提升現有船舶的安全性。

除了大型船舶項目外，歐、美、日、韓等也先后開始智能航行有關的試驗船研制。2017年1月，海工船巨頭法國Bourbon、英國Automated Ships和 挪 威Kongsberg Maritime三家歐洲船企聯手合作，開始建造全球首艘無人駕駛海工支援船“Hr?nn”號，主要用于研究海上能源，水文以及養殖業，同時提供一定程度的海上支援。

2018年12月，Rolls-Royce和芬蘭國有渡輪運營商Finferries在芬蘭圖爾庫市南部的群島上展示了世界上第一艘全自動渡輪Falco號。該渡輪具備一定的自航能力，可以在簡單會遇情況下實現自主避碰。而在2020年2月，挪威Kongsberg集團也在所研發的自主渡輪Basto Fosen VI上進行了從碼頭到碼頭的首次自適應通航。Basto Fosen VI渡輪具有感知增強、自主靠離泊、危險警報和航線規劃等功能，可實現船端設備全自動化操作。

2020年4月，韓國現代重工在SK航運旗下的一艘25萬噸散貨船上安裝了HINAS（Hyundai Intelligent Navigation Assistant System）現代智能導航輔助系統，通過基于人工智能的圖像分析算法自動識別船舶周圍的來船，并通過增強現實技術來進行碰撞預警。

圖2 AAWA項目和“SvitzerHermod”號

圖3 無人駕駛海工支援船“Hr?nn”號

圖4 “Falco”號和“Basto Fosen”自主渡輪

圖5 現代重工HiNAS智能航行輔助系統

圖6 瓦錫蘭“PSA Polaris”號無人拖輪

圖7 “大智”號智能散貨輪

近日，瓦錫蘭與PSA Marine合作開展的IntelliTug項目取得了重大進展。其旗下的“PSA Polaris”號拖輪在安裝了全新的動力定位系統后，可通過“虛擬錨定”功能來固定位置并/或保持拖船的航向，目前在新加坡港進行真實港口環境條件下的試驗。

而在國內，船舶智能航行的相關概念定義在2015年由中國船級社（CCS）發布的《智能船舶規范》（2015）中被首次提出。2017年12月5日，中國船舶工業集團自主研發的全球首艘智能船舶iDolphin“大智”號正式交付投入使用。“大智”號是第一艘按照中國船級社（CCS）智能船舶規范建造的智能船舶，獲得了CCS智能船符號I-SHIP(N,M,E,I)認 證， 其 中N為智能航行的基本航路與航速的設計優化功能標志。

此后，中船集團和中船重工又相繼建造了一系列具備智能航行功能的不同船型船舶，包括：40萬噸級智能超大型礦砂船（VLOC）“明遠”號和“明卓”號、13500TEU智能集裝箱船“中遠海運荷花”號、超大型智能油輪“凱征”號等。

2018年7月，武漢理工大學研制的國內首條搭載智能安全駕駛系統的汽渡“板新2號”在南京板橋汽渡首航。所搭載的汽渡輔助駕駛系統能夠通過雷達智能識別水中障礙物、監測船只之間的距離，為駕駛員提供精確預警、推薦優化航線。

2019年12月，由珠海云航智能技術有限公司、中國船級社、武漢理工大學、珠海市政府共同開發的“筋斗云”號無人自主航行貨船成功實現載運貨物的自主航行首航。“筋斗云”號自主貨船采用數字化控制技術和電氣化推進系統，目前已具備自主貨船的遠程遙控、自主循跡、會遇避碰和遙控靠離泊功能。

綜上所述，國內外智能船舶項目和技術應用以實現船舶及其配套設備的無人化、自主化為目標，正在逐步由部分功能自主到全船自主、人機共融到無人駕駛，實現以增強駕駛、輔助駕駛、遠程駕駛、自主駕駛、無人駕駛等為代表的階段性功能，促進水上自主運輸技術“安全、高效、節能”發展。

智能航行關鍵技術的發展現狀

圖8 “明遠”號、“明卓”號和“凱征”號

依據中國船級社《智能船舶規范》的定義，船舶智能航行具體指可利用計算機技術、控制技術等對感知和獲得的信息進行分析和處理，對船舶航路和航速進行設計和優化；可行時，借助岸基支持中心，船舶能在開闊水域、狹窄水道、復雜環境條件下自動避碰，實現自主航行。綜合來看，智能航行的關鍵技術主要包含感知與信息融合、運動控制、避碰決策以及測試驗證等方面。

