基于神经网络的激光测距辅助靠离泊系统研究

孙肃徽

（山东省港口集团有限公司，山东 青岛 266011）

0 引言

智慧港口的建设对船舶的靠泊安全性提出了越来越高的要求，其中影响船舶安全和港口工作效率的一个很重要因素就是船舶的靠离泊[1]。随着港口码头的船舶吨位和密集程度不断地增加，船舶吨位大、惯性大，在靠离泊时存在稳定性差、操作性弱的缺点。近年来的海损事故也是频频发生，靠离泊问题导致的岸与船发生碰撞的事故严重影响了港口的工作效率[2]。而且，如果靠离泊时发生碰撞不仅会危及人员安全，而且还可能导致港口环境污染。因此，优化靠离泊辅助系统，对解决靠离泊难的问题有重要的实际意义。

激光具有稳定性高、抗干扰能力强以及定向性能好的特点[3]，特别适用于港口码头这种复杂多变的环境。智慧港口自动靠离泊技术能够实时精确检测船舶相对港口码头的距离、速度等数据信息。BP 神经网络具有强大的推导和学习能力，能够准确、快速地处理激光测距仪收集到的不稳定信息，然后及时、准确地对靠离泊状态进行判断。该研究基于神经网络的递归原理，提出将激光测距参数引入BP 神经网络模型，进而提高船舶靠离泊的安全性、准确性。

1 激光测距技术的原理

激光测距技术诞生于1960 年，主要目的是以激光作为载波，根据发出和接收激光脉冲的时间差来实现对目标距离的测量。常用的激光测距法（例如相位法和超声波）都具有距离较短、最大距离受限的缺点，不可扩展；而脉冲法是采用远近红外激光的模式，基于该技术的测距仪具有对相干性要求低、输出功率高、频率高、效率高、结构简单以及可扫描范围广的优点。具体测距的原理如图1 所示。

图1 脉冲式激光测距原理图

激光发射器发出脉冲激光，经过一段距离到达目标后被反射，激光接收系统中的光电探测器接收反射的回波信号，计时电路通过脉冲信号和回波信号到达的时间差得出目标物体与发射出的距离。由于激光具有能量集中、穿透能力强且光源稳定的特点，因此特别适合应用于复杂环境条件下的距离测量。由于船型外倾，传统低能光源检测方法会失效，但是，激光在经过光线的折射后，依然可以将大部分的能量返回接收器，因此该研究选用激光器做为辅助靠离泊的测距光源。

2 基于神经网络的激光测距靠离泊系统

2.1 系统整体设计

辅助靠离泊系统可以监测船舶距码头的距离、靠离泊速度以及靠离泊角度等，并根据风速、风向、潮位、流速以及流向等数据对船舶靠离泊安全速度进行修正，为船舶靠泊、停泊和离泊提供准确的数据支持。同时，船舶姿态数据经神经网络算法处理就可以得到船舶的最优靠离泊路径，系统主要组成如图2 所示。

图2 基于神经网络的激光测距靠离泊系统组成图

基于神经网络的激光测距靠离泊系统主要由激光雷达扫描系统、神经网络数据模型、显示面板以及报警设备等部分组成，各部分主要负责的工作如下。

2.1.1 激光雷达扫描系统

可通过激光扫描的方式对船舶和港口码头之间的空域进行实时定向扫描，并形成船舶及码头的状态参数。检测的状态参数信息可通过岸基网络发送至岸基数据分析中心。

2.1.2 BP 数据模型

BP 数据模型是数据处理中心的核心模块。将激光雷达采集到的信息作为输入，经BP 神经网络训练系统的数据模型计算得到船舶速度、航行方向、离岸距离以及靠离泊动态情况等输出值，并通过显示面板等直观地显示信息，便于岸边靠离泊人员和船舶驾驶员及时调整船舶状态，保障船舶安全地靠离泊。

2.1.3 报警设备

通过智能预测系统对船舶当前的运行状态进行动态预测。经过数据模型分析，如果判断当前状态下船舶靠离泊会发生碰撞事故时，那么报警装置就会发出警报，并显示优化靠离泊参数，同时提醒工作人员及时地进行调整。

2.1.4 显示面板

显示面板按照功能主要分为辅助靠离泊作业模块、作业任务模块以及港口态势模块。其中，辅助靠离泊作业模块可显示船舶相对岸边的状态参数信息，主要包括船型、船速、距离、航向、风速以及风向等，它是指导现场拖轮作业的核心手段；作业任务模块与港口核心任务调度系统进行对接，实现对港口作业任务的下发及领取；港口态势模块与港口信息管控系统进行对接，实现对港口态势的感知及全域监控。融合电子地图技术可以以动画的形式显示船舶的实时动态信息。

