技术特征：
1.一种基于注意力机制的船舶碰撞风险评估方法，其特征在于，包括如下步骤：s1、从船载设备获取本船和目标船的航行状态数据，构建包括本船的状态向量s和目标船的航行状态向量w
i
的集合n
i
，并以固定尺度的向量形式表达数量可变的状态向量e
i
；s2、将状态向量e
i
作为输入向量，利用神经网络提取本船和所有目标船之间的成对的航行状态特征向量v
i
，计算状态向量e
i
的平均期望值e
m
，并计算相似性向量ω
i
；s3、利用类softmax对获得的相似性向量ω
i
进行归一化处理，计算出目标船相对本船的量化碰撞风险权重分布λ
i
，利用权求和公式计算碰撞风险向量α
i
。2.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤s1的具体实现过程如下：s11、提取本船全局航行状态信息集，包括航速v0、位置(x0,y0)、航向本船与目标点距离d
t
、船舶领域半径r0；状态集参数化的表达如下：s12、提取目标船的全局航行状态信息，包括航速、位置、航向、目标船与本船距离、本船与目标船船舶最近安全会遇距离，状态集参数化的表达如下：s13、在本船周围8n mile范围内，构建以本船为中心的局部栅格地图，每个栅格为1n mile，标记目标船的船位编码在区间[1,256]，计算公式为：ts
i-code
＝16
×
(y-1)+xs14、状态向量集合n
i
的表达形式如下：n
i
＝[s,w
i
,m
i
]式中，m
i
表示所有目标船基于局部地图编码的状态向量，计算方法为：s15、利用第一层mlp网络将可变数量的状态向量集合n
i
转化为固定长度的状态向量e
i
，计算公式如下：e
i
＝φ
e
(n
i
；w
e
)式中，w
e
为mlp网络φ
e
的训练权重。3.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，在所述步骤s11和步骤s12中，还包括：通过构建全局地图表示本船和目标船所处航行水域的运动状态；通过构建局部地图，实现障碍物信息的动态编码；利用多层感知机技术将航行状态信息和地图张量转化固定长度的特征信息。4.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤s2的具体实现过程如下：s21、将状态向量e
i
作为第二层mlp的输入，得出本船和目标船成对的航行状态特征向量v
i
，计算公式如下：v
i
＝φ
v
(e
i
；w
v
)式中，w
v
为mlp网络φ
v
的训练权重；
s22、计算状态向量e
i
的平均期望值e
m
，计算公式如下：s23、依据注意力机制所涉及的关键元素value、key和query，将每个目标船的航行状态向量w
i
，i∈{1,2,3...n}作为状态向量集合n
i
中的查询向量query，利用神经网络计算相似性向量ω
i
，计算公式如下：ω
i
＝φ
ω
(e
i
,e
m
；w
ω
)式中，w
ω
为mlp网络φ
ω
的训练权重。5.根据权利要求1所述的基于注意力机制的船舶碰撞风险评估方法，其特征在于，所述步骤s3的具体实现过程如下：s31、利用类softmax对获得的相似性向量ω
i
进行归一化处理，计算出本船相对各个目标船的碰撞风险权重分布，得到每个key对应value的权重系数，计算公式如下：s32、利用权求和公式计算碰撞风险向量α
i
，计算公式如下：
技术总结
本发明提供一种基于注意力机制的船舶碰撞风险评估方法，包括：依据获取的船舶航行安全信息构建本船和目标船的全局航行态势和基于栅格地图的局部航行态势，将船舶的航行要素信息转化为局部空间中的关注区域，增强本船重点关注的特定目标区域同时弱化其他区域，基于多层感知机对目标船的航行状态向量进行标准化处理，并利用神经网络提取目标船和本船之间成对的航行状态特征，构建自注意力模型以高效地捕获本船与目标船间的特征依赖关系；利用Softmax方法对碰撞风险权重矩阵进行归一化，实现对船舶碰撞风险的量化；对风险权重参数进行加权求和，实现基于注意力机制的船舶碰撞风险计算。本发明技术方案能够为船舶在复杂航行态势下的实时避碰决策提供支持。态势下的实时避碰决策提供支持。态势下的实时避碰决策提供支持。
技术研发人员：张新宇 安兰轩 王警 王程博 郑康洁
受保护的技术使用者：大连海事大学
技术研发日：2021.10.22
技术公布日：2022/1/21