自動靠泊技術的研究和發展綜述

陳百相

（上海海事大學商船學院，上海 201306）

隨著第三次工業革命信息技術產業的大發展以及第四次工業革命智能化產業發展的來臨，人工智能在各個領域有了重大的突破，也應用在各種現代化的設備之中，它有著遠比人類大腦更高速、更龐大的計算力，更嚴謹的執行力和更深層的決策能力等。人工智能無人駕駛方向上有著天然的優勢，可以通過不斷地訓練和試錯來修正自己和強化自己的能力，最終得到正確的結果。將其用在航海領域上，實現無人船的智能化行駛是非常有發展前景和深遠意義的。

船舶在行駛有多種的情況，靠近港口停泊也是必須要進行的一項。可以預測控制的船舶自動靠泊不僅可以降低海上事故的風險，還可以減少導航員由于地理限制和低機動性的巨大工作量。人工靠泊方式在困難和細微的靠泊階段會讓操作員有巨大的心理和精神的壓力，在低速的航行狀態會讓船舶的操作變得困難；而且靠泊過程中會受到風、浪、天氣還有個人因素等原因的影響，給靠泊控制帶來極大的不確定性。對比起人工的需要大量學習時間和工作經驗、復雜操作的工作流程、各種不穩定性因素，自動靠泊技術獲取船舶的各種數據和當前海面、港口等各種影響因素加以計算分析后，得到最優的軌跡運動路線，更安全地控制船舶進行控制和調整。

1 自動靠泊技術

1.1 研究內容

自動靠泊技術中有許多的方面和問題需要考慮。其中靠泊路徑規劃問題是船舶自動靠泊的關鍵問題之一，即在一定的約束條件下，規劃滿足設定指標地從起點到目標點的最優路徑。船舶自動靠泊問題涉及船舶在淺水中的低速運動，風、浪、流的干擾比較強，系統信息量大，控制船的操作難度大。對于船舶的自動靠泊系統，由于其靠泊在低速范圍和較大的偏角，系統不僅要考慮船體、流體力、槳和舵力無法發揮正常航行中的效能，還要考慮了靠泊作業中不可缺少的輔助控制設備，如拖輪、側推器、錨和纜索。因此，船舶的自動靠泊作業成為最困難、最復雜的作業之一。為了提高安全性、螺旋槳利用率和系泊效率，減少人為錯誤率和損失，對靠泊技術的研究是非常必要的。

為了控制船舶安全靠泊，自動靠泊操作分為三個基本的基本動作，即航向改變、步進減速和發動機停止，即三個目標點。靠泊機動計劃使第一航向從任何給定的初始航向更改為第一個期望航向，在該航向中船舶將與稱為假想線的參考線對齊。并入這條線后，船將保持原路并根據速度響應方程降低速度。然后，發動機空轉和螺旋槳反轉將使船停在其所需區域。最后船舶將被逐步控制到碼頭，將其放置在旁邊并準備安全系泊操作。這些環節中都需要復雜的操作，每個環節都需要大量的數據計算和規劃，使用什么方法和解決手段是關鍵。

1.2 自動靠泊方法

自動靠泊控制的研究始于1990年代初，屬于MIMO 控制問題。并吸引了許多有意義的研究。Fossen提出了用四個旋轉推進器模型在淺水中進行機動的方法，并通過安裝在模型盆地上的攝像系統監控船舶的位置、方向。Zhang 專注于自動船舶靠泊的多變量神經控制器的開發和應用。Akasawa 建議使用船首和船尾推進器進行機動，以提高精確的航跡保持和固定位置保持。到目前為止，該研究主要依賴于人類經驗和精確的控制算法。

1.2.1 神經網絡方法

（1）人工神經網絡 (ANN) 模型被稱為自動船舶靠泊最有效的理論之一，因為它是一種學習算法，并且能夠在執行靠泊過程時模仿人腦的動作。Tran,Van Luong 和Im,Nam-Kyun 在International Journal of Naval Architecture and Ocean Engineering 上發表的《A study on ship automatic berthing with assistance of auxiliary devices》就使用了人工神經網絡方法去解決自動靠泊的問題。使用反向傳播算法，用一組教學數據訓練了人工神經網絡，以獲得輸出值和四個控制輸出（包括方向舵、螺旋槳轉速、船首推進器和拖船）的期望值之間的最小誤差。然后，對自動靠泊進行了計算機仿真，驗證了系統的有效性。仿真結果表明自動靠泊控制系統具有良好的性能。