1、感知與信息融合

智能船舶在航行過程中，需要對船舶內部設備運行狀態、船舶自身運動狀態和外部航行環境進行自動感知，并在不同感知范圍、方式上進行融合，以提高單一傳感器的感知精度、范圍和準確度。

船舶內部設備方面，主要包含船舶機艙內主機、主軸、舵槳等設備運行信息的感知獲取，一般通過在關鍵位置安裝溫度、壓力、轉速等傳感器來進行狀態的實時監測，以滿足控制反饋、故障診斷等需求。特別地，對貨運船舶（尤其是危險品船）而言，貨艙狀態和貨物狀態的實時感知也十分重要，目前主要采用遠程監控和壓力、液位等傳感器結合方式進行狀態感知和監控。

船舶自身運動狀態主要包含前進、橫移、首搖等方向上的位置角度和速度狀態，一般通過高精度GPS/GNSS/北斗設備、羅經/慣導等設備獲取的經緯度、航速、航向以及船首向等進行解算。其中，GPS和慣導所獲取的運動信息可進行相互融合形成組合導航，以減小慣導的累積誤差，并提高定位實時性。

船舶的外部航行環境感知是智能航行的重要環節，目前主要以海事雷達、視覺傳感器、電子海圖、AIS（automatic identification system）等為主，輔以激光雷達、RFID、水下聲吶以及超聲波距離傳感器等感知設備來對其他船舶及水面障礙、岸線、水深等信息進行感知。在早期的研究中，雷達和AIS是較常使用的感知手段，大部分具備ARPA功能的雷達可以跟蹤一定數量目標船的運動狀態，并得到相對方位、速度以及最近會遇距離（distance close to the point approach, DCPA）、最近會遇時間（time close to the point approach,TCPA）等信息。由于AIS感知的有源特性，常被用于與雷達信息進行融合，以減小雷達目標的虛警率。

圖9 汽渡輔助駕駛系統

圖10 無人自主航行貨船“筋斗云”號

近年來，隨著圖像識別與深度學習技術的發展，基于視覺傳感器的船舶目標識別與跟蹤成為目前研究的一大熱點。卷積神經網絡CNN及其相關衍生網絡和算法（R-CNN、Fast R-CNN、YOLO系列算法等）的出現，大大提高了圖像識別的準確性和實時性，使得船舶目標圖像識別的實際應用成為可能。

2、運動控制

得益于現代控制理論的發展，對船舶運動控制的研究已趨于成熟，主要包含船舶運動建模和自動導航（如航向控制、路徑跟蹤）問題兩大類。

（1）運動建模

目前廣泛使用的船舶運動模型主要分為分離型模型、整體型模型和響應型模型三類。分離型模型將裸船體、舵和槳分開進行單獨受力分析；整體型模型則將三者作為一個受力整體，通過級數展開來獲得各個水動力導數；響應型模型可看作整體型模型的簡化，主要描述船舶轉首運動對操舵響應的關系。

整體型模型和響應型模型結構簡單，多使用系統辯識方法來進行參數確定。在20世紀70年代，KJ.Astrom等就針對水下運載器的一階響應模型進行了參數辨識。此后，極大似然法、卡爾曼估計濾波以及最小二乘等方法逐漸被應用在船舶運動建模中。到2000年之后，神經網絡、支持向量機、群智能算法等開始被廣泛關注。近年來，分離型模型由于建模方式靈活、水動力參數意義明確等優點，被應用在一系列復雜船型中。

隨著自主船舶的多樣化，航行條件的復雜化，常規低頻操舵下的運動建模研究難以適應自主船舶運動控制的需求。從不同船型、不同航態下的動態特性中找出影響船舶操縱運動的因素和變化規律，并對操縱性指數作出建模和預報，是目前智能船舶運動建模研究的一個方向。基于此，針對智能船舶在較高頻操舵和變化航速下的自動控制需求，對更復雜的水動力模型進行精確建模和預報是未來智能船舶操縱性建模研究的發展趨勢。

（2）自動導航

船舶自動導航研究依賴于控制理論的發展和應用。隨著GPS/GNSS、北斗等全球導航系統以及差分定位技術的成熟和普及，智能船舶的精確導航已成為可能。在船舶導航研究中，航向控制和路徑跟蹤是最基本的導航問題，相關方法從最早的PID算法逐步發展到了滑模控制、最優控制、模型預測控制和人工智能等復雜算法。

