基于图卷积神经网络的海上多船会遇图结构化学习方法

本发明涉及无人艇通讯，特别是一种基于图卷积神经网络的海上多船会遇图结构化学习方法。

背景技术：

1、多船会遇一般是指在同一海区内出现多条船需要采取避碰行动的情况。这种情况可能是多船相互会遇并存在碰撞危险或是两船相互会遇存在碰撞危险，但是周围其他船的存在制约着这两船的避让行动。《国际海上避碰规则》仅对互见中的两船间会遇态势以及对应的责任划分做出了具体规定，而针对多船会遇问题只是给出原则性的指导意见，要求基于《规则》第二条“责任”条款的有关规定，按照海员通常做法和良好船艺的原则对多船会遇问题进行处理。

2、多船智能碰撞避免研究在船上自主导航系统中起着重要作用，但是仅考虑两船的遭遇情况不足以满足大量群众的海上实际航行要求，而多船会遇的场景更加复杂参与对象不固定，关系复杂，每增加一条船都会相应的产生多对更复杂的会遇关系。而如何能够清晰合理的分析多船会遇场景是提出船舶智能避碰决策的先决条件。

技术实现思路

1、本发明为了有效的解决上述背景技术中的问题，提出了一种基于图卷积神经网络的海上多船会遇图结构化学习方法。

2、具体技术方案如下：一种基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于：包括以下步骤：

3、步骤1、从ai s大数据中筛选识别两船会遇数据；

4、步骤2、基于两船会遇数据交叉匹配得到多船会遇数据；

5、步骤3、对多船会遇数据进行图结构化；

6、步骤4、构建图卷积神经网络。

7、优选地，步骤1中，根据国际海上避碰规则以及应用ai s数据进行筛选得到的方位图(002°-005°-044°-108°-108°-203°-252°-306°-355°)，基于船舶会遇方位图，可以讲两船会遇进行分类，在此分为25类，及其对应的会遇局面。

8、优选地，步骤2中，

9、多船相遇的场景包括以下7种情况：

10、(1)船1需要避让船2，但与此同时，船1也是其他船只的直航船。

11、(2)船1需要避让多艘船，但与此同时，船1还是其他船只的直航船；

12、(3)船1需要避让船2，然后在重新复航之前，船1对其他船只产生碰撞危险，并且需要继续避让其他船只；

13、(4)船1需要避让多艘船，在重新复航之前，船1对其他船只产生碰撞危险，需要继续避让其他船只；

14、(5)船1是其他船只的直航船；

15、(6)船1是其他船只的让路船；

16、(7)由于特殊原因，船舶无法生成避碰决策或进行避碰行动。

17、优选地，步骤3中，对多船的整体会遇过程进行时间切片采样处理，分解离散会遇数据，从而获得可以进行图结构训练的数据。

18、优选地，步骤4中，提出一个空间-固定图卷积网络模型，以使整个情况造船信息和关系输入图卷积神经网络，基于图卷积结构，lstm单元和多层感知器

19、与现有技术相比，本发明的有益效果是：本发明研究多船避碰决策，正确全面理解会遇场景，有效利用当前场景下的信息是最为重要的一环，实验的结果表明应用图论的方式表达多船会遇过程，可以使得所构建的时空图神经网络更好的理解当前的会遇场景，通过分析多船会遇的空间特征和时间特征来提高优化效率。具有广泛的应用和高通用性，以实现及时的策略生成，及时的响应和增强的多船会遇的安全性。这项发明对在复杂的交通状况下的海上运营效率和安全性有很大贡献，并且可以潜在地应用于未来海上人机混行条件下的无人船集群自主航行，在多船会遇的场景下，以更好地了解船舶驾驶员的碰撞意图。

技术特征：

1.一种基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于，步骤1中，根据国际海上避碰规则以及应用ais数据进行筛选得到的方位图(002°-005°-044°-108°-108°-203°-252°-306°-355°)，基于船舶会遇方位图，可以讲两船会遇进行分类，在此分为25类，及其对应的会遇局面。

3.根据权利要求1所述的基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于，步骤2中，

4.根据权利要求1所述的基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于，步骤3中，对多船的整体会遇过程进行时间切片采样处理，分解离散会遇数据，从而获得可以进行图结构训练的数据。

5.根据权利要求1所述的基于图卷积神经网络的海上多船会遇图结构化学习方法，其特征在于，步骤4中，提出一个空间-固定图卷积网络模型，以使整个情况造船信息和关系输入图卷积神经网络，基于图卷积结构，lstm单元和多层感知器。

技术总结
本发明涉及船舶智能驾驶技术领域，特别是一种基于图卷积神经网络的海上多船会遇图结构化学习方法，包括以下步骤：步骤1、从AI S大数据中筛选识别两船会遇数据；步骤2、基于两船会遇数据交叉匹配得到多船会遇数据；步骤3、对多船会遇数据进行图结构化；步骤4、构建图卷积神经网络。该发明对在复杂的交通状况下的海上运营效率和安全性有很大贡献，并且可以潜在地应用于未来海上人机混行条件下的无人船集群自主航行，在多船会遇的场景下，以更好地了解船舶驾驶员的碰撞意图。

技术研发人员：高邈,张安民,韩羽,张佳骥
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/3/24