（2）Yao Zhang 和G.E.Hearn、P.Sen 等人在IEEE Control Systems Magazine 發表的《A multivariable neural controller for automatic ship berthing》介紹了一種用于船舶自動靠泊的多變量神經控制器的開發與應用提出了一種在線訓練的、基于反向傳播的神經網絡控制器。主要目的是利用神經網絡的學習能力，推導出獨立于船舶數學模型的自主神經控制算法。

（3）IM Namkyun 和H Kazuhiko 等人在關西造船協會論文集發表的《A Srudy on Automatic Ship Berthing Using Parallel Neural Controller》一種用于自動靠泊的并行神經控制器，該控制器具有單獨的隱藏層，分別輸出發動機和方向舵。用于靠泊的通用神經網絡只有一組隱藏層，但是他們提出了并行隱藏層。與傳統的神經控制器相比，這種并行控制的效果產生了很好的效果。

（4）Nam-KyunIma 和Van-SuongNguyen 等人發表在International Journal of Naval Architecture and Ocean Engineering 上 的《Artificial neural network controller for automatic ship berthing using head-up coordinate system》通過使用平視坐標系，包括船舶到泊位的相對方位和距離，提出了一種新的人工神經網絡控制器，可以在不重新訓練人工神經網絡結構的情況下，自動控制船舶進入不同港口的泊位。

但它仍然存在一些局限性。例如，船舶只能從一個接近方向進入泊位，相對方位角必須在180 度以內。

1.2.2 非線性規劃方法

YA Ahmed 和JKazuhiko Hasegawa 在Osaka University Knowledge Archive 發表的《Automatic Berthing Control Practically Applicable under Wind Disturbances》通過使用非線性規劃（NLP）來創建一致的教學數據討論了變時機動。然后，使用重復優化技術，一個新的概念引入了“虛擬窗口”。本文中的“虛擬窗口”指的是確保安全的安全窗口具有任何特定航向的船舶，通過其所需位置到達前方給定的參考線取計算出的最佳舵角。然后，船沿著這條線繼續前進根據速度響應方程，成功靠泊。

1.2.3 自適應 Backstepping 方法

當船舶處于推拉模式時，螺旋槳和側推進器的聯合操縱會產生相互作用力。兩個螺旋槳在以相反方向旋轉時產生相同的推力，從而在船舶上產生偏航力矩而不會引起縱向運動。通過側推進器的同時操作，實現推拉模式，從而產生橫向力。Jong-YongParka、NakwanKimb在International Journal of Naval Architecture and Ocean Engineering 上發表的《Design of an adaptive backstepping controller for auto-berthing a cruise ship under wind loads》提出了蟹行運動的三個自由度方程。這些方程用于將自適應反步控制方法應用于游輪的自動靠泊控制器，控制器能夠處理靠泊過程的系統非線性和不確定性。

1.2.4 Intelligent Tracking Control Algorithm 方法

相關的研究沒有考慮了復雜的控制環境，例如風浪、流、天氣的影響，對抗風浪干擾的算法仍然存在局限性；特別是在淺水區低速行駛時，動力不足的船舶會給船舶運動帶來更大的不確定性。Zhicheng Liu 和 Qiang Wang 等人在《Intelligent Tracking Control Algorithm for Under-Actuated Ships Through Automatic Berthing》提出了一種ITCA（Intelligent Tracking Control Algorithm）方法，可以智能控制船舶靠泊期間的航向角跟蹤，抑制風浪干擾。

