人工智能技術在船舶領域中的應用綜述?

殷 虎曹 旭

（1.海裝駐武漢地區(qū)第三軍事代表室 武漢 430205）（2.武漢第二船舶設計研究所 武漢 430205）

1 引言

船舶在航行過程中會面臨多元場景下的決策與控制，航行過程中電力系統(tǒng)、動力系統(tǒng)、導航系統(tǒng)、通信系統(tǒng)等產生的海量數(shù)據(jù)包含著船舶很多的特征信息，對于船員來說人工提取這些特征信息難度過大，人工智能技術可以實現(xiàn)船舶的智能化決策與控制。人工智能算法通過對這些數(shù)據(jù)中包含的信息進行挖掘和分析，從而優(yōu)化決策過程。從保證船舶運行安全性的角度來說，人工智能技術可以優(yōu)化船舶結構設計提高船舶的抗風浪等級，在航行過程中可以依靠人工智能技術和自動識別系統(tǒng)（AIS）數(shù)據(jù)檢測出行為異常的船只并對其路徑進行預測，同時結合自身船舶的運動特性規(guī)劃出避障路線。從航行經濟性的角度來說，人工智能技術既可以對時變的船舶動力系統(tǒng)建模以優(yōu)化能源消耗，也可以根據(jù)當前的海況、吃水等情況優(yōu)化船舶操作以降低船舶的航行成本。

2 人工智能技術在船舶路徑規(guī)劃中的應用

船舶的運動規(guī)劃問題可以形式化為多約束下的多目標優(yōu)化問題，且動態(tài)環(huán)境下的路徑搜索是典型的NP難問題，船舶運動規(guī)劃的多約束性質主要表現(xiàn)是進行規(guī)劃時，需要同時考慮船舶自身的機動約束（最小轉彎半徑、最大/小加速度、最大爬升角度等）、環(huán)境約束（動/靜態(tài)障礙物）、任務約束（如必經航點、時間約束等）、海洋水文環(huán)境（內波、躍層、透明度等）等約束條件，需要根據(jù)應用場景分析必要約束將其進一步以等式/不等式約束或懲罰項等數(shù)學形式進行表達。多目標性質主要體現(xiàn)是進行規(guī)劃時需要根據(jù)任務需求等選擇多種合理的優(yōu)化目標，如路徑最短、時間成本最小、隱蔽性最高、路徑平滑度最好、轉彎次數(shù)最少、深度變化頻率最低等，然后將選擇好的優(yōu)化目標用合適的變量進行衡量，設計出抽象化的優(yōu)化目標函數(shù)。通過約束條件和優(yōu)化目標的數(shù)學化，將路徑規(guī)劃問題抽象成了一個多約束條件下的多目標優(yōu)化問題。目前，解決此類問題的人工智能算法包括智能優(yōu)化算法、深度學習算法、強化學習算法、遷移學習算法以及其他智能算法。

2.1 智能優(yōu)化算法

船舶路徑規(guī)劃這類多約束條件下的多目標優(yōu)化問題的求解是建立在規(guī)劃空間柵格化的基礎上的，即對規(guī)劃可行區(qū)間進行等柵格劃分，以柵格離散點作為路徑點集的可選集合。求解時主要包括兩種思路，一種是直接求解多目標優(yōu)化問題，最終的可行路徑以Pareto解集的形式給出，然后根據(jù)一定的規(guī)則選取最適合當前場景的路徑。另一種思路是將多目標優(yōu)化問題根據(jù)各種優(yōu)化目標的重要程度給以不同的權重，然后對各目標數(shù)值歸一化后結合權值轉化為單目標優(yōu)化問題進行求解，加權方式一般有乘和形式和指積形式兩種。對于后者中的加權系數(shù)的設置可以選擇事先利用仿真手段針對不同場景進行離線設置在線選擇的策略，也可以根據(jù)專家知識設計相應的推理系統(tǒng)結合環(huán)境態(tài)勢與任務需求等先決條件推理出相應的系數(shù)組合。

