嚴(yán) 科

（中國海警局直屬第四局，海南 文昌 571339）

模擬駕駛系統(tǒng)需具備一定的識別與避障功能，有效識別駕駛期間的障礙物，對提高航行安全有著關(guān)鍵意義?，F(xiàn)如今基于船舶模擬航行期間的障礙物識別，很多學(xué)者都開展了研究。一些學(xué)者基于船舶領(lǐng)域模型，對其障礙物開展識別，防止在航行期間，因為障礙物導(dǎo)致碰撞。針對障礙物識別，一些學(xué)者引入了動態(tài)分階勢場法，達(dá)到船舶智能避碰。上述方式雖然能夠識別障礙物，但是沒有加以分析船舶航行期間，駕駛控制給避礙帶來的影響，有著一定的局限性?；谡系K物識別，對于以上方式的不足，分析障礙物自動識別?；谙到y(tǒng)模擬特點，引入優(yōu)化的支持向量機達(dá)到智能識別。基于驗證方式能夠智能識別駕駛期間的障礙物，具備較好的運用性，為自動航行與明確航行策略提供理論支持。

1 船舶簡介

對于船舶來講，其是不同類型船只的總稱，其是可以航行或停于水域開展運輸?shù)墓ぞ?，根?jù)不一樣的應(yīng)用需要，存在不一樣的技術(shù)功效以及裝備等。船舶屬于一種常常在水中運行的工具，就民用船而言，通常被叫作船，對于軍用船，通常被叫作艦，規(guī)模較小的船叫作艇或者舟，它的總稱是艦船[1]。內(nèi)容一般涉及支撐與排水結(jié)構(gòu)等，配備有推進系統(tǒng)。從外型來看，通常屬于流線性包絡(luò)，材料伴隨科技發(fā)展持續(xù)更新，早期是一些自然材料，比如木以及竹，現(xiàn)如今，大部分為鋼材、亞克力等。

2 支持向量機（SVM）

其簡稱是SVM，誕生于1995 年，對于高維模式識別等有著顯著的優(yōu)勢，且可以推廣于機器學(xué)習(xí)問題。能夠研究信息，辨別模式，用來分類以及回歸研究。對于支持向量機（SVM），本文主要從動機、支持原因、支持向量以及相關(guān)技術(shù)支持等進行分析，希望能為相關(guān)人員提供借鑒。（1）簡介。對于支持向量機方法來講，它是基于VC 維理論，結(jié)合樣本信息復(fù)雜性與學(xué)習(xí)能力，尋求最優(yōu)折中，獲取最佳的推廣能力。（2）動機。對于分類過程，往往希望屬于機器學(xué)習(xí)過程，對于數(shù)據(jù)點，希望可以借助超平面分開，這就是線性分類器，大部分分類器均滿足此要求。不過還希望尋求分類最好的平面，若可以獲取最寬間隔超平面，則此分類器便屬于相應(yīng)規(guī)模最大的分類器。（3）支持原因。把向量投射至空間內(nèi)，打造最寬間隔超平面，在其左右兩側(cè)配備2 個超平面。打造方向合理的分隔超平面，讓距離達(dá)到最遠(yuǎn)。其假設(shè)是，間距越大，誤差越小。（4）支持向量概述。通常指訓(xùn)練樣本點，機器本質(zhì)上屬于一個算法，往往將一些算法當(dāng)作機器。SVM 和神經(jīng)網(wǎng)絡(luò)相似，均屬于學(xué)習(xí)型機制，不同點在于所采取的數(shù)學(xué)方式以及優(yōu)化技術(shù)。（5）相關(guān)技術(shù)支持。SVM屬于一種分類技術(shù)，是重要的模式識別方法，常常推廣于模式識別方面。在當(dāng)時，因研究不是很完善，對于識別問題的處理常常趨于保守，數(shù)學(xué)方面相對艱澀，研究未獲得高度重視。直至20 世紀(jì)90 年代，SLT 的實現(xiàn)與研究碰到一些困難，例如極小點問題，促使支持向量機迅速完善，在識別問題處理上呈現(xiàn)出獨特的優(yōu)勢，且可以運用于機器學(xué)習(xí)問題[2]?；诖耍涞靡钥焖侔l(fā)展，如今在很多領(lǐng)域均獲得了實踐，比如文本識別。SVM 的一大亮點為給出對偶理論，其核心在于核函數(shù)。空間向量集一般不易劃分，處理方式為映射至高維空間。不過此方法的運用會促使計算更加復(fù)雜，而通過核函數(shù)能夠有效處理此問題。換句話來講，唯有選擇合理的核函數(shù)，才能夠獲取分類函數(shù)。在支持向量機理論中，選擇不一樣的核函數(shù)將造成不一樣的算法。明確核函數(shù)后，因為數(shù)據(jù)存在誤差，鑒于推廣問題，所以選擇了2 個參變量進行校正，也就是松弛與懲罰系數(shù)，基于明確核函數(shù)，通過比較實驗取定系數(shù)，這一項研究便差不多完成了，適合有關(guān)學(xué)科運用，存在較強的推廣性。誤差是絕對的，各學(xué)科、各專業(yè)的要求也有所不同。

