基于大數據分析的復雜環境艦船導航方法

張 哲

(武漢交通職業學院 船舶與航運學院，湖北 武漢 430065)

0 引言

艦船在航行過程中，需要根據自身所處的復雜環境情況，結合多源信息規劃出一條無碰撞、安全的路徑，以此來保障艦船航行的安全性。但是，在實際航行過程中，所處環境呈現動態變化，相關信息也是實時變動的，產生的數據體量較大，為路徑規劃帶來了極大的困難與挑戰，成為制約艦船發展與應用的關鍵問題。本文提出基于大數據分析的復雜環境艦船導航方法，通過大數據分析技術的應用，提升艦船導航的實時性與精確性。

1 復雜環境艦船導航方法

1.1 復雜環境模型構建

復雜環境模型構建是艦船導航進行之前必要的基礎與前提，是影響艦船路徑規劃效率與精度的關鍵因素。利用艦船自身搭載的多種傳感器(激光雷達、毫米波雷達、GPS、加速度器、陀螺儀、電子羅盤等)獲取艦船周圍環境信息，利用柵格法構建復雜環境模型，為后續艦船導航定位與路徑規劃奠定堅實的基礎。柵格法將艦船所處的復雜環境抽象為二維靜態空間，并將其劃分為多個尺寸一致的正方形柵格形式，以顏色表示柵格區域是否能夠通過。當正方形柵格顯示為黑色，表明該柵格區域無法通過；當正方形柵格顯示為白色，表明該柵格區域可以通過。柵格排序規則為：從左至右，從上至下[3]。設置柵格行、列號為x、y，序號為 δx，兩者之間的轉換關系如下式：

式中：mod[]是取余運算函數；n為柵格行、列號的最大值；ceil[]是向上取整運算函數。

依據柵格區域能否通過，對柵格序號進行賦值，其規則如下式：

依據上述描述構建復雜環境柵格模型，具體如圖1所示。

圖1 復雜環境柵格模型示例圖Fig.1 Example of complex environment grid model

復雜環境柵格模型示例圖規格為16×16，黑色柵格區域艦船無法通過，白色柵格區域艦船能夠通過。在柵格模型構建過程中，柵格尺寸大小選取也是一個關鍵的問題，涉及到多個方面，例如環境模型精度、艦船尺寸、水域范圍等[4]。若是柵格尺寸大小設置過大，環境模型分辨率較低，很難清晰地反映艦船所處的環境信息；若是柵格尺寸大小設置過小，環境模型抗干擾性能較差，容錯率較低，影響后續艦船路徑規劃的效率[5]。通過測試獲得柵格尺寸大小與環境模型精度之間的關系如圖2 所示。隨著柵格尺寸大小的增加，環境模型精度呈現先上升后下降的趨勢[6]。當柵格尺寸大小取值為1 162.5×1 162.5 mm 時，環境模型精度達到最大值84%。因此，確定最佳柵格尺寸大小為1 162.5×1 162.5 mm。

圖2 柵格尺寸大小與環境模型精度關系圖Fig.2 Relationship between grid size and environmental model accuracy

1.2 艦船導航數據預處理

艦船導航數據來自于多個監測設備，并且數據體量巨大，故采用大數據分析技術對其進行預處理，主要為艦船導航數據時間歸一化處理、誤差改正處理與野值剔除處理。艦船導航數據時間歸一化處理是將全部數據歸算到同一采樣周期To內，方便后續導航數據的應用，表達式為：

式中：ti與是歸一化前、后的導航數據時間；tmin與tmax是導航數據時間的最小值與最大值。需要注意的是，歸一化處理后的導航數據時間必須在采樣周期To內。

由于監測設備的自身缺陷，獲取的艦船導航數據存在著一定的系統誤差，其會對導航性能產生不利的影響[7]。因此，此研究利用預存改正量對數據誤差進行相應的改正處理。以航向角數據為例，其誤差改正處理表達式為：

式中：φ 與 φ′是原始航向角數據與誤差改正后的航向角數據；?φ是航向角數據對應的預存改正量。

導航數據中無可避免會存在少數的野值(反常值與壞值)，容易造成導航路徑的錯誤，威脅艦船的航行安全，故應用卡爾曼濾波判定野值，并對其進行剔除處理[8]。野值判定規則如下：

式中：Y(ti)為采集導航數據；h(ti)X(ti,ti?1)為預測導航數據；ε(ti)為采集導航數據Y(ti)與預測導航數據h(ti)X(ti,ti?1)的差值；α?為野值判定閾值，需要根據艦船導航數據具體情況進行設置。

上述過程應用多種大數據分析技術預處理艦船導航數據，統一采樣時間周期，改正系統誤差，剔除了野值，提升了導航數據的精度，為后續艦船導航定位的實現提供依據支撐。

1.3 艦船導航定位

以預處理后的艦船導航數據為基礎，以復雜環境模型為背景，融合GPS 與IMU 數據，確定艦船導航當前的絕對位置，為艦船路徑規劃做好充足的準備。IMU 數據與艦船導航數據隸屬于二維直角坐標系中，而GPS 輸出數據為地球坐標系背景下的經緯度信息，無法對其進行融合應用，故先對GPS 數據進行坐標系轉換，表達式為：