在基于模型的控制方法中，模型預測控制（model predictive control，MPC）具有顯示處理約束、滾動優化和實時反饋的能力，成為船舶自動導航的常用控制方法。此外，外界環境干擾和系統擾動是精確跟蹤控制的一大難點，需要引入狀態觀測器和自抗擾控制等技術對擾動進行抑制處理。

相比較普通船舶而言，智能船舶對于自動導航控制算法的魯棒性和自適應性要求較高，未來智能船舶的自動導航需要研究更為通用和精確的控制算法。

3、避碰決策

在船舶的航行過程中，在航線范圍內出現來船或其他障礙時，進行及時有效的自動避碰決策是船舶航行安全的重要保障。目前所研究的方法包含以A*、人工勢場APF為代表的路徑規劃方法、基于規則的決策方法和專家系統、神經網絡、模糊控制、群智能優化、深度學習和強化學習等優化理論與方法。

A*和APF路徑規劃方法原理較為簡單，易于實現，但原始算法存在局部極值、效率較低等問題，一般需要進行一些改進性研究。如當柵格地圖較為復雜或地圖較大時，通過分層規劃策略來改進A*的搜索效率；當APF因為步長選擇不當、或斥引力共線等情況下陷入局部極值時，可通過修改斥力場函數、來跳出局部極值問題。此外，極限環方法（Limited Cycle Method,LCM）也是一種與APF類似的虛擬勢場方法，通過一個圍繞障礙物的對相鄰點具有吸引力的極限環來得到收斂在環上的路徑。一般地，路徑規劃方法對船舶操縱性考慮不多，較適用于靜態或相對本船速度較小的障礙物，在多船會遇或來船速度較大時效果欠佳。

基于規則的方法則一般通過綜合考慮《國際海上避碰規則》、船舶的操縱特性、專家的開船經驗等來進行規則設定，然后基于規則并結合神經網絡、專家系統、模糊邏輯等算法進行推理，給出轉向、加減速等決策建議。這類算法在兩船會遇中易于實現，但在處理多船復雜態勢中需要仔細考慮規則的適用性。

專家系統方法通過借鑒航海領域內的專家經驗和航行規則來解決避碰問題。以典型基于AIS的專家系統為例，通過使用AIS信息作為專家系統的數據庫，使用船長開船經驗和避碰規則作為推理機中的部分規則進行避碰模擬，最后得到避碰方案。

隨著模糊數學、模型預測控制（model predictive control, MPC）、神經網絡、速度障礙法（velocity obstacle, VO）、進化算法、隨機搜索算法、深度學習、強化學習（reinforcement learning, RL）等優化算法的逐漸發展和應用，綜合考慮船舶運動模型、最近會遇距離DCPA、最近會遇時間TCPA和航行規則等因素進行實時船舶避碰研究成為智能航行避碰決策的發展趨勢和主要方向。這類方法通過在預先計算得到的無碰撞區域內進行優化，或直接在優化目標中考慮碰撞約束來實現動作的實時決策。其中，隨機搜索算法和強化學習RL這類模型無關的方法近年來開始受到學者的廣泛關注。

隨機搜索算法不需要待優化對象的顯式梯度信息，使用隨機搜索策略和給定的適應度函數進行尋優，以蟻群算法（ant colony optimization,ACO）和粒子群算法（particle swarm optimization, PSO）應用最為廣泛。其適應度函數一般以與障礙物距離或碰撞危險度等為安全適應度，以總路徑長度、轉向角度等為經濟適應度來進行構建。鑒于PSO結構簡潔，易于與不同的算法進行結合，由此改進而取得的一系列算法（包括雙種群PSO、小生境PSO、混沌PSO、元胞PSO等）均在船舶避碰中得到了廣泛應用。

強化學習RL方法通過自身模型所搭建的訓練環境來考慮模型特性，可將避碰的約束加入回報函數中，最終通過對策略網絡的不斷更新，學習到滿足避讓要求的即時策略，但同時需要長時間的預先訓練過程。此外，強化學習方法需要選擇合適的狀態—動作空間和回報函數，否則會產生策略難以收斂、計算復雜度較高等問題，增加時間代價。目前，傳統Q-learning和深度Q網絡、DDPG等深度強化學習方法在船舶避碰領域均有應用，已取得了初步成果。

