摘要：随着大数据、AI技术、智能通信等技术的快速发展，智能船舶已成为全球研究的焦点。中国船级社在 2024 年发布的《智能船舶规范》中将船舶智能化功能细分为八个领 域：智能航行、智能船体、智能机舱、智能能效管理、智能货物管理、智能集成平台、远程控制船舶和自主操作船舶

水路交通控制全国重点实验室、武汉理工大学、湖北东湖实验室

陈伟邦 李诗杰 刘佳仑 杨 帆

随着大数据、AI技术、智能通信等技术的快速发展，智能船舶已成为全球研究的焦点。中国船级社在 2024 年发布的《智能船舶规范》中将船舶智能化功能细分为八个领 域：智能航行、智能船体、智能机舱、智能能效管理、智能货物管理、智能集成平台、远程控制船舶和自主操作船舶，其中智能航行作为核心关键技术之一，主要依赖于先进感知系统获取海事环境信息，并通过后端决策系统进行数据处理和分析，以提供航向、航速及航路优化的决策、规划及控制建议。运动规划技术，作为智能航行的前置核心技术，根据所依赖信息的不同可分为全局规划和局部规划。全局性的地图规划需要根据环境地图信息进行规划，掌握所有的环境信息，属于离线规划。而局部规划的环境信息来源于感知系统的实时采集，构建局部地图信息，确定当前实时位置和已探测障碍物的实时位置，进行实时规划和避障，属于在线规划。本文主要对船舶在线运动规划方法展开论述。

运动规划的基本类型分为路径规划和轨迹优化。路径规划是在当前船舶的起始点和目标点规划出安全避开所有障碍物的最短路径，期间通过引入各种目标函数来限定路径的最短性和经济性。轨迹优化进一步融入时间维度，详细规划船舶的速度变化和加速度曲线，即进行运动学和动力学约束，以实现船舶速度的可控、航迹的平滑以及动力学上的合理性。

在线路径规划

路径规划可以分为两大类 ：离线路径规划和在线路径规划。在线路径规划从感知系统中获取的信息可分为两类 ：一类是长期保存的信息，描述了环境中静态障碍的分布位置 ；另一类是反映动态障碍和环境中未被探测的障碍的短期信息。根据获取信息的性质不同，在线路径规划可分为在线静态路径规划和在线动态路径规划。

1、在线静态路径规划

在线静态路径规划方法旨在实现静态避障和最短化路径，其广泛应用于机器人和车辆自动驾驶领域。目前主要的静态路径规划方法大致有 ：人工势场法、向量场直方图法、模糊逻辑法、智能优化算法等。

人工势场法（Artificial Potential Field, APF）从直观角度而言，障碍物被视为具有高势能的“山丘”，而目标位置则被视为势能较低的“洼地”。在这种势能场中，控制对象从“山丘”附近出发，通过规避“山丘”这些高势能区域，沿着势能场的力线移动，最终到达低势能区域，也就是目标位置。通常情况下被控对象是沿着势能变化梯度的负方向进行移动，即梯度下降法，所走路径为最短路径。所以，APF既可以实现实时避障，又可以实现路径在势场约束的距离最优，并且算法计算的时间复杂度较低，反应速度较快。

然而，由于APF特有的虚拟作用力方式，在船舶实际航行中应用到需要克服目标不可达、碰撞等问题。各国学者针对该类问题提出了基于APF的改进方法，主要有两个改进方向：一是在传统 APF 的基础上对势场函数进行改进，增加各种因数或优化势场函数中的参数，针对目标不可达和局部最小值问题进行改进 ；二是结合其他规划算法或引入优化算法来优化路径规划的性能，以适应复杂环境和动态变化场景。

向量直方图法（Vector Field Histogram，VFH），在保持APF低复杂度的前提下能克服局部极小值问题，以及在间隙中出现震荡的问题。VFH基本原理 ：以船舶周围环境实时建立栅格地图，然后计算船舶各方向的运动成本，如果某一方向有越多的障碍物，相应的成本就会越大。在此基础上，在直方图中绘制不同方向的成本，同时利用平衡函数对目标方向和前进成本进行权衡和计算，最终得出最优的运动规划方案。

VFH因其高效实时性、较好的鲁棒性在无人艇领域中得到应用，但是该方法缺乏对障碍物速度属性以及船舶动力学特性的考虑。对此，研究人员们对VFH进行改进，Loe通过将VFH与A*算法结合，实现复杂环境的局部避碰和路径规划 ；Babinec通过将运动空间进行栅格化处理，划分成二进制信息单元，并计算这些单元的信任度，从而提取出障碍物栅格的向量值和角度信息，实现在复杂环境中的避障路径规划。