1.2.5 實時估計法

一般的靠泊方法需要根據專家的經驗或模型試驗的經驗進行修正，并且不靈活和操作復雜，導航員必須將船舶停在指定點，在限制水域的機動性降低。Jun Kayano 和Tadatsugi Okazaki 發表的《A Study on the Ship’s Automatic Berthing Maneuver Using Real-Time Estimation》開發了一種自動靠泊機動方法，通過基于用于操縱船舶的統計模型引入具有可變增益的最優控制來實現的，該模型使用實際導航數據實時識別。

2 國內外研究現狀

中外研究學者很早就對自動靠泊的方面有了研究，從20世紀70年代開始，日本學者就對船舶靠泊操縱的難題有了探索，以往的研究都是基于高速的船舶描述具有較大前進速度的船舶的機動運動，但是靠泊需要船舶低速操縱，還沒有一個低速的數學模型來計算和分析船舶的運動，1984年K Kose、H Hinata、Y Hashizume、E Futagawa 發表的《On a Mathematical Model of Maneuvering Motions of Ships in Low Speeds》提出了一個新的數學模型，嘗試修改上述數學模型，使其也可以表達低速機動運動。1993年K Hasegawa 和K Kitera 發表了《Automatic Berthing Control System Using Network and Knowledge-base》利用神經網絡和知識庫開發了一種船舶自動靠泊系統，并通過仿真驗證了其有效性，將專家決策引入了神經網絡，不僅對作為教學數據的給定模式給出了成功的結果，而且對內插或外推的案例也給出了成功的結果。

在2000年后，IM Namkyun，H Kazuhiko 在2001年發表的《A Srudy on Automatic Ship Berthing Using Parallel Neural Controller》改進了神經網絡的隱藏層，設計成并行隱藏層。2007年中國學者卜仁祥、劉正江、胡江強發表的《欠驅動船舶非線性滑模靠泊控制器》定義了非線性滑模，結合增量反饋技術，無需對不確定模型參數以及風、流干擾進行估計，完成典型靠泊操縱的自動控制。

在2010年到現在，各種新穎和改進的方法都不斷地發表出來，其中利用非線性控制的方法實現船舶自動靠泊的作業，2012年Liu Yang 和 Guo Chen 發表的《Automatic berthing control of underactuated surface ships in restricted waters based on nonlinear adaptive control method》利用非線性自適應控制方法解決了在受限水域轉向的欠驅動水面艦艇的靠泊控制問題，針對船舶的未知動力學、環境干擾和測量噪聲等，穩定自適應神經網絡算法用于估計不確定性。2020年Jun Kayano 提出了實時估計的方法，通過導航的實時數據實現像手動操作一樣的靈活改變船舶機動的效果。

3 問題和展望

自動靠泊有著各自方面的問題需要解決，例如各種干擾因素，風、流、浪等，當以低速接近泊位時，任何控制器都很難將環境干擾與實際船舶運動分開。在風擾動的情況下，在有限的風速下成功靠泊，但在實際復雜的情況下，實驗結果并不令人滿意。神經網絡效果不錯，但是在其他方面的開銷就會增大，增加隱藏層的數量不僅會增加計算時間，還會增加學習算法失敗的概率，輸入不應該太多。模型輸入的數量增加，機動方程的自由度也增加。

采用非線性規劃的方法雖然也有不錯的效果，但是使用過多的約束會導致優化輸出（舵角和螺旋槳）出現波動，這也給網絡訓練帶來了困難。考慮到靠泊操作是時間敏感的，控制動作需要時間。因此，關于以一致的方式創建教學數據和調查經過適當訓練的人工神經網絡應對任何可能的風干擾的能力的問題仍未解決。因此，代替人工神經網絡，更穩健的反饋控制器更可取，以在這種情況下采用足夠的舵角來引導船舶。

4 結語

自動靠泊是一個有著廣闊前景和研究意義的方向，本文對自動靠泊技術的含義和研究內容進行介紹，對靠泊常用的技術進行梳理，概括和各個方法的限制，遇到的問題；概括了國內外學者的研究內容和現狀；對自動靠泊的整體問題進行的分析，隨著技術的發展和研究的不斷深入，自動靠泊的技術會慢慢成熟并且最終的研究目標會得以實現。