智能船舶船岸协同实验关键技术研究*

2020-08-13刘智心初秀民张代勇

交通信息与安全 2020年2期

刘智心初秀民，3 郑茂▲ 张代勇

（1.武汉理工大学能源与动力工程学院武汉430063 2.武汉理工大学国家水运安全工程技术研究中心武汉430063 3.闽江学院物理与电子信息工程学院福州350108）

0 引言

近年来，随着智能传感、通信及物联网技术的发展，船舶的智能化程度逐渐提高，智能船舶成为国际海事界的新热点。国际主要船级社先后发布了有关智能船舶的规范和指导性文件，世界主要造船国家大力推进智能船舶研制与应用，无人水面艇（unmanned surface vessel USV）逐渐映入人们眼帘[1]。基于嵌入式设备的高效网络化信息系统也被用于USV 系统中，通过集成计算、通信与控制3C（computation，communication，control），使得船舶的无人化、智能化程度越来越高[2]。船岸协同系统是指在系统设计方面，船岸协同智能船舶系统对传统的船岸关系，智能船舶在航道中的航行及复杂水域避碰，船舶交通智能组织与协同都有巨大影响[3]。

智能船舶的出现，对船岸协同提出了新的要求。对于新型智能船舶，船岸关系将发生改变。由于船舶的智能化，船员将会减少，智能船舶将利用船载的传感器，将环境等信息实时上传至服务器，供船舶控制人员参考决策。传统船舶的通信和数据交互，将不能满足智能船舶的发展需求，需利用现有的通信和物联网技术，结合智能船的发展趋势[4]，构建新的船岸关系。

智能船舶是多种先进技术综合应用的体现。船舶智能化航行需要环境感知、通信导航、状态监测与故障诊断、航线规划、安全预警和自主航行等技术的不断发展和完善[5]。在船岸协同下进行船舶半实物仿真研究中，其主要内容应包含航行环境建模，船舶运动建模以及控制器设计等方面。在环境建模方面，人工势场法在机器人路径规划方面有较好的应用[6]，可将人工势场与船舶领域相结合，对智能船的航行环境进行建模。在船舶的运动模型方面，由于USV大部分均为欠驱动船舶，需要结合实际情况选择不同的模型来对欠驱动船舶的运动模型进行数学描述[7-8]。对于船舶运动数学模型的参数，还需要通过不同的算法对船舶运动参数进行识别[9]，并根据此运动模型参数设计合适的智能控制算法[10]以对船舶进行控制。

根据智能船船岸协同模拟系统的需求，设计并搭建实验仿真平台，旨在研究船岸协同下智能船舶的安全航行与智能避碰算法的实现和验证。首先，对船岸协同模拟系统进行总体设计，在总体设计的基础上分别就智能船舶系统、船岸通信交互系统和仿真水域进行详细设计，从而构建完整的船岸协同系统，并通过设计的一套基于视距导航的路径跟踪实验证明满足自动航行要求；然后对船岸协同的关键技术进行分析和实现，由于船岸协同中预测较容易受环境的干扰，故在运动建模中加入了风力干扰，使得对于状态的预测更加准确。

1 船岸协同实验系统总体设计

要实现船岸协同模拟系统，需要分别进行软硬件系统设计。硬件系统包含智能船系统、通信系统、岸基支持系统和仿真水域环境系统；软件系统包含智能船控制程序和岸基交互程序。其中，在智能船系统中的感知部分加入风速风向仪，使得模拟系统能监测水文信息。在船岸通信方面，针对船舶的运动状态信息、船舶航行环境的感知信息以及岸端系统对船舶的控制指令设计全面的信息交互方式，确保信息交互的可靠性。

1.1 实验系统硬件设计

船岸协同系统硬件主要由智能船系统、通信系统、岸基支持系统和仿真水域环境构成，图1为其总体结构。

图1 船岸协同模拟系统组成架构Fig.1 The framework of the ship-shore coordination system

1.1.1 智能船测试系统

智能船模可通过无线通信模块接收控制指令进行远程遥控，也可按照远程端设置固定的航行路线进行循迹航行。该系统主要由模型船、感知系统、运动控制器以及远程监控系统等4个部分组成。

1）模型船。系统中采用的船模为“仁建天津”号货运标准船模缩比模型，由于模型船需要可远程遥控控制和半自主航行，在模型船上装有电池、小型船载计算机、驱动控制板和传感器等设备。传感器主要包括光电编码器、超声波传感器、无线通信模块、角度传感器等。

