一种基于层次学习的自主泊船轨迹规划器,用于无人水面航行器
《Ocean Engineering》:A hierarchical learning-based autonomous berthing trajectory planner for unmanned surface vehicle
【字体:
大
中
小
】
时间:2026年04月02日
来源:Ocean Engineering 5.5
编辑推荐:
自主无人水面舰艇在复杂港口环境中的实时轨迹规划方法,结合离线最优控制与在线监督学习,构建两阶段神经网络框架。首先通过走廊约束直接法生成动态可行离线轨迹库,再训练神经网络实现毫秒级实时规划,满足高精度终端约束与多物理约束条件,仿真验证其比传统优化方法快近一个数量级且保持安全可控。
当前无人水面艇(USV)在复杂港口环境中的自主靠泊技术面临多重挑战。研究表明,传统路径规划方法在实时性、动态适应性和终端精度方面存在显著瓶颈。港口环境具有非线性动力学特征、密集静态障碍物分布以及严格的终端位置、航向和速度约束要求,这使得传统优化算法难以满足毫秒级实时响应需求。典型问题包括:搜索类算法过度依赖离散化网格导致控制平滑性不足;采样类方法生成的轨迹需额外进行平滑和时序优化,难以满足终端高精度要求;优化类方法虽能精确建模动力学和约束条件,但其高维非凸优化问题导致计算效率低下,难以适应动态环境中的闭环控制需求。
针对上述技术瓶颈,研究团队创新性地提出分层监督学习框架。该框架通过离线最优控制与在线神经网络协同工作,实现了复杂约束条件下的实时轨迹规划。核心设计思路是将港口环境划分为全局导航阶段和近场精确靠泊阶段,分别采用不同的技术策略。离线阶段通过改进的走廊约束直接优化方法,生成满足动态可行性、碰撞 avoidance 和终端约束的高质量轨迹样本库。这一过程采用两阶段优化策略:首先基于离散化环境生成粗略避障路径,再通过参数化传播模型进行时间优化,有效解决了传统直接法求解困难的问题。
在线控制阶段构建了两层神经网络架构。第一层负责全局路径引导,基于大范围轨迹样本库训练,能够快速生成符合港口拓扑结构的粗略路径;第二层专注于近场精确控制,通过端到端训练掌握高精度轨迹的生成规律。这种层级化设计既保证了全局航线的合理性,又实现了局部控制的精准性。实验表明,该框架在复杂港口场景中的轨迹生成时间较传统优化方法缩短近一个数量级,同时保持了最优控制策略的核心优势。
技术突破体现在三个方面:首先,通过走廊约束优化方法构建高质量轨迹样本库,解决了长期存在的离线规划与在线实时性矛盾;其次,采用任务分解策略将全局导航与精确靠泊解耦,使各阶段都能专注特定目标;最后,构建的监督学习模型具有双重优势——既保留了最优控制策略的约束满足特性,又具备神经网络实时生成的特点。实验验证显示,在典型港口场景中,该框架生成的轨迹在终端位置误差(±0.5米)、航向偏差(±2度)和速度稳定性(波动<5%)等关键指标上均优于传统方法,同时将计算时间从秒级压缩至毫秒级。
鲁棒性测试表明,该框架能有效应对多种干扰因素:在参数不确定性测试中,当USV动力学模型出现±10%的参数偏差时,仍能保持轨迹的动态可行性;在环境扰动测试中,面对风速突变(0-5m/s)、水流变化(±0.3m/s2)和波浪扰动(波长5-15米),系统仍能维持稳定控制,轨迹偏离率不超过8%。这些特性使其具备实际工程应用潜力,特别是在多变的港口环境中保持可靠运行能力。
研究团队通过构建包含2000+个真实场景的轨迹数据库,为模型训练提供了丰富的样本。数据库涵盖不同障碍物布局(密集型/稀疏型)、靠泊码头类型(垂直/斜向/偏心式)以及多变的初始条件(航速5-8节,航向偏差±30度)。这种大规模数据集的构建方式,既避免了传统强化学习需要大量环境交互的问题,又确保了模型对复杂场景的覆盖能力。仿真测试采用典型港口布局,包含3类 quay walls(长度50-200米)、12种障碍物( quay posts, berthed vessels, floating objects)和动态障碍物(如移动渔船),验证了框架在真实场景中的适用性。
该技术路线对实际工程具有三重价值:其一,通过离线规划与在线神经网络的协同,解决了实时性与精确性的矛盾,为USV自主靠泊提供了可行的技术路径;其二,构建的监督学习模型具有可解释性优势,其层级化结构便于工程人员进行参数调优和系统验证;其三,提出的两阶段策略可灵活适配不同规模的港口环境,在扩展性方面具有显著优势。未来研究可进一步探索模型轻量化设计,以及与数字孪生技术的融合应用,为港口无人艇的规模化部署奠定基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号