一种冰区近场航路动态优化方法

技术领域：

本申请涉及船舶冰区航行领域，尤其涉及一种冰区近场航路动态优化方法。

背景技术：
：

在世界经济全球化、国际航运蓬勃发展的背景下，航运界在极地的开发需求越来越强烈，未来极地航运的发展将呈现规模化和多样化。极地冰区航行环境特征主要表现在浮冰密集，浮冰随风流随机漂移，在密集的浮冰中伴有冰山，使得船员在航行过程中对冰山辨识困难，导致航路选择困难，通常需要充分利用卫星影像、冰密度图、海冰探测雷达、瞭望，甚至直升机摄像等方式获取冰情信息，并凭借经验对浮冰与冰山进行分析与辨识，但是冰情复杂，对船员要求高，注意力需要高度集中，稍微疏忽，就会导致及其危险的局面。目前的极区航行过程中，船员负担重，风险指数高。因此，如何在极地冰区对船舶进行智能化航路选择与导航，规避航行触冰风险，保证船舶航行安全和高效，提高航行经济效益，将是现在乃至未来极地航运的研究热点。

最近几年，国内外围绕极地冰区航行开展了大量的研究。其中大部分研究主要集中在对冰区碍航物(冰山和浮冰)分布信息的提取和分析上，多以卫星遥感图像和海冰预测模型为主，并在这一基础上建立路径规划模型来求取冰区的安全航线，从而有效降低冰区航行风险。这些基本上都是聚焦于宏观尺度下的航路规划，但冰区的航行环境是动态变化的，冰情复杂程度较高，单纯依靠海冰模型、卫星影像和冰密度图等进行航路规划时，其往往不能解决船舶在实际航行中遭遇的局部冰情变化而带来的航路选择问题，缺乏对冰区近场航路的有效指导，所以冰区智能航行仍然是一项具有挑战的课题。

技术实现要素：
：

本申请的一个目的是提供一种冰区近场航路动态优化方法，以解决现有冰区航行过程中的局部航路动态优化问题，即基于船舶实时雷达回波图像获取周围海冰覆盖信息，以最小航行距离和最小航行风险为目标建立多目标近场航路优化模型，使用多目标进化算法求解航路，获得平衡航行风险和航行距离的最佳航路。

根据本申请的一个方面，提供了一种冰区近场航路动态优化方法，该方法包括：

步骤一：构建冰区航行场景。

对海冰回波数据进行预处理，雷达图像上一般包括当前船位信息、对地航向(cog)、船艏向(hdg)、量程、固定距标圈和历史轨迹线等信息，将船载雷达设备的实时扫描回波图像进行提取，获得海冰的实时回波数据，并将其显示在电子海图中，建立冰区近场航路优化场景。同时，提取雷达上有效数字信息。

步骤二：建立避冰航路优化模型。

建立以最短航路距离和最小航行风险为目标的近场航路优化模型。使得模型能基于本船实时位置和用户设定的期望位置进行航路动态优化。

船舶在冰区规划航路是从当前位置p0经过转向点p1，p2，...，pn-1到达pn，可将该短航路划分为n条航段，总的航行距离计算公式为：

其中，l(pi，pi+1)表示从转向点之间的距离。

构成航路的每个航段的向量表示为：v1，v2，…，vn，各个航段的笛卡尔坐标系直线方程为：

wixi+γi＝0，i＝1，…，n。

进一步地，基于上式方程，可计算海冰回波到每个航段的最小距离，公式如下：

其中，表示雷达目标中心到目标前方的距离。

进一步地，基于上述过程可计算出整体航路与海冰回波的最小距离，公式如下：

dmin＝min{d1，d2，…，dn}

航行风险最小化实际上是为了使所有航段远离浮冰或冰山，即航路优化的目标是使航路与浮冰或冰山之间的最小距离最大化。计算公式表示如下：

因此，航行风险最小化的问题表示为：

∈>0

航行距离最小化的问题表示为：

进一步地，基于上述过程，航行风险最小化及航行距离最小化的多目标问题模型定义如下：

minp∈ω[f1(p)，f2(p)]