2）感知系统。模型船感知系统主要用于实时获取船舶航行环境信息和系统当前状态，航行环境信息主要通过小型激光雷达传感器和风速风向仪获取，模型船系统当前状态包含船舶执行机构状态和船舶本身状态，主要包括螺旋桨转速、舵角、船舶位置、航速、船首向、角速度、风速风向，以及船舶姿态等。

3）运动控制器。系统中运动控制器包括自主航行控制器和远程遥控控制器，自动航行控制器硬件部分包含工控机和船模驱动控制板。远程遥控控制器包含无线遥控终端和岸基遥控终端，通过4G或2.4G无线网络连接船模控制器，实现控制命令的下发和执行。

4）远程监控系统。远程监控系统包括数据监控和实时图像监控，数据监控指模型船在运动控制过程中的状态数据会实时发送至远程监控系统，实现船舶航行状态参数的实时监测和存储。另外还可通过实时视频监控，在遇到紧急情况时通过远程方式人工操控船舶，以保证航行安全。

1.1.2 通信系统设计

通信系统设计包括通信系统硬件设计和通信链路中数据协议设计及制定。为了保证通信系统的可靠性，系统总体通信架构为2.4G+4G的多模通信方式。系统中，通信链路主要包括智能船系统工控机、控制板、通信服务器、船舶与岸基终端间的数据相互传输。

1.1.3 岸基支持系统

岸基支持系统包括远程控制中心和避碰决策系统，利用通信系统将智能船载感知系统和远程监控系统采集的数据传至岸基服务器存储，并对智能船的航行状态实时状态进行监测，实现对船舶的远程监控，避碰模拟决策，以及再紧急情况下的远程控制。

1.1.4 模拟水域

智能船舶的航行仿真，不仅包含智能船舶在开阔水域的自主航行，还包括在受限和特殊水域安全的航行，要求实验水域能模拟不同的水域。根据模拟水域环境情况，将模拟水域场景划分为开阔水域、内河航道场景、模拟桥区、控制河段及港区等，根据环境要求设置不同的仿真参数，主要包含：可航行区域约束、风浪流干扰等级、航道区域约束等，可为智能船在实际航行水域中的控制算法提供场景验证。

1.2 系统软件设计

图2 系统软件图Fig.2 The system software

从系统总体组成可知，船岸协同控制系统的程序主要包括智能船控制程序和岸端交互程序。智能船控制程序包括对船舶运动状态的感知和船岸信息的交互程序，其架构见图2。程序利用智能船船载传感器对船舶运动状态信息的采集和航行区域内环境信息进行感知，通过处理后生成可航区域和障碍物等信息，并根据控制指令，对智能船的舵机和螺旋桨等执行机构进行螺旋角转速和舵机角度的调节控制；船岸信息交互程序主要完成智能船与岸基系统的信息交互，包括发送智能船的信息数据和生成智能船可执行指令等。岸端交互控制程序，包括客户端通信程序和船舶运动状态监测程序。客户端通信程序分为与智能船舶通信程序和交互客户端程序，交互客户端程序负责对人工控制指令的转发和船舶实时状态的显示，智能船通信程序负责与智能船相关数据的转发并存储；船舶运动状态监测程序通过接收智能船舶上传的实时状态信息和智能船舶的参数信息，建立船舶运动数学模型，再根据交互客户端发送的控制指令，对应船舶的运动模型，生成下位机能执行的控制指令。

2 船岸协同关键技术

实现船岸协同模拟系统，主要实现对船舶航行环境的感知和船舶运动状态的感知描述，其中船舶的航行环境感知包括静态、动态障碍物，可航行区域标记和基于船舶操纵性、避碰规则的船舶航行线路规划设计；船舶运动状态主要通过船载传感器采集的船舶位置和航行状态信息，建立船舶运动数学模型。

船岸协同模拟系统中的关键技术主要包括：航行环境参数建模、船舶运动模型建模以及船舶运动参数的辨识和运动控制算法的实现。

2.1 航行环境参数建模

船舶的航行环境参数主要包括静态、动态障碍物，可航行区域标记和基于船舶操纵性、避碰规则的船舶航行线路规划。人工势场法由Khatib[6]提出，本质上是一种对空间中实体的交互行为进行建模的方法。通过运用不同的势场函数，以对人工势场中的引力场和斥力场进行描述，主要用于机器人的避碰领域，Khatib[6]，Ren Jing 等[11]，Abkowitz 等[12]运用不同的势场函数对引力场和斥力场进行描述，式（1）为Khatib提出的斥力场的描述。