傳統(tǒng)的優(yōu)化算法難以應對這種時空復雜度高、不確定性大、約束性強、優(yōu)化目標多的問題，而基于生物啟發(fā)的智能優(yōu)化算法為上述問題的求解提供了新思路。典型的智能優(yōu)化算法如圖1所示，主要包括進化計算、群體智能、仿人智能、物理現(xiàn)象模擬等幾大類。其中應用較多的算法主要有遺傳算法、蟻群算法、粒子群算法等。

以蟻群算法為例，在三維水下環(huán)境中的規(guī)劃結果如圖2所示，圖3給出了在優(yōu)化迭代過程（即路徑搜索過程）最佳個體適應度（即優(yōu)化目標函數(shù)值）的變化趨勢。

圖2 蟻群路徑規(guī)劃路線

圖3 最佳個體適應度變化曲線

基于模糊推理的方法也有廣泛的應用。Perera提出了一種結合國際海事組織規(guī)則和避碰規(guī)則的模糊邏輯決策系統(tǒng)，并將該系統(tǒng)用于航行過程中的避障控制［2］。Pietrzykowski提出了一種基于模糊邏輯的航行決策方法，用于保證船舶在航行中能夠有效避障［3］。Chien-Min采用 Visual studio軟件生成國際航行避碰規(guī)則知識庫，并提出了一種模糊監(jiān)測系統(tǒng)用于航行中的避障控制，在需要避障的時候該系統(tǒng)會直接給出一個優(yōu)化舵角以控制船舶避開障礙物［4］。Perera提出了一種船舶防碰撞系統(tǒng)，該系統(tǒng)中的決策/行動過程由一個基于模糊邏輯的并行決策（PDM）模塊組成，該模塊的決策由一個基于貝葉斯網絡的模塊制定連續(xù)的行動，這些決策以順序動作執(zhí)行，可以解決存在多艘目標船舶下的避障問題［5］。

智能優(yōu)化算法可以有效地解決復雜水下環(huán)境中的路徑搜索問題，但是也存在收斂速度慢、易陷入局部最小值等問題。針對前者針對性的算法改進可以一定程度地加快算法收斂速度，且在離線規(guī)劃中這種速度較慢的收斂性能也是可以接受的。而從實際應用的角度來看，局部極小值問題并不會對船舶的航行過程造成十分嚴重的影響，對于航行問題而言，局部最優(yōu)路徑也是可以接受的，因為其路徑搜索主要目標并不是實現(xiàn)某項性能指標的絕對最優(yōu)，而是可以在盡可能地保證該項性能指標最優(yōu)/次優(yōu)的前提下完成一次航行任務。總之，智能優(yōu)化算法在實際的水下三維環(huán)境中的路徑搜索問題中有很大的應用潛力。

2.2 深度學習算法

近年來，深度學習相關研究與應用十分火熱，相較于傳統(tǒng)的機器學習方法最大的優(yōu)勢在于能夠根據(jù)數(shù)據(jù)自主地對特征進行學習與提取。在運動規(guī)劃中涉及環(huán)境等要素的特征提取問題，因此深度學習在其中的應用優(yōu)勢是顯而易見的。深度學習中的端到端模式在處理運動規(guī)劃問題時，算法直接處理傳感器采集到的環(huán)境信息，進一步生成執(zhí)行空間的動作，跳過了三維重建、SLAM等步驟，極大地簡化了自主航行架構的設計［6］。