2.1.5 参数设置

可手动输入并设置船舶的类型、作业编号、任务委派以及任务检索等。当需要流程作业之外的动作时，可通过手动参数设置，实现对辅助靠离泊作业的指导。

2.2 系统通信设计

该系统主要包括2 台工控机、2 台激光测距仪、1 个5G 模块、2 个无线模块及1 台4G 手持终端（4G 手持终端和大屏显示为2 种设计方案，在具体应用过程中可根据港口现场实际情况进行选配；另外，也可以同时选配2 种显示方式。2 种显示方案采用相同的数据传输协议，可直接快速选配替换）。2 台激光测距仪测量计算船舶距岸基的距离，通过RS-422 串口通信传送到工控机端；工控机对接收到的数据进行处理分析后，通过网口通信与5G模块进行数据对接。其中，从站的工控机与主站的工控机基于Lora的无线模块进行数据通信，然后将数据传递到5G 模块端，进而将数据传递到远控中心。航站中心将获取的风速、风向等环境参数传递到远控中心端，远控中心控制器通过有线网络接入公网，且分配1 个固定IP，进而与基于4G 手持终端处进行数据通信，有效地提高了船舶靠岸的效率。系统通信网络如图3 所示。

图3 系统通信网络

2.3 基于BP 神经网络的参数递归方法

感知机是一种计算模块，同时也可以作为神经网络的最小组成单元，即神经元。DNN 是一种常用的神经网络，主要特点是在普通神经网络的基础上引入了多层隐藏层，具有集成度高、学习力强的优点；能够轻松地描述船舶靠离泊情况。DNN 神经网络拓扑图如图4 所示。

图4 DNN 神经网络拓扑图

DNN 包括多层由众多神经元组成的层，其中第一层是输入层，中间的都是隐藏层，最后一层是输出层，层与层之间通过节点函数和参数值进行递归传递，假设在第l-1层一共有m个神经元，那么对l层第j个神经元的输出。如公式（1）所示。

式中：zl为第l层输入函数；k为数据个数；为第l层参数矩阵；为第l层数据；为第l层数据偏移值。

用矩阵表示整个l层的输出，如公式（2）所示。

式中：al为第l层输出；al-1为第l层数据向量；W l和bl为层与层之间连接的参数矩阵和偏移向量。

该系统采用基于DNN 模型的BP 神经网络，即反向传播技术（back-propagation，BP）来对参数进行更新和网络训练。该系统选择的BP 算法是一种神经网络参数梯度方法，根据微积分中的链式法则，可从输出层逐层返回到达输入层。依次计算并更新各层变量以及参数的梯度。反向传播更新过程如下。

根据第l层的输出al和第l层的数据输入t l计算总误差，如公式（3）所示。

使用梯度下降法更新输出该al的隐藏层的权重，如公式（4）所示。

式中：wi为第i层数据权重。

根据梯度下降法更新同一层的偏移量，如公式（5）所示。

式中：bi为第i层偏移基准值。

为了避免使用固定学习率η可能会带来梯度消失、过拟合以及梯度爆炸等问题，引入自适应学习率的方式，根据计算过程中的数值不断更新学习率，实现对算法的优化。在BP模型中以激光雷达采集到的数据为输入，通过该算法逐层向下递归计算，并最终通过输出层得到船舶的动态预测信息，进而实现对船舶靠离泊的动态预测。

2.4 数据显示

辅助靠离泊系统数据显示有现场大屏显示和移动终端显示2 种方式。

2.4.1 大屏显示

大屏显示要求如下：1）大屏满足户外使用，防水防尘。2）满足港口码头潮湿、腐蚀的恶劣环境。3）数据显示清晰，可显示3 种颜色。

选用3 200 mm×1 600 mm 的户外P10 LED 全彩大屏，通过膨胀螺栓安装在码头岸边，面向船舶方向，引航员可以在400 m 外通过肉眼清晰识别。

显示屏显示船舶靠离泊距离、速度以及安全预警等，预警方式：绿色-安全；黄色-警告；红色-报警。显示功能如下：1）船头、船尾距靠泊码头平台的距离。各显示三位整数，另加二位小数，单位：m。2）船头、船尾速度。各显示二位整数和1 个符号位，单位：cm/s。3）预警显示。

2.4.2 移动终端

移动终端采用便携式无线数传显示终端，通过4G 无线通信与远控中心对船岸距离、速度、角度、风速和风向等数据进行对接，并模拟显示船舶靠离泊过程情况，让引航员更直接、更方便地了解船舶和码头的各项动态数据。

2.5 靠离泊激光测距系统运行流程

该研究设计的基于神经网络的激光测距辅助靠离泊系统工作流程如图5 所示。

图5 基于神经网络的激光测距辅助靠离泊系统工作流程图

以测量船舶靠岸为例，岸边和船上的激光雷达不断扫描环境数据，并通过网络发送给数据分析中心，数据中心首先会对数据的合理性进行判断，只有非异常数据能够进入下一步分析。将实时检测到的合法数据输入BP 神经网络，通过计算得到危险距离和危险情况的边界，如果达到靠岸临界距离，那么会通过警报和显示屏告知工作人员，并及时做出调整；如果处于安全距离，则会继续进行检测。

3 结语

该系统采用基于BP 神经网络的激光测距技术对船舶靠离泊过程中的周围环境进行实时检测和监控。利用激光传感器实现对船舶相对于岸边的多角度大范围数据的采集，进而实现对船舶靠离泊时船舶相对于岸边的距离、角度以及速度等的实时监测，并通过BP 神经网络自主判定当前靠离泊的状态，同时针对危险状态进行预警。该方法有效克服了不同环境、不同船型以及不同速度下设定固定报警距离、人为判断导致的不确定性，提高了船舶靠离泊的安全性和效率。通过实验证明，该系统能够有效辅助船舶靠离泊，显著提高了船舶靠离泊的精准率，具有良好的反应能力和应用前景。