式中：U（r）为引力场描述；r 为环境中势场点到障碍物边缘的最短距离，m；r0为所影响的范围，m；A 为整体势场权重因子。

式中：U(K) 为斥力场描述；a 为势场再靠近障碍物边缘上升及障碍物时的下降速度，m/s；A 为整体势场权重因子；K 为距离障碍物的伪距，K 为0 时表示该市场点再障碍物的边缘，而K 会随着势场点与障碍物边缘距离的增加而增加。

在该研究中，对于无人船的航行环境，可航行区域为引力场，不可航行区域及动态静态障碍物可通过船舶领域等方式建立斥力场，通过船舶的基本尺寸、运动速度和位置传感器采集的数据作为人工势场模型的输入，建立船舶可航行区域模型。

2.2 船舶运动模型

根据不同的建模方式，船舶的运动数学模型一般可分为水动力模型和操舵响应性模型，其中水动力模型又可分为整体型模型和分离型模型[7-8，12]。整体型模型[12]主要将舵桨和船体视为一个整体来对船舶运动进行受力分析，但模型本身较为复杂，水动力导数较多且物理意义不明确，很难将船体结构（包括桨、舵）改变与模型参数变换关联起来；分离型模型[13]水动力导数物理意义明确，适合分析桨、舵的修改对船舶运动性能的影响。响应性模型描述了系统的输出（首向角（船首向）、首摇速度等）对应系统输入（舵角、螺旋桨转速等）的动态响应关系，相比水动力模型更为简洁，一般用于船舶运动控制器设计和操纵性分析[14]。

在船岸协同模拟系统中，考虑到后续的编队控制研究、自动靠离泊研究和会遇下的船岸协同控制研究等，需要对智能船航行进行更精确地预测。故结合航行水域中的风浪流等水文信息进行预测非常有必要。由于响应性模型能直接反映出艏向角、首摇速度与舵角、转速等操纵指令的动态响应关系，更易于船岸协同控制。

响应模型结构简单，其模型参数值通常只需要通过Z 型试验或者自航模实验数据进行辨识得到，可结合常用的控制算法进行实时控制[15]，是一种比较方便的船舶运动建模方法[16]。结合操舵响应性模型进行船模的运动模型建立。

式中：K，T1，T2，T3，σ 为水动力导数简化后的无量纲的量系数；a 为该项系数。

通过风速风向仪和罗经得到数据，风速为VF，m/s；船速为VC，m/s；相对船速为VX，m/s；风速与首向的夹角为β，(°)。关系如下。

式中：m 为模型船质量，kg；ρ 为空气密度，kg/m3；l 为模型船长度，m；H 为水面以上模型船侧面积，m2。

在该研究中，为使得运动模型仿真结果更加精确，在稳定风速和风向的前提下，考虑加入风力干扰d ，并结合操舵响应性模型建立船模的运动模型。

2.3 船舶运动参数辨识

对船舶的运动模型结构建立后，需要确定其模型参数。传统的辨识方法为最小二乘法、卡尔曼滤波和神经网络法，以及迭代搜索、多信息、阶梯、耦合等辨识方法[9]。其中最小二乘法和卡尔曼滤波是使用最广泛、实现较为简单的辨识方法，经典的最小二乘法通过对数学模型的参数进行寻优，使得误差平方和最小，其方法简单，但易受到噪声的影响；卡尔曼滤波辨识方法可同时对状态和噪声进行估计，可在线和离线的对参数进行辨识。在该研究中，使用LSSVM 方法对操舵响应模型进行辨识，具体方法见文献[17]。

2.4 运动控制算法

船舶运动控制主要分为船舶轨迹跟踪和路径跟随，轨迹跟踪控制是指在具有时间维度下使船舶跟踪预设轨迹的控制；路径跟随则是指不考虑时间维度的情况下对参考轨迹的跟踪控制[10]，其控制要求更低，更易于实现。