為了實現(xiàn)船舶異常行為預警，Perera利用神經網絡提出了一種基于AIS實時數(shù)據(jù)和歷史數(shù)據(jù)的無監(jiān)督學習方法［7］。Vespe提出了一種無監(jiān)督和增量學習的方法用來檢測船舶的動作模式，為更上一層的決策行為提供信息［8］。針對AIS數(shù)據(jù)量大的問題，Douglas-Peucker（DP）算法可以用來壓縮AIS數(shù)據(jù)，提取ASI信息中的路徑特征值［9～10］。Xinli提出了一種本體模型對交通場景進行建模，通過隱馬爾可夫模型對駕駛行為進行學習，該方法可以有效地結合先驗知識并能夠適應不同的交通場景［11］。針對路徑預測的問題，張樹凱提出了一種基于大數(shù)據(jù)驅動的海上航路推斷方法［12］。Yuanqiao提出了一種結合DBSCAN和神經網絡的方法，該方法可以處理海量的AIS數(shù)據(jù)并自動生成航跡［13］。文獻［14］設計了基于蟻群算法的靜態(tài)規(guī)劃算法和面向典型場景的動態(tài)規(guī)劃策略作為教師系統(tǒng)，以前置聲吶的探測結果為輸入、以UUV航行角度、速度為輸出，構建了含有用于網絡訓練的84350份學習數(shù)據(jù)的樣本集。由于RNN在序列信息處理方面的優(yōu)越性，設計了181維輸入、2維輸出的LSTM-RNN網絡用于上述樣本的訓練，通過教師系統(tǒng)中的規(guī)劃結果對網絡進行訓練，以此使得構建的深度網絡具有實時在線的規(guī)劃能力。

2.3 強化學習算法

船舶的實時在線運動規(guī)劃問題可以形式化為一個決策問題［15］，即根據(jù)傳感器或者外部信息確定的當前環(huán)境、自身狀態(tài)來決定下一時刻船舶的系列動作。另一方面如前所述，面對未知環(huán)境時船舶很少有與環(huán)境相關的先驗知識，水下的運動規(guī)劃問題有很強的不確定性，因而要求其具有較強的對這種不確定性的自適應能力，能夠借助傳感器實時感知信息進行在線規(guī)劃。強化學習為這類問題的求解提供了思路。

強化學習是讓智能體與所處的環(huán)境不停地進行交互與試錯，通過不斷地積累經驗，最終使智能體選擇獎勵最大值對應的動作去執(zhí)行任務，圖4為強化學習的基本原理框圖［16］。

圖4 強化學習原理

在強化學習運動規(guī)劃系統(tǒng)中，策略、價值函數(shù)、獎勵函數(shù)、環(huán)境模型是其組成部分，策略表征了從狀態(tài)和動作間的映射關系，價值函數(shù)表示從當前狀態(tài)轉移至目標狀態(tài)過程中累積回報的數(shù)學期望，獎勵函數(shù)是環(huán)境所反饋的強化信號，用來評價動作策略的好壞。

根據(jù)環(huán)境轉移概率將基本強化學習方法分為基于模型和無模型的強化學習兩類（如圖5所示），前者可以通過求解Bellman方程來直接求解，狀態(tài)轉移概率和回報函數(shù)模型未知時，需要自主學習訓練獲取最大獎勵。基于模型算法中的動態(tài)規(guī)劃算法和時間差分方法中的Q-learning算法是典型的強化學習方法［17］。

圖5 基本強化學習算法分類

文獻［16］中考慮到與目標點的距離和碰撞判斷設計了獎勵函數(shù)，將船舶運動進行了簡化，分為八種運動狀態(tài)，采用貪心算法作為動作選擇策略設計了基于強化學習的運動規(guī)劃算法，通過1600多次的迭代學習取得了穩(wěn)定的規(guī)劃結果。基于同樣的思想，文獻［17］提出了引入具有記憶功能的記憶跡的改進Q-learning算法QMT算法和基于Sarsa算法的改進的同步策略SMT算法，并將其應用于單智能體和雙智能體中，在仿真環(huán)境中取得了令人滿意的結果。Haiqing結合船員駕駛經驗，國際避碰規(guī)則和船舶操縱性提出了一種基于強化學習理論的避障控制算法，并用三條船模驗證了算法的有效性［18］。Guo將deep deterministic policy gradient方法和人工勢場方法相結合應用于船舶路徑規(guī)劃，該方法在利用AIS數(shù)據(jù)訓練并可以有效處理航行規(guī)則下的位置環(huán)境路徑規(guī)劃問題［19］。