所谓模糊逻辑，就是运用模糊数学的基本思想和方法，控制被控对象。模糊逻辑通过模拟驾驶员的驾驶处理方式，将信息模糊化处理后再进行分割，分割后的信息根据经验做出决策。模糊逻辑以速度快、实时性好为特征，但在U型障碍环境和对称障碍环境中存在容错性差、高精度求解困难和锁死等问题。针对模糊逻辑存在的问题，研究者们通过将智能算法的优化和搜索能力与模糊逻辑的不精确推理能力相结合，以解决未知海域的路径规划问题。

智能优化算法是一类受自然规律和生物行为启发而设计的算法，这类算法具有简洁、适用性强、多目标优化能力强等特点，常用于解决电子、机器人、自动化等领域的工程优化问题。对于在线运动规划问题，传统智能算法主要有 ：遗传算法（GA）、模拟退火算法（SA）、粒子群优化（PSO）以及蚁群算法(ACO)等。随着对智能算法的深入研究，在船舶运动规划领域，如 ：帝国竞争算法、细菌觅食优化算法、布谷鸟算法等，各种新兴的智能算法被提出并得到应用。

智能优化算法在处理船舶路径规划任务时遵循相似的处理流程，都是先将路径规划问题转化为优化问题求解，再利用评价函数提供的启发信号，如 ： 路径最短、能耗最小、轨迹平滑等，通过迭代过程的群体协作，逐步引导群体向最优解进化。而各种智能算法的主要区别在于种群更新的方式，如 ：GA利用选择、交叉和变异等操作来进化种群，而PSO依赖于粒子的位置和速度信息来进行更新。这些不同的更新机制导致了算法在收敛速度和种群多样性方面表现出不同的特性。

2、在线动态路径规划

在线动态路径规划是基于传感器实时感知信息做出的一种行为式规划，其对感知的灵敏性、通信流畅性以及决策实时性有着较高的要求，动态路径规划多用于动态避碰以及相遇船只避碰等，其主要规划方法有：动态窗口法、速度障碍法、神经网络法、强化学习法等。

动态窗口法（Dynamic Window Approach，DWA）是由Dieter Fox等人提出的一种行为式的规划方法，其依据船舶所搭载的传感器对外部信息做出反应，实时进行动态规划。该方法基本原理是 ：离散化处理船舶当前航速空间的角速度和线速度，将不同的线速度和角速度组合成多个样本点，分析各样本点可能的航行路径，对各预估路径进行碰撞检测，剔除不可行路径，利用目标点距离、障碍物距离等评价函数对可行路径进行评价，以最优解为规划目标。由于DWA具有实时性高、可引入动力学约束等优点，其在复杂水域的动态避碰和路径规划的应用较为广泛。

而传统DWA在不同障碍物分布时仍使用恒定的权重参数，导致出现无法绕过障碍物、难以通过狭窄水道等问题，研究人员对此进行了改进，通过模糊逻辑控制器动态调整DWA自身权重参数，可有效地解决动态与静态避障问题 ；通过将DWA与D*融合，将动态障碍物视作可以在地图的网格单元中移动的实体，利用DWA对网格单元的潜在运动轨迹进行预测，评估碰撞风险，将船舶主动避障的问题虚拟为物理障碍物避让问题。

速度障碍法(Velocity Obstacle，VO)是由Fiorini等提出的一种用于避免动态障碍物碰撞的方法，其基本原理是将船舶与动态目标以最小外接圆表示，通过船舶与动态目标的位置、尺度及速度构建碰撞锥区域，即速度障碍区域，根据船舶相对于动态障碍物的速度是否出现在速度障碍区域来判断船舶是否需要进行避碰和局部运动规划。根据障碍物速度变化特性，VO通常被划分为三种类型 ：线性速度障碍法、非线性速度障碍法和概率速度障碍法。VO具有计算快捷、实时性好、适应性强等优点，广泛应用于高速船艇的避碰、无人机群等领域。该方法的局限性主要是在速度障碍区域之外选取的运动速度变化较大，会造成船舶运动状态的不连续等问题。