在路径跟随控制中，可以通过视距导航（line of sight，LOS）[18]，Serret-Frenet框架[19]，或双曲正切函数来构造回归计划航迹的期望船首向方程等[20]，将对路径的跟随问题转变为航向跟踪问题，也可以通过直接控制船舶位置达到航迹跟踪控制[21]。

常用的航向控制算法主要有PID 控制、最优控制、滑膜变结构控制、反馈线性化控制、反步法控制[22-26]、模型预测控制（model predictive control，MPC）。其中，MPC 能在控制过程中增加多种约束，适于船舶运动控制过程多约束的特点[27]，在该研究中采用MPC 实现船舶运动控制。此外，MPC控制性能与建模精确性、预测步长、目标函数最优求解效率都有关系，在控制过程中应结合具体的需求选择适当简化的模型、合适的控制参数和目标函数。

在船舶自主航行控制中，系统可以根据智能船舶采集的环境信息，对航行环境进行建模，再根据船舶实时运动数据建立的船舶运动模型，为MPC 控制器提供精确的路径跟踪模型保证；考虑到控制实时性和可行性，在满足精度需求的基础上需要对模型进行线性化和离散化，并在MPC求解最优输入序列时考虑系统约束，选取输入序列的第一个作为控制信号输入，最终实现船舶路径跟踪自主航行控制。

3 模型船试验

为验证加入干扰的运动模型是否更加精确，使用模型船实验平台进行验证，并同时验证了所设计的船岸协同系统的可靠性和完整性。该实验平台为“仁建天津”号集装箱船1：50缩比船舶，实船和模型船的有关参数见表1。根据船岸协同系统硬件需求，模型船搭载了电池、小型船载计算机、驱动控制板和激光雷达等传感器及设备，初步完成了操纵性实验、基本的路径跟随实验。

表1 船舶参数对照表Tab.1 Ship parameter comparison table

3.1 船舶运动辨识实验

为了准确辨识船舶运动参数，根据IMO 在“船舶操纵性标准”中确定的Z 形实验、回转实验进行自航模实验，船舶的转首稳定性和初始回转能力均由Z 型实验来评估。在辨识实验中，通过远程遥控正常吃水状况下的模型船，分别在10°，20°，30°下完成船舶Z 型实验。如图3 所示，为在固定风速风向的条件下的30°舵角下Z 形实验，利用LSSVM 方法对其船舶操纵性参数K，T1，T2，T3，α和σ，进行识别后，将原运动模型与加入稳定风力干扰的运动模型进行仿真预测，其结果与真实航行中首向进行对比。

图3 仿真结果与试验结果对比Fig.3 Comparison between simulation results and test results

图3 中为实际Z形试验中首向数据、加入稳定风力干扰后运动模型的仿真结果和未加入风力干扰模型的仿真结果三者对比。三者对比下，加入干扰后的运动模型，仿真结果相比较原结果更加贴合真实试验数据，由图中曲线和实验数据可知，该建模结果较之原建模减少了50%左右的误差，提高了模拟结果的精确性。但是仍存在部分偏差，原因是未考虑浪流干扰因素，在船岸协同模拟系统中未加入相应传感器采集浪流信息。

对于回转实验，船在30°舵角下的回转回转过程轨迹见图4，根据船载GPS 获取的数据，可直接获得船舶的回转直径和旋回速度，由于船模在回转过程中，受风的影响较大，船舶回转过程中的纵距、横距及战术直径等均出现较大的偏差。

表2 不同条件下30°舵角回转实验船舶回转直径和旋回速度Tab.2 The Final Diameter and angular velocity at the rudder angel of 30° under different weathercondition

3.2 船舶路径跟踪实验

为了模拟船舶在开阔水域的自动航行，设计了一套基于视距导航的路径跟踪实验，通过由岸基服务器向智能船系统发送一条轨迹数据，智能船根据当前点位置，搜寻轨迹的起点，并沿着跟随轨迹自动航行，见图5。

如图5 所示，叉曲线轨迹为预先设计的由离散的点组成的航行参考轨迹序列，点曲线轨迹为船舶的实际航行轨迹，从跟踪结果可以看出，智能船在接收岸端发送的轨迹后，能迅速驶到轨迹起点，并沿着轨迹进行航行。实际航行轨迹与参考轨迹的偏差在0.2～1m 以内，总体上能按照既定的规划，完成轨迹跟踪目标，满足模型船自动航行需求。