2.4 遷移學習

基于深度/強化學習的規(guī)劃算法可以通過模型的學習有效解決某些特定場景下的運動規(guī)劃問題，但是由于水下的動態(tài)復雜環(huán)境與船舶任務的多樣性，船舶面對的場景是多種多樣的，事先詳盡的對水下應用場景進行枚舉與數(shù)據(jù)的采集的工作是難以完成的。同時由于模型訓練時間成本較高，為每一種場景都設計特定的模型進行訓練是不切實際的，而在特定場景中訓練得到的模型往往難以直接應用到特征差異比較顯著的場景中，輸出的控制指令會較大概率的導致事故的發(fā)生。但是，從人類自身的角度出發(fā)，在實際駕駛時并不需要對每種場景都進行行為學習/訓練，更多的是“舉一反三”，即抓住新場景中的主要特征信息與特定場景之間的相似性，結合先驗知識或駕駛經驗從而實現(xiàn)新場景下的運動規(guī)劃。

圖6 遷移學習基本原理

圖7所示為一種基于對抗判別網絡的避障算法的算法框架［6］，其中強化學習算法部分以深度圖作為輸入，由三層卷積神經網絡（CNN）進行特征提取，五層全連接層根據(jù)CNN提取出的特征信息進行決策，輸出定義的相關動作的Q值。從源域到目標域所遷移的知識具體指的就是源域的決策網絡部分，關鍵問題就是如何通過調整目標域的CNN參數(shù)以適應源域的決策網絡。算法框架中涉及的生成對抗網絡（GAN）采用的是“零和博弈”的思想，即生成器要通過噪聲模擬生成盡可能相似于原始數(shù)據(jù)分布的數(shù)據(jù)，增加判別器的誤差，而判別器則盡可能地減少這種誤差。基于對抗判別網絡的方法主要是通過特征提取網絡分別提取源域和目標域的特征，并且用判別器來判別特征的所在域，通過判別器的輸出來學習目標域的特征提取網絡，以此縮小目標域和源域特征空間的距離，以實現(xiàn)復用源域的決策部分網絡完成目標域相關任務的目的。最后分別在ROS/Gazebo仿真環(huán)境下和無人機平臺中進行了算法驗證，實驗證明在保證避障成功率的同時遷移學習的引入將網絡訓練時間縮短了40多倍。

圖7 基于對抗判別網絡的避障算法的算法框架

2.5 其他智能算法

在船舶的智能化實現(xiàn)時，需要根據(jù)多模態(tài)感知信息進一步提取出有效信息以進行合理的決策規(guī)劃及控制，關于傳感器的種類及配置方案沒有唯一解，這給實際的系統(tǒng)部署帶來挑戰(zhàn)。李德毅院士團隊針對無人車自動駕駛平臺設計了以“駕駛腦”為核心的技術架構［20］，降低了傳感器數(shù)量、類型、安裝位置的變化對整個架構的影響，保證了智能決策與感知（傳感器）模塊之間的低耦合，使得基于以駕駛腦為核心的技術架構可以在不同傳感器配置的智能駕駛車輛平臺上進行移植。

自主化、智能化的水下潛器是無人系統(tǒng)的典型代表。如前所述，無人系統(tǒng)需要實時在線進行動態(tài)的目標檢測、跟蹤、語音指令識別、多模態(tài)信息融合、優(yōu)化決策、軌跡規(guī)劃、運動控制等一系列復雜行為，企圖通過一種通用的算法或模型有效地解決問題是不切實際的。清華大學研究團隊以自動駕駛自行車為對象，提出了用于圖像處理與目標檢測的卷積神經網絡（CNN）、用于語音命令識別的脈沖神經網絡（SNN）、用于目標跟蹤的連續(xù)吸引子神經網絡（CANN）、用于姿態(tài)平衡與方向保持的多層感知器（MLP）、用于網絡集成與決策的基于SNN的神經狀態(tài)機等通用人工智能（AGI）算法解決方案，其可分為以人工神經網絡（ANN）為代表的面向計算機科學的機器學習算法和以脈沖神經網絡（SNN）為代表的面向神經科學的生物啟發(fā)式算法兩大類［21］。