3 粒子群優(yōu)化算法（PSO）

其簡稱是PSO，屬于一項非常重要的進化技術(shù)，其同退火算法類似，基于迭代獲得最佳解，也借助適應(yīng)度來進行度量，相比之下，PSO 更簡單，基于追隨最優(yōu)值，尋求全局最優(yōu)。此算法憑借顯著的優(yōu)勢而被高度重視，比如精度高，其屬于一種并行算法。PSO屬于一項進化技術(shù)，誕生于1995 年，源自分析鳥群捕食行為。PSO 起初被飛鳥活動啟發(fā)，由此借助群體構(gòu)建的模型。PSO 基于觀察活動行為，通過個體對信息共享，基于問題求解空間，讓群體移動形成演化過程，由此得到最佳解。相比于遺傳算法，PSO 不具備其用的交叉與變異，PSO 易于實現(xiàn)，不用調(diào)整較多參數(shù)?，F(xiàn)如今，已經(jīng)大力推廣于函數(shù)優(yōu)化、遺傳算法等方面。對于粒子群優(yōu)化算法（PSO），本文主要從和遺傳算法的比較、主要參數(shù)與經(jīng)驗設(shè)置等方面進行探討，以供參考。（1）簡介。PSO 模擬捕食行為，優(yōu)化問題的解，也就是“粒子”。全部粒子均存在適應(yīng)值，還存在一個速率決定運動方向以及距離。PSO 初始化是隨機解，之后基于迭代尋求最優(yōu)解，基于跟蹤極值來完成更新，最優(yōu)解也就是個體極值，另一個就是全局極值。（2）比較。PSO 不具備遺傳操作，結(jié)合速度來進行搜索，粒子存在一個關(guān)鍵的特點，即記憶。同遺傳算法進行比較，PSO 數(shù)據(jù)共享體系有所差異。對于遺傳算法，共享數(shù)據(jù)，種群朝著最優(yōu)區(qū)域運動?；赑SO，屬于單向數(shù)據(jù)流動。相比之下，一般情況下，粒子較快收斂于最佳解。（3）主要參數(shù)與經(jīng)驗設(shè)置。一是采用實數(shù)編碼。用不著二進制編碼求解，粒子能夠直接進行編碼，尋優(yōu)環(huán)節(jié)屬于迭代過程，對于終止條件，通常也就是滿足最小錯誤要求。在PSO 中，對于粒子數(shù)，通常取20 至40，針對很多的問題，十個粒子已能夠獲取較佳結(jié)果，然而針對較難問題，可取100 或者200。對于粒子長度，這與優(yōu)化問題相關(guān)，即為問題解的長度。對于最高速度，與最大運動距離有關(guān)，一般視為粒子范圍寬度。對于終止條件，也就是達(dá)到最小錯誤要求。對于全局與局部PSO，包含兩種優(yōu)化算法，對于全局優(yōu)化算法，其速度較快，可能陷入局部最佳，對于局部優(yōu)化算法，其收斂較慢，但不易陷入局部最佳[3]。具體實踐過程中，可通過前者找出大致結(jié)果，再通過后者開展搜索。二是慣性權(quán)重。在最大速度很小時，利用趨近于1 的慣性權(quán)重；在最大速度較小時，建議取用權(quán)重0.8；若不存在最大速度信息，也可以使用0.8當(dāng)作權(quán)重；在這一參數(shù)非常小時，注重體現(xiàn)局部搜索性能；在這一參數(shù)非常大時，注重體現(xiàn)全局搜索性能。