其中，f＝[f1，f2]目标空间的目标向量，是优化航路的节点p＝[p0，p1，…，pn]是决策向量，是决策空间。

步骤三：航路优化模型的求解。

进一步地，基于上述模型，设计模型求解算法。使用nsga-ii算法对多目标模型进行求解。

将每条航路看作种群中个体的染色体p＝[p0，p1，…，pn]，航路节点pi作为染色体基因位，使用格林码进行编码，基因顺序和航路节点顺序一致。使用模型中定义的目标函数对个体进行评价，设置算法的迭代次数，基于nsga-ii算法对种群不断优化，并最终可获得一个可接受的帕累托前沿，即优化航路解的集合。最终，可基于不同海冰场景和船舶自身参数选择合适的解，在航路风险与航路距离之间权衡，对合适的航路进行解码并输出航路节点。

进一步地，基于上述海冰回波数据的预处理、航路优化多目标模型和求解算法，进行冰区近场航路动态优化。

步骤四：冰区近场航路动态优化。

步骤4.1：冰区航路动态优化初始化。设置一个航路节点为期望位置，设置航路优化次数n和航向偏差预定值θ。

步骤4.2：获取船载雷达设备的实时回波图像，建立优化场景。从船舶雷达系统接收实时雷达回波扫描视频，以获得当前时刻的雷达回波数据，将其显示在已叠加海冰浓度图的电子海图上。同时，获取本船当前对地航向为cog0

步骤4.3：使用算法对航路进行多次重复求解。基于上述航行场景，以本船位置为初始位置，使用nsga-ii算法对航路进行n次优化，由于最优化航路是相似的，使用路径聚类方法提取一条中心航路，并计算优化航向为cog1。

步骤4.4：计算当前航向和优化航向的偏差δcog，公式如下：

δcog＝|cog1-cog0|

若航向偏差δcog大于航向偏差预定值θ，则使用优化航向cog1作为推荐航向，进行动态航向修正。

步骤4.5：对雷达回波图像进行实时更新和处理，使用算法进行航路求解，然后递归更新船舶航向。

本发明与现有技术相比，本申请通过对船载雷达设备获取的海冰回波数据进行预处理，得到船舶周围的实时海冰分布数据，在已叠加海冰浓度数据的电子海图上叠加海冰回波数据；基于冰区航行的实际情况，建立了航行距离最小化和航行风险最小化的船舶冰区动态优化多目标航路优化模型；基于nsga-ii算法和格林码对多目标航路优化模型进行求解；基于对多次重复航路优化结果进行聚类得到优化航路和航向，并基于设置的航向偏差对航向进行推荐。通过对船载雷达设备的回波数据进行更新，使用算法反复进行航路求解，递归更新船舶航向，进而实现船舶在冰区整个航程中的近场航路动态优化，从而降低航程中的触冰风险，提高冰区航行的智能化程度。

附图说明

图1为本发明冰区近场航路动态优化方法中基于冰区回波数据进行近场航路优化建模的示意图；

图2为本发明冰区近场航路动态优化方法的流程图；

图3为本发明冰区近场航路动态优化方法中基于电子海图上叠加海冰浓度数据和船舶实时雷达回波数据的图像；

图4为本发明冰区近场航路动态优化方法中基于某一海冰回波场景进行的n次航路优化路线示意图；

图5为本发明冰区近场航路动态优化方法中对n次航路优化结果进行的航路聚类后得到的航路示意图。

具体实施方式

下面结合附图详细描述本发明提供的一种冰区近场航路动态优化方法。

如图1所示，本申请利用船舶在冰区航行的雷达回波数据进行近场航路优化，该方法包括以下内容。

步骤一：构建冰区航行场景。

明确船舶航行数据，明确船舶在冰区进行航路优化需要的数据，一般包括船舶周围的海冰回波数据、海冰浓度数据和航行动态数据(包括实时船位、对地航向和预定航向等)。

数据预处理。海冰回波数据；雷达图像上一般包括当前船位信息、对地航向(cog)、船艏向(hdg)、量程、固定距标圈和历史轨迹线等信息。将船载雷达设备的实时扫描回波图像进行提取，获得海冰的实时回波数据。航行动态数据；提取雷达图像上的船位信息和对地航向等有效数字信息。海冰浓度数据；从权威气象网站下载最新的海冰浓度数据，并实时渲染在电子海图系统中。