這兩類算法是AGI的主要實現(xiàn)方式，其在神經元結構上有一定的相似性，但是在具體的信息表示、計算思想、記憶組織等方面存在較大差異，因而其硬件實現(xiàn)方式是截然不同的，但是前述無人系統(tǒng)對實現(xiàn)方式提出了新的需求。基于對AGI系統(tǒng)需求深入分析的基礎上，清華大學研究團隊提出了“天機芯”架構，采用眾核（many-core）、可重構、能夠混合編碼的流水線數(shù)據(jù)流技術，打通了ANN與SNN之間的界限，在單一芯片中實現(xiàn)了多種異構神經網絡的跨范式并行協(xié)同運算，保證了其間的無縫通信。

3 人工智能技術在船舶運動控制中的應用

隨著智能技術的發(fā)展，無人化是船舶未來發(fā)展的趨勢。作為船舶航行的直接控制環(huán)節(jié)，自主操縱系統(tǒng)是實現(xiàn)船舶智能航行的基石，是船舶自主航行上層算法高效執(zhí)行的保障。船舶自主操縱控制器的設計有很多特有的難點。船舶自主操縱系統(tǒng)設計的難點主要有三點：1）多變的海洋環(huán)境，對船舶自主操縱系統(tǒng)的魯棒性有較高的要求；2）復雜的船舶運動數(shù)學模型意味著船舶自主操縱系統(tǒng)需要具備一定的自適應能力；3）控制器之間的耦合要求船舶自主操縱系統(tǒng)的各個子控制器之間需要協(xié)調配合，才能夠達到更好的控制效果。

對于船舶的運動控制，傳統(tǒng)的控制方法是以不變應萬變的魯棒控制策略，一成不變的控制策略在保證船舶控制的魯棒性的同時通常難以兼顧控制效率，因此很難達到對船舶航向、航速高效控制的要求。隨著人工智能技術的發(fā)展以及硬件設施的不斷完善，以變應變的自適應控制策略得到發(fā)展，控制器的智能化設計成為了研究者們研究的焦點。為了達到這一目標，各種新型的智能控制算法相繼應用到了船舶航行控制中。較為典型的新型控制算法有反步法控制，變結構控制，神經網絡控制，模糊邏輯控制，專家控制等［22］。模糊邏輯控制和神經網絡控制是其中使用較為廣泛的方法。

3.1 模糊控制技術

模糊控制是基于模糊數(shù)學的基本思想和理論的控制方法，最早由美國人Zadeh于1965年提出。不需要建立被控對象的精確數(shù)學模型的特點使得模糊控制理論可以應用于較為復雜的系統(tǒng)之中。模糊控制器主要包含模糊化、規(guī)則庫、模糊推理、解模糊四個部分。

模糊控制器核心在于規(guī)則庫的選取與建立。模糊規(guī)則不宜過少，否則難以完整描述較為復雜的系統(tǒng)；也不宜過多，否則控制器容易在切換點之間不停抖動，造成抖振。模糊控制在船舶控制領域的應用可以追溯到1977年Amerongen等［23］設計的船舶航向控制器，其結構是典型的模糊控制器的結構，由模糊化，模糊推理，解模糊化三個部分構成。另外，為了防止舵的抖動過于頻繁，在模糊推理的過程中還加入了濾波器來抑制頻繁操舵。該系統(tǒng)實現(xiàn)了對船舶的初步控制，但是不具備自學習自適應能力。后續(xù)應用于船舶的模糊控制器大多以此為框架，向自學習自適應的方向發(fā)展以適應復雜的外部環(huán)境和船舶數(shù)學模型。1982年，在原有工作的基礎上Amerongen［24］基于模型參考自適應控制理論設計了控制器，將自適應理論引入了設計中，在擾動較小的情況下取得了較好的效果。Jeffery等［25］則將模型參考自適應理論與模糊控制理論結合，設計出了船舶航向的模型參考模糊自適應控制器。使用模糊控制器作為基礎，并用模糊逆模型對控制量進行只是應矯正。