4、測試驗證

在智能航行技術研究方面，目前國內外相關機構和學者已經在理論方法上取得了豐富的成果。但隨著智能算法復雜程度不斷提升，其應用于實船中進行航行和避碰試驗的難度和風險逐漸增大。根據《智能船舶規范》，船舶自動避碰能力是智能航行系統的關鍵，有必要結合海上避碰規則和實際場景進行船舶避碰性能的系統性測試與驗證，形成可靠的評價指標體系。以下以船舶避碰測試技術為例，分析在測試驗證中的一些要點和指標要求。

（1）會遇局面分析

實際兩船的會遇場景在國際海上避碰規則中被定義為對遇、追越以及交叉相遇三大類。其中，對遇局面以及追越局面（被追越）的定義較為清晰。一般認為對遇指當一船看見他船在正前方或接近正前方的情形。追越為一船正從他船正橫后大于22.5°的某一方向趕上他船時，即該船對其所追越的船所處的位置。剩余的會遇態勢則用交叉相遇來概括，如下圖所示。

圖11 不同會遇態勢

考慮到在不同的會遇態勢下，不同相對距離的兩船之間形成的碰撞危險不盡相同。原則上，應在碰撞危險局面、緊迫局面和緊迫危險局面下分別考慮對不同會遇態勢的兩船進行避碰測試。

①碰撞危險局面

當本船為直航船時，在考慮規則和最終避碰目的前提下，在碰撞危險局面下本船應為直航船，需要保向保速；當相對位置接近到緊迫局面或緊迫危險時，本船不免除避讓義務。當本船為讓路船時，無論兩船之間處于何種局面，本船應采用必要的措施以最小化碰撞危險，避免發生事故。此外，能見度和海況對避碰建議也具有一定影響。能見度和海況不佳時，形成會遇局面的兩船均具備避讓義務。此時規則只對原則性行為進行規定，如應盡可能避免除對被追越船外，“對正橫前的船舶采取向左轉向”，“對正橫或正橫后的船舶采取朝著它轉向”行為。一般地，此時本船行動的初始條件基于他船保速保向來進行決定，但不排除他船采取非正常行為時的會遇場景。

②緊迫局面

兩船處于緊迫局面時，本船在所有情形下均需要采取必要的避讓行為。此時無需區分直航船與讓路船。此外，能見度、海況情況，以及他船行為合理性均需要進行考慮。

③緊迫危險

在緊迫危險下，兩船之間的避讓責任與緊迫局面相同。由于在該階段，單靠本船行動已經難以避免碰撞，一般需要兩船采取協調行為以最小化碰撞危險，但在測試時仍需要考慮他船不協調避讓的情形。

圖12 避碰指標體系

綜合來看，會遇局面（危險、緊迫、緊迫危險）、能見度與海況、他船行為合理性等均是在船舶避碰測試中需要考慮的因素，在測試過程中需要根據這些因素組合得到合適的測試場景。

（2）測試指標體系

船舶避碰問題是典型的不確定性問題，即通過有限場景和已知干擾環境下的實船或仿真測試也無法完全確定船舶是否能成功避讓一定條件下的所有來船。因此，目前船舶避碰指標的研究基本采取定性功能指標和定量性能指標綜合進行判定的方法，并結合專家經驗給出避碰能力的大致描述。

上圖所示為避碰測試指標體系的示意圖。在定性指標中，規則符合性、會遇態勢判斷準確性、避讓及時性、以及是否避讓成功（根據DCPA、相對距離等來進行判斷）等均是需要考慮的因素；而在定量指標中，則需要對實際兩船距離、航向角曲線、舵角曲線、繞路距離、油耗曲線等的統計結果（如最小相對距離、平均油耗）進行計算，最后通過專家打分或設定權重方式得到最終避讓能力的評判指標。

船舶智能航行是船舶邁向自主化的關鍵技術內容。目前，國內外在智能航行方面的理論方法研究已經較為成熟，但針對不同算法和模型的測試研究尚未形成統一的指標體系。鑒于實際智能船舶的完全自主化和無人化還需要較長一段時間，未來還需要針對復雜條件下船舶的自動避碰、自動靠離泊、遠程駕駛等的相關測試技術、測試方法進行深入研究，并制定完整的船舶智能航行測試以及評估方案，保障船舶智能航行的安全性和可靠性。