智能船艇測試場建設、運營實踐與思考

上海交通大學 王鴻東 黃 一 閆昭琨

伴隨著人工智能技術與海洋裝備領域的深度融合，以無人艇為代表的智能船艇迎來前所未有的發展機遇，逐漸成為未來海上作業的有生力量。智能船艇的關鍵技術根據不同的劃分方式，可形成多種體系。縱觀國內外學者論述，通常劃分為智能系統、平臺總體、任務載荷和綜合保障四個技術群。其中，智能系統技術水平是船艇遂行任務，發揮效能的關鍵。

表 智能船艇測試驗證方法

圍繞智能系統的關鍵技術需求，國內外學者在信息感知、規劃決策、運動控制以及集群協同等方面，開展了大量卓有成效的理論研究工作，并開發了多種型號的產品投入工程應用。在實踐探索中，人們意識到：智能船艇所處實海域環境的多物理場，構成了一個復雜的隨機環境系統，對船艇的自主能力產生較大影響。不同于傳統人機交互操控的艦船，智能船艇是典型的軟件密集系統，需要通過大量感知信息、認知經驗和運行狀態數據，驗證智能功能，并持續迭代算法參數與架構，實現系統自主能力的持續提升。因此，智能船艇在技術預研、樣機試制、交付驗收等階段的測試驗證技術，是我國船檢機構與軍事部門亟需構建的新型能力。

近年來，美國、挪威、芬蘭及我國相繼啟動了智能船艇測試場的建設工作，但智能船艇的測試驗證技術以及測試數據使用方法研究，尚處于起步階段。

智能船艇測試驗證方法

針對智能船艇的技術特點，上海交通大學海洋智能裝備與系統教育部重點實驗室提出智能船艇測試驗證方法：構建模型在環測試、軟件在環測試、硬件在環測試、實船驗證環節，通過真實件與仿真件之間的逐一替換，逐步完成船艇的測試驗證工作。

1、模型在環（Model in the Loop, MIL）

模型在環測試主要服務于新控制算法策略的探索開發，主要參與對象一般為企業新技術的研發人員或學術機構研究人員。除了數理層面上的推導分析外，模型驅動的開發及仿真環境主要有MATLAB/Simulink、C/C++、Python等，主要為動態腳本語言，開展白盒測試便于遇到問題時快速進行修改。當然，MIL測試的前提是要有被控對象模型，如描述船艇操縱運動的Abkowitz方程或MMG方程。

2、軟件在環（Software in the Loop, SIL）

船艇智能系統軟件開發人員將經過模型在環測試的策略算法/軟件，使用C/C++等編譯型語言進行轉換開發，得到鏈接庫或可執行文件形式、命令行或圖形交互界面的軟件后，輔以合適的軟件配置參數，即可進行軟件在環測試。軟件在環測試采用黑盒測試，主要驗證的是控制器的模型與代碼實現之間的一致性。通過使用基于數據驅動的驗證平臺，可以通過靈活設立邊界條件、加大運算負荷、提升計算精度、限制計算資源等方式及早發現控制器算法和代碼實現中存在的隱患，進一步檢驗極端參數環境下控制器算法及應用軟件的可靠性及優越性。該環節的典型測試對象有：避碰算法軟件、感知信息多元融合處理軟件、自動舵控制軟件等。

3、硬件在環（Hardware in the Loop, HIL）

硬件在環測試，又稱半實物測試，是將船艇智能系統中需要測試的部分硬件直接置于仿真回路中的測試系統，它不僅彌補了純數字仿真中相關硬件仿真模塊精度較低等缺陷，提高了整個測試系統的置信度，而且可以大大減輕編程的工作量。測試時，基于物理數據環境或試驗臺環境的驗證平臺與實際硬件通過各種信息通道相連，共同完成測試仿真工作，并將測試仿真結果在電腦中進行分析，從而判斷硬件的運行情況。應用硬件在環測試使仿真條件更接近于實際情況，更能正確地對設計出的硬件系統性能進行檢驗和調試，有利于開發新型硬件系統和算法，減少現場調試次數。該環節的典型測試對象有：嵌入式工控機、光電跟蹤設備與計算顯卡等。

4、實船驗證（Sea Test, ST）

復雜海洋環境將對智能船艇效能產生較大影響。例如，在我國首次實海況下智能船艇競賽2019“海上爭鋒”中國智能船艇挑戰賽中，參賽船艇出現了諸如因水面反光導致目標檢測虛警、波浪抨擊導致跟蹤目標頻繁丟失、甲板上浪導致光學識別失效等智能算法應用問題，導致任務失敗。因此，船艇智能系統即使通過了模型在環、軟件在環及硬件在環測試，在投入工程應用前，實船驗證環節不可或缺。該環節由裝備采購部門或無人艇總體集成單位提出請求，由具有測試服務資質的第三方機構，依據智能船艇任務需求在實海域測試場中構建任務場景，開展完備的系統兼容測試驗證。

船艇智能系統測試驗證平臺設計

基于智能船艇測試驗證方法，研究團隊設計提出一種船艇智能系統測試驗證平臺架構，平臺由“數據驅動的算法功能測試平臺”和“實物/半實物功能測試平臺”兩大子平臺共同構成（如圖1所示）。