进一步地，在电子海图系统中显示本船船位和叠加最新的海冰回波数据，建立冰区近场航路优化场景。

步骤二：建立避冰航路优化模型。

明确冰区航路优化目标。使用航路距离和航行风险作为航路评价的两个重要指标。其中，航路风险是通过计算航路整体与海冰的距离来评估航路的风险。

建立以最短航路距离和最小航行风险为目标的近场航路优化模型。使得模型能基于本船实时位置和用户设定的期望位置进行航路动态优化。

船舶在冰区规划航路是从当前位置，0经过转向点p1，p2，...，pn-1到达pn，可将该短航路划分为n条航段，总的航行距离计算公式为：

其中，l(pi，pi+1)表示从转向点之间的距离。

构成航路的每个航段的向量表示为：v1，v2，…，vn，各个航段的笛卡尔坐标系直线方程为：

wixi+γi＝0，i＝1，…，n。

进一步地，基于上式方程，可计算海冰回波到每个航段的最小距离，公式如下：

其中，表示雷达目标中心到目标前方的距离。

进一步地，基于上述过程可计算出整体航路与海冰回波的最小距离，公式如下：

dmin＝min{d1，d2，…dn}

航行风险最小化实际上是为了使所有航段远离浮冰或冰山，即航路优化的目标是使航路与浮冰或冰山之间的最小距离最大化。计算公式表示如下：

航行风险最小化的目标函数表示为：

∈>0

航行距离最小化的目标函数表示为：

进一步地，基于上述过程，航行风险最小化及航行距离最小化的多目标问题模型定义如下：

minp∈ω[f1(p)，f2(p)]

其中，f＝[f1，f2]目标空间的目标向量，是优化航路的节点p＝[p0，p1，…，pn]是决策向量，是决策空间。

步骤三：航路优化模型的求解。

进一步地，基于上述模型，对融入电子海图的船舶周围实时海冰分布场景进行航路优化，使用nsga-ii算法对多目标模型进行求解。

将每条航路看作种群中个体的染色体p＝[p0，p1，…，pn]，航路节点pi作为染色体基因位，使用格林码进行编码，基因顺序和航路节点顺序一致。使用模型中定义的目标函数对个体进行评价，设置算法的迭代次数、种群大小和一些变异和交叉概率等参数，基于nsga-ii算法对种群进行优化，通过非支配解排序和拥挤距离排序，并最终可获得一个可接受解的帕累托前沿，即优化航路解的集合。

可基于不同海冰场景和船舶自身参数选择合适的解，在航路风险与航路距离之间权衡，对合适的航路进行解码并输出航路节点，并将其反显到电子海图系统中，指导船员驾驶船舶。

步骤四：冰区近场航路动态优化。

进一步地，基于上述数据的预处理、建立航路优化多目标模型和求解算法，进行冰区近场航路动态优化，参考图2。

步骤4.1：冰区航路动态优化初始化。设置一个航路节点为期望位置，设置航路优化次数n和航向偏差预定值θ。

步骤4.2：获取船载雷达设备的实时回波图像，建立优化场景。从船舶雷达系统接收实时雷达回波扫描视频，以获得当前时刻的雷达回波数据，将其显示在已叠加海冰浓度图的电子海图上如图3所示。同时，获取本船当前对地航向为cog0。

步骤4.3：使用算法对航路进行多次重复求解。基于上述航行场景，以本船位置为初始位置，使用nsga-ii算法对航路进行n次优化，图4所示的是对某一场景进行n次航路规划后的结果。由于最优化航路是相似的，使用路径聚类方法提取一条中心航路，并计算优化航向为cog1。图5是对图4所示航路进行聚类的最终航路。

步骤4.4：计算当前航向和优化航向的偏差δcog，公式如下：

δcog＝|cog1-cog0|

若航向偏差δcog大于航向偏差预定值θ，则使用优化航向cog1作为推荐航向，进行动态航向修正。

步骤4.5：判断船舶当前位置是否到达期望位置，若否，对雷达回波图像进行实时更新和处理，使用算法进行航路求解，然后递归更新船舶航向；若是，航路优化终止。