4 船舶模擬駕駛系統(tǒng)障礙物自動識別方法

1.系統(tǒng)結(jié)構(gòu)概述。系統(tǒng)設(shè)置了多個單元，比如電子海圖模擬，收集模擬駕駛期間的環(huán)境數(shù)據(jù)?？刂浦行耐ㄟ^傳感器來收集環(huán)境信息，對障礙物特征向量進行提取。把所獲得的障礙物特征當(dāng)作優(yōu)化支持向量機輸入，由其智能識別障礙物。系統(tǒng)結(jié)合識別結(jié)果，當(dāng)作模擬駕駛決策，對航行方向進行控制。系統(tǒng)布置了兩個投影儀，展現(xiàn)模擬駕駛狀態(tài)。通過PLC 控制芯片收集開關(guān)量，對駕駛狀態(tài)進行管控。借助變頻器轉(zhuǎn)動舵輪，對航行方向進行控制。

2.利用聚類法完成對特征向量的獲取。通過傳感器收集環(huán)境信息，基于所統(tǒng)計的點云數(shù)據(jù)對特征向量進行提取。通過對聚類法的使用來對障礙物特征進行提取。針對相鄰點距離，設(shè)計閾值，向特征向量實行提取。對于待進行聚類的數(shù)據(jù)，以D=(ri,δi)來表示，其中ri 代表點云數(shù)據(jù)位置，δi 代表角度值。針對點云數(shù)據(jù)和相鄰點，可通過相關(guān)公式來對二者的距離值進行計算。用d`來表示距離閾值，在結(jié)果大于閾值時，代表數(shù)據(jù)i 是斷點，把數(shù)據(jù)分成各類別。以C=[c1...cm]T 來代表特征集，基于聚類把數(shù)據(jù)分成m 個類別。在結(jié)束聚類之后，獲得障礙物特征，用ci 來表示。在船舶模擬駕駛期間，使用障礙物長短以及數(shù)量等來當(dāng)作其特征。基于對聚類法的使用來對特征向量進行提取，對聚類結(jié)果進行綜合，建立特征向量表達(dá)式。

3.基于系統(tǒng)模擬特性，通過優(yōu)化的支持向量機達(dá)到障礙物自動識別。針對障礙物自動識別，通過對支持向量機的使用，將其當(dāng)作分類器，選擇特征向量（用c 來表示）、識別結(jié)果（用y 來表示）來當(dāng)作訓(xùn)練樣本。對于樣本參數(shù)，用{（ci,yi）|∈Y}來表示，對于識別結(jié)果集，用Y=（y1,y2,y3）來表示，其中y1 代表未知障礙物，y2 代表航標(biāo)，y3 代表其它船舶。向量機基于特征空間，采集能夠把提取的特征向量，分為各類超平面。通過K(xi*xj)來代表核函數(shù)[4]?；趶较蚧撕瘮?shù)，將其看成識別的核函數(shù)。通過向量機進行自動識別時，明確核參數(shù)非常關(guān)鍵，引入粒子群算法，來對最佳核參數(shù)進行明確。從全局最優(yōu)化算法來看，該算法是不可或缺的。對核參數(shù)進行設(shè)置，將其當(dāng)作算法的粒子。借助優(yōu)化算法，改進運用于系統(tǒng)，以下是分類器流程：第一，對算法參數(shù)進行初始化。第二，結(jié)合預(yù)測和實際結(jié)果，對適應(yīng)度值進行計量。第三，對運動速率與位置進行更新。第四，在完成更新之后，針對不同粒子，對它們的適應(yīng)度值進行計量。第五，比較最優(yōu)位置和速率，當(dāng)前最佳位置與速率，在優(yōu)于全局最佳位置與速率時，針對當(dāng)前最佳位置與速率，將二者設(shè)成全局最佳速率與位置。第六，在符合適應(yīng)度值時，將核參數(shù)進行輸出。第七，通過支持向量機，對識別結(jié)果進行輸出。