除了直接使用模糊控制理論設計控制器外，模糊理論還常常作為被控對象的自適應模型，用于觀測被控對象的狀態(tài)，與基于模型的控制方法搭配進行控制器設計，其中以T-S模型使用較為廣泛。Huang［26］等基于T-S 模糊模型，設計了模糊模型預測控制器，解決了非線性模型預測控制器（NMPC）計算量大，容易陷入局部最小值等問題。該控制器分為兩層，上層用于判定總誤差是否達標，下層則使用模糊模型預測控制算法對各個子系統(tǒng)進行控制。Killian等［27］的工作則更進一步，將總體模型分解為若干個并行的T-S模型，分別進行模型預測控制器設計后，通過合作環(huán)得到最終的控制量。這種方法對船舶這種多輸入多輸出（MIMO）系統(tǒng)控制器的設計具有一定的指導意義。

3.2 神經網絡控制技術

大腦每個神經元的結構和功能都較為單一，但是大量神經元通過疊加組合卻可以展現(xiàn)出相當復雜的行為模式。人工神經網絡模型（ANN）最早由Warren McCulloch 和 Walter Pitts［28］于 1943 年 提出。其設計的思想是通過一系列簡單運算的復合引入若干待調整參數(shù)，然后通過改變局部參數(shù)（權重、連接方式、運算符等）對系統(tǒng)擬合，最終實現(xiàn)對復雜系統(tǒng)的模擬。

人工神經網絡的本質是一個擬合函數(shù)，在控制器的設計中，既可以用于擬合被控對象，作為控制器的參考模型；又可以用于擬合舵手的行為，直接作為控制器。神經網絡強大的擬合能力和自適應能力使其很適合用于模擬人的行為，用于控制器的智能設計中。許多研究者［30～31］采用神經網絡模型，對傳統(tǒng)控制器的行為特征進行學習，并借助神經網絡強大的泛化能力，達到青出于藍勝于藍的效果。Perera制造了一個船載決策系統(tǒng)原型機，該系統(tǒng)可以在惡劣海況下通過傳感器實時數(shù)據(jù)訓練神經網絡，并通過神經網絡預測船舶在當前海況和載荷、航向角和速度以供船長進行決策［32］。與離線訓練方法相比，在線的訓練算法通常具備更好的自適應能力。孫松濤等［33］使用PID控制在線訓練CMAC神經網絡，當CMAC性能指標較差時，采用PID控制器主導控制；當CMAC性能指標小于臨界值，則切換為CMAC神經網絡進行控制。對深潛器動力定位系統(tǒng)進行的仿真實驗證明了算法的有效性。R.Amin［34］等為無人水下艇NPSAUV設計了多層感知器結構的神經網絡控制器。針對神經網絡離線訓練時間較長，自適應能力較弱的問題，首先對控制器在平衡點附近進行離線訓練，然后使用基于逆模型的在線訓練方法對控制器進行在線訓練。這種方法不僅縮短了離線訓練的時間，同時由于在線訓練模塊的存在，也提高了船舶的自適應能力。

在子控制器設計完成之后，如何讓各個子控制器協(xié)調配合是另一個關鍵問題。在船舶平穩(wěn)航行，參數(shù)變化不大的情況下，由航行參數(shù)變化帶來的數(shù)學模型變化可以視作擾動，予以忽略，由各個子控制器自行解決；但在船舶劇烈加速減速、大角度變向等情況下，航行參數(shù)變化帶來的模型參數(shù)變化會對控制器的控制效果造成較大的影響。與外界的環(huán)境擾動不同，由航行狀態(tài)變化帶來的運動模型變化是可以預知的。這時，就需要各個子控制器通過協(xié)同配合來提升控制效果。各子控制器的協(xié)調配合通常可以視作一個多目標多約束的智能優(yōu)化問題。

