船舶运动轨迹预测系统方法及系统

技术领域

本发明涉及船舶控制领域，具体而言，涉及一种基于船舶运动轨迹预测系统方法及系统。

背景技术

船舶轨迹预测方法有3种分别，使用运动学的方法、使用基于传统模型方法的和使用深度学习的方法。使用运动学的方法及使用基于传统模型方法在实际任务中得到了广泛应用。

但随着人工智能技术的飞速发展，使用深度学习方法进行船舶轨迹预测研究受到研究者们的重视。对船舶轨迹预测的本质上是从AIS数据中采集到的一系列带时间戳的轨迹点。但船舶的轨迹点采集对环境及卫星要求严苛，容易使船舶在某一区域或某一时间内获取稀疏和/或异常的若干轨迹点，造成深度学习输入样本的不足或预测结果的偏差。

发明内容

基于此，本发明实施例第一方面公开一种船舶运动轨迹预测方法，所述方法包括，获取船舶的若干稀疏轨迹点，S(i)＝{π

本发明实施例第二方面至少公开一种船舶运动轨迹预测系统，所述系统包括轨迹获取模块、异常检测模块、插值计算模块及轨迹预测模块；所述轨迹获取模块用于获取船舶的若干稀疏轨迹点；

S(i)＝{π

本发明实施例与现有技术相比，本实施例方法判断相邻稀疏轨迹点作为深度学习的输入是否异常，在排除异常后生成代替的插值轨迹点，插值轨迹点与稀疏轨迹点作为预测模型的输入，以获取预测轨迹点。

针对上述方案,本发明通过以下参照附图对公开的示例性实施例作详细描述,亦使本发明实施例的其它特征及其优点清楚。

附图说明

为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。

图1为本实施例船舶运动轨迹预测方法的流程示意图；

图2为本实施例船舶运动轨迹预测方法中步骤S500的流程示意图；

图3为本实施例船舶运动轨迹预测系统的结构示意图。

具体实施方式

为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。

在此使用时,单数形式的“一”、“一个”和“/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

本实施例公开有一种船舶运动轨迹预测方法，应用在对单艘船舶运动轨迹的预测及跟踪。本实施例方法通过应用在采集稀疏轨迹点时对单艘运动轨迹的有效预测。

本实施例船舶运动轨迹预测方法的程序可执行在船舶本地部署的计算终端，或执行在与船舶远程通信的远程控制端。为提高本实施例的可理解性，本实施例对计算终端、远程控制端总称为终端。此终端执行实施船舶运动轨迹预测方法的必要程序，所指是基于船舶运动轨迹预测方法的实施可以在船舶本地或管理船舶的远端。

本实施例终端通过远程通信的方式获取来自各船舶的GPS或北斗在历史时刻的经纬度数据，以及船舶可根据陀螺仪获取船舶的速度、航向，通过感知设备，例如相机或雷达，获取其他目标船舶的位置，并根据感知设备的数据及其他船舶的经纬度数据计算其他目标船舶到本实施例船舶的直线距离。

图1示出本实施例基于船舶运动轨迹预测方法的流程示意图。图1中本实施例方法包括步骤S100到S600。

步骤S100，终端获取船舶的若干稀疏轨迹点，S(i)＝{π

其中，最近目标为静态目标或动态目标。

静态目标为航机中对船舶行驶安全可能造成影响的目标，如礁石、灯塔等。静态目标的选择一般是航海地图中有明确标记的目标。

动态目标一般为同海域内对向或相向行驶的其他船舶。动态目标的选择一般是由船舶指挥官判断影响航行的目标。

步骤S200，终端获取一个稀疏轨迹点与相邻两个稀疏轨迹点的经度、纬度、速度、航向中的一项或多项的数值异常。

其中，数值异常可能是任意一个稀疏轨迹点与其相邻经度、纬度、速度、航向一个或多个项的数值差大于对应阈值，也可能是任意一个稀疏轨迹点的经度、纬度、速度、航向大于或等于多个疏轨迹点对应项的平均数值的若干倍数。数值异常说明此稀疏轨迹点中经度、纬度、速度、航向的至少一项受到来自环境、卫星等外部干扰，或出现来自传感器偏移等内部错误，需要对此稀疏轨迹点作出排除并在后续步骤中对此稀疏轨迹点作出填补。

以及，数值异常也可能并非因环境、外部卫星、内部设备等因素造成，可能是因稀疏轨迹点中相邻两个轨迹点之间时刻过于远离，造成数值差较大。

S300终端在判断数值异常时排除异常的稀疏轨迹点，并且在被排除稀疏轨迹点的前、后相邻时刻两个稀疏轨迹点之间插值有至少一插值轨迹点S(k)。

其中，插值轨迹点S(k)的时刻T(k)为相邻两个稀疏轨迹点的时刻T(K+1)及T(K-1)的中值，以减少插值轨迹点S(k)的插值相对两侧相邻稀疏轨迹点的相对偏移。

步骤S400，终端根据插值轨迹点S(k)的相邻时刻两个插值轨迹点S(k-1)及S(k+1)的特征计算插值轨迹点S(k)的π

其中，插值轨迹点S(k)的π

式中，h

同理的，插值轨迹点S(k)的μ

其中，插值轨迹点S(k)的V

式中，V为船舶k时刻前平均航行速度，f(V

步骤S500，终端根据π

其中，图2示出本实施例获取插值轨迹点S(k)的V

步骤S501，终端选择目标为一持续跟踪的目标船舶；

步骤S502，终端获取k-(1+n)时刻及k+1时刻稀疏轨迹点的ω

步骤S503，终端计算k时刻插值轨迹点为，

式中，

步骤S600，终端输入n个t时刻前稀疏轨迹点及插值轨迹点的特征到预测模型，获取t时刻预测轨迹点的特征。

其中，在步骤S600执行前对输入预测模型的稀疏轨迹点和/或插值轨迹点的特征进行归一化处理。

其中，预测模型为长短期记忆网络模型为，

遗忘门为f

输入门为i

更新向量为C

结合遗忘门、输入门及更新向量的输出为P

输出门为O

基于此，本实施例为面向船舶在航行时因环境、外部卫星、内部设备造成采集轨迹点稀疏，影响轨迹实时预测的场景。本实施例方法首先判断相邻稀疏轨迹点作为深度学习的输入是否异常，在排除异常后，在此异常的稀疏轨迹点的相邻时刻两个稀疏轨迹点之间生成代替的插值轨迹点，利用预测时刻前多个时刻的插值轨迹点与稀疏轨迹点作为预测模型的输入，以获取预测时刻船舶的预测轨迹点。

本发明实施例第二方面公开船舶运动轨迹预测系统。图3示出本实施例船舶运动轨迹预测系统的结构示意图。图3中系统包括轨迹获取模块、异常检测模块、插值计算模块及轨迹预测模块。轨迹获取模块用于获取船舶的若干稀疏轨迹点。S(i)＝{π

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。

基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。