5 模擬駕駛系統(tǒng)自動識別方法的實踐運用

針對船舶模擬駕駛，選擇某一海域當(dāng)作模擬對象?；谡系K物自動識別，設(shè)置研究海域是1*1 千米。系統(tǒng)通過對傳感器的使用，來對障礙物信息進行收集，為識別夯實數(shù)據(jù)基礎(chǔ)。對于系統(tǒng)所使用的傳感器，其角度范圍最高是180°，掃描頻率達(dá)到40 赫茲，二極管波長達(dá)到1.02*103 納米。在系統(tǒng)運行時，能獲取顯示界面。就模擬駕駛系統(tǒng)而言，其能夠模擬駕駛過程，達(dá)到三維動態(tài)模擬。借助該系統(tǒng)對航行狀態(tài)進行模擬時，基于界面顯示結(jié)果，對駕駛狀況進行控制。系統(tǒng)具備全景展示功效，能夠有效觀察航行的附近環(huán)境情況[5]。系統(tǒng)具備較好的真實性，能夠在模擬訓(xùn)練中進行使用。基于模擬區(qū)域，設(shè)五個靜態(tài)障礙物。通過本文提出的方法，來對障礙物進行識別，根據(jù)識別結(jié)果，對駕駛路徑進行規(guī)劃。系統(tǒng)使用本文提出的方法，當(dāng)作自動識別方法，能夠準(zhǔn)確識別障礙物。針對所設(shè)的五個障礙物，本文提出的方法都能夠有效識別。在系統(tǒng)運行時，把識別結(jié)果當(dāng)作駕駛路徑規(guī)劃的根據(jù)，達(dá)到模擬駕駛期間的避障。基于系統(tǒng)模擬區(qū)域，設(shè)計動態(tài)障礙物，設(shè)其以每秒6 米的速度運動。對識別結(jié)果進行統(tǒng)計，當(dāng)處于動態(tài)運行狀態(tài)時，本文所提出的方法也能夠有效識別，能夠適應(yīng)海洋環(huán)境變化，達(dá)到智能識別。把識別結(jié)果當(dāng)作避障決策的核心根據(jù)，有效規(guī)避障礙物，順利到達(dá)目標(biāo)點。

歸納本文方法在系統(tǒng)運行期間自動識別的結(jié)果，以下是詳細(xì)的統(tǒng)計結(jié)果：對于障礙物1，識別結(jié)果是未知障礙物，其方向是東北方向，障礙物角度是35°，同船舶之間的距離是152 米；對于障礙物2，識別結(jié)果是其他船舶，障礙物方向處于北面，障礙物角度是28°，同船舶之間的距離是352 米；對于障礙物3，識別結(jié)果是航標(biāo)，障礙物方向是西北方向，障礙物角度是43°，同船舶之間的距離是285 米；對于障礙物4，識別結(jié)果是未知障礙物，障礙物方向是東南方向，障礙物角度是46°，同船舶之間的距離是341 米；對于障礙物5，識別結(jié)果是航標(biāo)，障礙物方向是東北方向，障礙物角度是52°，同船舶之間的距離是254 米；對于障礙物6，識別結(jié)果是航標(biāo)，障礙物方向是西北方向，障礙物角度是46°，同船舶之間的距離是568 米；對于障礙物7，識別結(jié)果是其他船舶，障礙物方向是西南方向，障礙物角度是48°，同船舶之間的距離是345 米；對于障礙物8，識別結(jié)果是未知障礙物，障礙物方向是西北方向，障礙物角度是56°，同船舶之間的距離是285 米。對實驗結(jié)果進行分析，使用本文提出的方法能夠準(zhǔn)確識別障礙物類型?；谡系K物方向、角度及其和船舶之間的距離，有效識別障礙物，明確障礙物實際位置。在進行模擬駕駛時，結(jié)合識別結(jié)果，成功規(guī)避障礙物，符合安全航行需要。

6 結(jié)論

基于系統(tǒng)對識別精度要求苛刻的特征，分析自動識別方法，把這一方式運用于系統(tǒng)具體實踐中?；隍炞C，這一方法能夠有效識別障礙物，針對動態(tài)和靜態(tài)障礙物，此方法都能夠精準(zhǔn)識別，因此，可以通過有效運用此方法來優(yōu)化船舶駕駛工作水平，保證船舶的穩(wěn)定運行。