圖1 船艇智能系統測試驗證平臺架構

其中，“數據驅動的算法功能測試平臺”用于模型在環與軟件在環階段，開展船艇智能系統的虛擬仿真測試驗證。該平臺利用船艇運動學與動力學模型、任務區域風浪流模型、模擬任務場景等先驗數據信息開展智能功能測試工作，彌補實際硬件、軟件的信息不足。平臺通過仿真的方式，對船艇智能系統的功能關系、控制邏輯關系、輸入/輸出參數、數據流進行需求確認，對智能系統進行可行性分析、驗證，對船艇決策流及信號流進行優化，快速檢驗船艇智能系統功能。

“實物/半實物功能測試平臺”用于硬件在環與實船驗證階段，依托專業化實海域測試場及試驗支持母船開展測試驗證。在硬件在環的半實物測試中，待測試的控制單元硬件通過虛擬網絡總線，連接到虛擬的仿真環境中來測試核心算法的可行性和控制器的有效性。在實船實海域測試中，測試機構需將裝備的任務目標要求，最大程度解耦、量化成可供對比分析的測試指標，其中，既有智能船艇作為海上移動平臺的共性指標，又有智能船艇依靠載荷執行任務的個性指標。在此基礎上，設計相應的測試科目，構建測試場景，實現基于任務的智能船艇綜合測試驗證。

智能船艇測試場建設與運營

2018年3月起，研究團隊在山東日照開展了測試場建設與運營探索，并于2019年9月，獲頒中國船級社無人艇測試服務供方資格認可證書。測試場現擁有600公頃專屬試驗水域及40000公頃合作試驗水域，平均水深大于15米。測試場建有由GPS與基站電臺組成（可接收北斗衛星數據）DGPS基站，配備高增益天線，可覆蓋半徑10km、角度90度的扇形地理區域，實現精度10厘米的亞米級海上精確定位。基于研究團隊自主開發的船載數據采集裁判終端和基于時序數據庫的信息管理系統，測試場能滿足各種復雜測試科目設定下的智能船艇功能調試、性能測試、智能演進需求，并先后為“同方佰宜鴻聲”無人艇、“JARI-USV”無人艇等提供測試驗證服務。

圖2 “同方佰宜鴻聲”無人艇測試場景

秉承“以賽促建、快速迭代”的理念，研究團隊自2019年起，每年與中國造船工程學會、中國船級社等單位聯合主辦“海上爭鋒”中國智能船艇挑戰賽，通過設計科學化科目，開發標準化測試平臺，吸引船海工程、航海技術、自動控制等多學科領域的行業專家、高校師生利用測試場開展智能船艇研發工作，促進測試驗證平臺建設。

針對智能船艇感知算法研發需求，研究團隊開發云算力測試平臺，提供船艇海試過程中真實環境下錄制的水面實景視頻片段數據集，要求檢測出最后畫面中所有的不同海洋結構物（包括海岸、障礙物）的位置及置信度，考察船艇在復雜海洋環境下檢測不同海上小目標的能力。

圖3 “海上爭鋒”2020中國智能船艇挑戰賽部分競賽畫面

針對智能船艇避碰算法研發需求，研究團隊與中國船級社聯合開發基于船艇KT模型、MMG模型的在線測試平臺，聚焦智能船艇海上自主避讓機動船舶算法，考察高精度仿真環境下船艇的自主避碰功能。在測試海域范圍（開闊水域，除船舶外無其余海上礙航物）為20海里*20海里的矩形區域內，設計了目標船數目為一至兩條的不同典型會遇場景。被測算法可依照接收到的船舶的總長度、最大寬度等靜態參數以及以固定頻率分發的船舶位置、航速、航向等動態信息，在遵守《國際海上避碰規則》的要求下，在合適的時機發出相應的避碰決策及操縱指令。

智能船艇測試場發展建議

“智能”船艇與傳統“自動”船艇的關鍵區別在于，能否利用測試數據實現自主學習優化，即“智能演進”。因此，智能船艇測試場不僅是服務于智能功能驗證需求的“測試場”，更應該是服務于智能系統開發需求的“訓練場”。基于上述實踐探索，研究團隊認為，我國各測試場應在中國船級社的指導下，建立技術交流機制，設立智能船艇測試驗證技術專家委員會（以下簡稱“委員會”），并提出發展建議如下：

一是打造標準數據模型，協同各測試場開展數據生產。相比于無人機、無人車的測試開發，智能船艇實海域試驗成本高昂，且存在環境標定困難與樣本數據量小等特殊問題。為高效獲取“數據原料”，委員會應推出若干標準船型，實現實船、縮比模型船、虛擬船的對象統一，便于智能系統的算法遷移與多工況功能驗證，發揮數據時代“1+1>2”的協同效應。

二是建立數據運營體系，促進各測試場做好數據服務。當前條件下，測試場的智能功能驗證業務收入遠不能覆蓋其運營成本，還需結合智能系統開發需求，提供以數據采集、管理、利用為核心的測試開發一體化服務。為促進基于測試場的智能船艇研發生態形成，委員會應面向工程與學術需求，建立數據運營體系，并從數據質量、數據使用、數據引用等方面，對測試場運營狀況進行評價。

三是創新數據共享平臺，依托各測試場助力人才培養。海洋裝備的智能化轉型發展，對傳統船海學科人才的知識結構提出了巨大挑戰。通過創辦“海上爭鋒”中國智能船艇挑戰賽，測試場成為“練兵場”，多學科人才跨界互動的局面初現。為促進航運業、造船業在新時期的蓬勃發展，委員會應通過挑戰賽、揭榜掛帥、任務眾包等形式，推動測試場共享部分數據，降低交叉創新門檻，助力行業創新型人才培養。