3.3 多控制器協(xié)同策略

一套船舶自主航行控制系統(tǒng)通常由多個子控制器組成。而這些子控制器之間常常存在耦合。在耦合較小的時候，可以將耦合視為擾動，不進行特殊處理；但是在船舶大變向，大變速的情況下，控制器之間的耦合通常無法忽略，此時就需要一個決策模塊對各個控制器進行協(xié)同調節(jié)，防止各個子控制器之間出現(xiàn)1+1＜2的情況。

多控制器協(xié)同可以歸納為一個多目標多約束的智能優(yōu)化問題。由于多目標優(yōu)化問題具有多個性能指標，這些性能指標通常來說都是相互耦合的，提升一個性能指標要以犧牲其他性能指標為代價，因此一般并不存在最優(yōu)解，解以解集的形式存在，這樣的解集也被稱為非劣解或Pareto解。從諸多非劣解中找出一個較為滿意的解并將其轉為指令下達給子系統(tǒng)是協(xié)調模塊的首要任務。船舶控制的執(zhí)行周期較短，因此需要一種快速高效的決策方法，將多目標問題轉化為單目標問題，以保障控制器的實時性與魯棒性。智能化算法可以根據(jù)工作條件與外界環(huán)境自適應調節(jié)各個子控制器的控制策略，受到了研究者的歡迎。Huang［26］等將控制器分為兩層，上層對誤差進行監(jiān)督，如果不符合則將總誤差作為擾動下發(fā)給各個子控制器。這一策略較為簡單，但只是權宜之計。當系統(tǒng)間耦合較大時，難以保障在每個控制周期的時限內都一定能夠給出最優(yōu)解。Stewart［35］等提出了一種合作控制策略，保障了每個控制周期都可以得出次優(yōu)解，并且證明這種合作控制策略在系統(tǒng)存在耦合時優(yōu)于單一控制器的控制效果。

4 人工智能在船舶能耗決策中的應用

Petersen將非線性ANN模型運用到船舶燃油消耗預測上，并在長達兩個月的航行試驗中對燃油消耗量進行實時預測［36］。Be?ik?i建立了基于ANN網絡的船舶燃油預測模型，該模型利用船舶航速、發(fā)動機轉速、船舶姿態(tài)、貨物量和外界海況預測船舶燃油消耗，并利用燃油消耗預測值對發(fā)動機的節(jié)能操作提供決策信息［37］。Perera提出了一個基于大數(shù)據(jù)框架的船舶效果預測系統(tǒng)，不同的機器學習算法分別被用在系統(tǒng)的數(shù)據(jù)前處理和后處理過程中以實現(xiàn)大量傳感器數(shù)據(jù)采集、數(shù)據(jù)壓縮、數(shù)據(jù)恢復等功能，最后使用數(shù)據(jù)回歸的方式對不同海況下的航行效果進行預測［38］。Jun建立了一種高斯過程元模型以預測船舶在不同操作場景下的燃油消耗，該模型在預測燃油消耗的過程中不僅考慮了船舶本身的狀態(tài)同時也考慮了外界海況等因素［39］。Christos比較了支持向量機（SVM），隨機森林回歸（RFR），極端樹回歸（ETR），人工神經網絡（ANN）等方法在船舶主機燃油消耗的預測效果，上述方法均可以在不同的裝載情況、天氣情況、速度、航行距離和吃水條件下較為準確地預測燃油消耗量［36］。

5 結語

船舶領域覆蓋國防軍事、科學研究、民生工業(yè)等諸多方面，其先進性和智能一定程度上反映了當前的科學技術水平。自2016年工業(yè)和信息化部設立“智能船舶1.0專項”以來，我國智能船舶的設計、制造、運維、管理步入正軌，應用人工智能技術的船舶相比于傳統(tǒng)船舶的優(yōu)勢顯而易見。隨著處理器性能提升、人工智能算法的突破、數(shù)據(jù)量的增長，人工智能技術的應用將會越來越廣泛。現(xiàn)階段人工智能技術在飛機和汽車的無人駕駛技術等領域已經得到成功運用，未來其在船舶的智能技術和控制技術中的逐步成熟將徹底改變人類的航海格局。