【技术实现步骤摘要】
本专利技术涉及无人船，特别涉及一种基于多源信息的水面无人系统运行智能决策控制方法。
技术介绍
1、航运因其承载能力强、环境友好等特点，在内河运输中扮演着重要角色。然而，在城市河湖等内陆水域中，船舶碰撞、搁浅等意外事件仍然频繁发生，碰撞引起的泄漏事故可能会造成大面积的水域污染，严重威胁着人民的生命安全、生态环境与经济安全。
2、无人船因具有自主感知、自主决策和自主执行的能力，可以有效降低船舶对人的依赖，提升船舶的安全运行，并在避撞决策过程中融合了人工智能的思想，能够自主评估并决定最优的操作策略，以规避碰撞。同时，也可以降低这类事故所带来的人员伤亡与财产损失。除此之外，还能有效地缩短船舶的航程，节约燃油，提高航运效率，进而降低航运成本。然而，运行过程的自动决策是实现无人船自主运行的核心难点，如何利用多源信息实现运行策略的动态自动选择亟需解决。
技术实现思路
1、本专利技术公开了一种基于多源信息的水面无人系统运行智能决策控制方法，具体方法如下：
2、采集信息，无人船位姿信息、环境信息、障碍物位姿信息；
3、根据环境信息评估航行风险等级；
4、当风险等级超过阈值时，控制规避操作；
5、所述规避操作由cnn-rf混合模型输出，cnn-rf混合模型的输入为无人船位姿信息、环境信息、障碍物位姿信息。
6、进一步地，所述无人船位姿信息包括：无人船船速、无人船横滚角、无人船俯仰角、无人船偏航角、无人船x轴方向偏移量、无人船y轴方
7、所述环境信息包括：风向、风速和降雨量；
8、所述障碍物位姿信息包括：障碍物船速、障碍物偏航角、障碍物x轴方向偏移量、障碍物y轴方向偏移量和障碍物z轴方向偏移量。
9、进一步地，根据环境信息评估航行风险等级，具体方法如下：
10、通过风速和降雨量的阈值设置，以及障碍物的距离，将风险等级划分为低、中和高级。
11、进一步地，规避操作包括：减速、航速不变、加速、左转、航向不变和右转。
12、进一步地，cnn-rf混合模型包括cnn提取特征模块和rf分类模块。
13、进一步地，cnn提取特征模块包括卷积层；
14、卷积层从输入中提取特征，每个过滤器在输入数据上滑动，计算过滤器与输入数据的局部区域点积，生成特征图，卷积计算公式为：
15、
16、f(x)＝max(0,x)
17、
18、其中，m和n分别表示第m个输入神经元和第n个输出神经元；a为第h层的前馈神经网络的输入层节点集合；h表示第h个卷积层；是神经元n的输出；表示第h-1个卷积层的输入；为卷积核；表示h层第n个神经元的偏置值；表示是池化层h的输出,为池化窗口的输入。
19、进一步地，rf分类模块通过自助采样从cnn提取的特征中随机抽取多个子集yk来训练每个决策树，并在每个决策树的节点上，从所有特征中随机选择一个子集fk来寻找最佳分裂点；
20、对于每个自助样本yk和特征子集fk，构建一个决策树，决策树节点的分裂是通过选择最佳特征和阈值来完成的，常用的分裂准则包括基尼不纯度和信息增益分别为：
21、
22、其中，gini(y)表示数据y的基尼不纯度，j是类的数量，pi表示第i个类别的概率；y为当前节点的数据集，b为考虑的特征，y1、y2表示根据特征b的阈值分裂得到的两个子集；
23、对于分类问题，随机森林通过所有决策树的投票来预测类别，具体公式为：
24、
25、其中，表示预测的类别，k是决策数的总数，tk(x)表示第k个决策树对输入x的预测。
26、进一步地，cnn-rf混合模型，使用方法如下：
27、对无人船位姿信息、环境信息和障碍物位姿信息进行划分，前5个时刻的数据对后1个时刻数据速度和航向的决策进行分类，移动步长为1；
28、先对输入数据进行特征提取，利用两层2*2的卷积核进行卷积和池化操作，以提取局部特征；
29、经过特征提取后的数据送入rf模型中，进行决策分类。
30、进一步地，对cnn-rf混合模型进行检验，评价指标包括准确率、精确率、f1分数和召回率，具体公式如下：
31、
32、其中，tp为模型正确识别出正样本的数量；tn为模型正确识别出负样本的数量；fp为模型错误地将负样本预测为正样本的数量；fn为模型错误地将正样本预测为负样本的数量。
33、由于采用了以上技术方案，本专利技术具有以下有益效果：
34、1、本专利技术提出了cnn-rf混合模型的无人船运行策略自动决策方法可以对大量的数据进行快速的处理，并进行相应的决策，极大地提高了工作效率。同时具有较强的自适应能力，能够根据新的数据及环境的改变，持续地对决策流程进行优化。
35、2、cnn模型解决了输入数据的维度灾难和非线性问题，rf模型通过集成多个决策树提高预测准确性，降低单个决策树的过拟合风险，并增强对噪声和异常值的容忍度，提升了复杂环境下无人船自主决策的可靠性。
36、3、传统方法虽然考虑了船只航行时受到风雨的影响，但未做出相应的决策。本专利技术输入数据同时考虑自身无人船信息，动态障碍物、静态障碍物信息以及天气信息，能够根据不同场景做出相应决策，从而准确地判定碰撞状况以做出正确的避让行为，在复杂环境中达到了高效避碰的目的。
37、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，具体方法如下：
2.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，所述无人船位姿信息包括：无人船船速、无人船横滚角、无人船俯仰角、无人船偏航角、无人船X轴方向偏移量、无人船Y轴方向偏移量和无人船Z轴方向偏移量；
3.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，根据环境信息评估航行风险等级，具体方法如下：
4.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，规避操作包括：减速、航速不变、加速、左转、航向不变和右转。
5.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，CNN-RF混合模型包括CNN提取特征模块和RF分类模块。
6.如权利要求5所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，CNN提取特征模块包括卷积层；
7.如权利要求5所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，R
8.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，CNN-RF混合模型，使用方法如下：
9.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，对CNN-RF混合模型进行检验，评价指标包括准确率、精确率、F1分数和召回率，具体公式如下：
...【技术特征摘要】
1.一种基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，具体方法如下：
2.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，所述无人船位姿信息包括：无人船船速、无人船横滚角、无人船俯仰角、无人船偏航角、无人船x轴方向偏移量、无人船y轴方向偏移量和无人船z轴方向偏移量；
3.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，根据环境信息评估航行风险等级，具体方法如下：
4.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，规避操作包括：减速、航速不变、加速、左转、航向不变和右转。
5.如权利要求1所述的基于多源信息的水面无人系统运行智能决策控制方法，其特征在于，cnn-rf混合模型包...
【专利技术属性】
技术研发人员：白玉廷，薛心怡，金学波，苏婷立，孔建磊，于家斌，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。