式中：(β,χ)為二維直角坐標數據；(β0,χ0)為二維直角坐標系原點；γ0為隨機常數，由坐標系轉換具體情況確定；V，η，κ，λ 與 μ為坐標系轉換參數，由地球坐標信息(τ,υ)計算獲取，表達式為：

式中，τ0為地球坐標系中原點經度信息。

將式(7)計算結果輸入至式(6)即可獲得地球坐標系(τ,υ)→二維直角坐標系(β,χ)的轉換規則，以此為基礎，對全部GPS 數據進行坐標系轉換處理，采用緊組合原理將GPS 數據與IMU 數據進行融合，即可獲得當前時刻艦船導航的絕對位置信息，為后續的艦船導航實現提供支撐。艦船導航位置確定框架如圖3 所示。依據圖3 所示框架獲得當前時刻艦船導航的絕對位置信息，為艦船路徑規劃提供便利。

圖3 艦船導航位置確定框架圖Fig.3 Ship navigation position determination framework

1.4 艦船路徑規劃

以艦船導航定位結果為基礎，應用遺傳算法獲取最佳艦船路徑，從而實現復雜環境背景下艦船導航，保障航行的安全與穩定。

基于遺傳算法的最佳艦船路徑獲取步驟如下：

1) 構建復雜環境柵格模型，并獲取障礙物位置、屬性等信息；

2) 初始化信息熵遺傳算法，制定迭代終止條件；

3) 構造適應度函數，為艦船路徑尋優做準備，表達式為：

式中：F(g)與H(g)是可行路徑與不可行路徑的適應度函數；d(g)是路徑長度；Ψ(g)是平滑度；ψ是平滑度總和；m是種群規模；σθ是大角度轉彎點的數量；ω是權重系數；Np是路徑穿過障礙物的線段數量。

4) 通過交叉算子、變異算子對個體進行更新，并重新計算適應度數值。當未滿足迭代終止條件時，轉至步驟3 進行重復迭代；當滿足迭代終止條件時，輸出個體對應的艦船路徑。

通過上述過程即可獲得最佳艦船路徑，實現了艦船導航功能，為艦船作業、航行等提供有效的幫助，保障艦船自身安全。

2 仿真實驗

選取海洋氣象環境影響下的復雜水域船舶路徑規劃與復雜開放水域下智能船舶路徑規劃與避障方法作為對比方法，分別稱之為對比方法1 和對比方法2，以驗證本文方法的優越。

2.1 實驗環境段

選取實驗水域，通過傳感器獲取實驗水域的障礙物位置、屬性信息，構建復雜環境柵格模型，具體如圖4 所示。實驗水域障礙物分布無規律，尺寸大小、形狀等也存在著較大的差異，符合提應用性能測試需求。

圖4 實驗水域復雜環境柵格模型示意圖Fig.4 Schematic diagram of grid model of complex environment in experimental waters

艦船航行狀態的確定也是保障實驗順利進行的關鍵所在。實驗以航向、速度與船位作為艦船航行狀態變量，則艦船航行狀態方程表達式為：

式中：J與W是緯度與經度弧長；VN與VE是北與東向的海流速度；Q是艦船相對海流速度；? 是艦船航向。

在實際艦船航行過程中，航向、速度與船位會存在偏差，式(9)無法精確的表示艦船航行狀態，故對其進行修正，獲得最終艦船航行狀態方程，表達式為：

式中，?是偏差量符號。

上述過程完成了實驗水域復雜環境柵格模型的構建，確定了艦船航行狀態方程。

2.2 實驗結果分析

定位是艦船導航實現的關鍵環節，其定位是否精準直接關系著艦船導航路徑的合理性與科學性。通過實驗獲得艦船導航定位誤差如表1 所示。相較于2 種對比方法來看，應用本文方法獲得的艦船導航定位誤差數值較小，最小值為0.12%，表明本文方法艦船導航定位精度更高。

表1 艦船導航定位誤差數據Tab.1 Ship Navigation and Positioning Error Data

為了提升實驗結論的精準性，設置2 組出發點與目的點。通過實驗獲得艦船導航路徑如圖5 所示。相較于2 種對比方法來看，應用本文方法獲得的艦船導航路徑長度更短，更為平滑，能夠保障艦船航行的穩定性。

圖5 艦船導航路徑示意圖Fig.5 Schematic Diagram of Ship Navigation Path

3 結語

本文提出基于大數據分析的復雜環境艦船導航方法。實驗數據表明：本文方法大幅度降低艦船導航定位誤差與艦船導航路徑長度，提升了艦船導航路徑的平滑性。