神经网络和强化学习在船舶路径规划的应用是近年来的研究热点。在路径规划中，神经网络通过定义奖励和代价函数来优化路径选择，奖励通常与到达目标位置和规避障碍物相关，而代价函数与路径的长度或到达时间相关。强化学习的重点是通过与环境交互，以最大化累积奖励为目标采取行动。路径规划中强化学习的应用主要分为最优值强化学习和策略梯度强化学习，如：针对动态避障问题，研究者们提出了一种基于DQN的避碰路径规划算法，基于国际海上避碰规则改进原DQN算法的奖励回报函数，然后设置对遇、交叉相遇、超越三种船舶会遇情况的仿真实验，证明了该方法能有效按照规则进行动态避碰和到达目标位置 ；通过对DDPG算法采用失败区域重点学习和经验池分类进行改进，然后设置狭窄水域的船舶对遇、超越仿真实验，展示出了改进DDPG算法较好的学习速率和效果。与原DDPG算法相比，改进算法的避碰路径与真实路径的平均距离偏差更小，在真实水域环境的可行性更好，符合一般船舶避碰规划态势的要求。

在线轨迹优化

路径规划输出一条由多条线段拼接而成的几何路径，在数据结构上表现为有序的点集合，而轨迹优化是时间参数化，每一个轨迹点都包含了具体的时间信息。轨迹优化的主要任务是在路径规划的基础上进行优化，将路径规划的离散点按特定方法进行曲线平滑处理，得到一条符合船舶动力学特性的光滑曲线，方便实船的跟踪控制。目前，轨迹优化的主要方法有 ：基于动力学离散搜索的方法、基于数学优化的方法、基于生物启发技术的方法、融合方法。

基于动力学离散轨迹优化法将基于离散搜索的路径规划的低维度投影空间向更高维度推进，从而在更高维度的空间中，实现搜索包含更丰富运动信息的运动轨迹的高质量轨迹优化，提高方法的可行性。基于该方法的典型算法有Hybrid A*算法、Kinodynamic RRT*算法等。在A*算法的基础上，Hybrid A*将船舶运动学引入其中，采用基础的轨迹组合方式模拟船舶运动的栅格地图和连接离散的栅格地图，然后遵循A*算法的搜索策略，对地图进行搜索，以获得最优轨迹。Kinodynamic RRT*算法在寻找RRT树上最邻近节点时，不仅考虑位置的接近性，还考虑动力学约束，以此来进行轨迹的优化。这类方法都是采用离散方式搜索船舶轨迹，不能充分利用船舶的机动能力，其轨迹优化具有一定的局限性，而且优化轨迹是基于地图分辨率生成的，当分辨率提高、运动模型精度提高时，将会提高轨迹搜索的计算压力。

基于数学优化的航迹优化方法，即不离散状态空间，不采用搜索方法，而是对优化问题进行数学建模，以目标函数表示航迹最短、航迹平滑，船舶的三自由度运动模型、航速、加速度等作为约束函数，从而求解符合目标函数和约束条件的最优轨迹。数学优化求解最优控制问题可分为间接法、直接法以及动态规划法三类方法。间接法利用变分原理来确定最优控制问题的一阶必要条件，将问题转化为一个边界值问题，最后通过求解一组满足特定边界和内部条件的微分方程来获得问题的最优解。与间接法不同，直接法不通过微分方程求解，而是将最优控制问题中的状态变量和控制变量进行离散化处理，原本的连续问题转化为离散的非线性优化问题，然后可分别采用直接射击法、直接多重射击法、直接配点法等数值方法进行最优值求解。动态规划法将复杂的最优控制问题分解为一系列简单的子问题，然后通过子问题的局部求解得到全局最优解。但随着状态空间的增大，动态规划法的计算时间复杂度呈指数级增长，因此研究人员开发了用近似技术解决大规模复杂系统问题的近似动态规划法。

生物启发技术利用从观察自然对不同事物的反应和行为中获得的思想来解决复杂的问题，这些问题被认为具有不确定性和不精确的特征，以最小的成本获得鲁棒的解决方案。用于船舶轨迹优化和避障的常用方法有 ：人工神经网络（ANN）、人工蜂群算法 (ABC)、鱼群算法(FSS)等。ANN通过模拟神经元的处理方式来处理信息，可以用来预测和生成平滑的船舶航行轨迹，同时考虑到障碍物和动态环境的限制。FSS通过模拟鱼群的觅食、避捕食者和群体协作行为来寻找最优解，在船舶轨迹优化问题中，FSS可以有效地处理复杂的约束和动态环境。ABC 通过模拟蜜蜂的舞蹈和信息交换行为，同时避免障碍物和动态环境的影响，找到高效的轨迹解决方案。

船舶轨迹优化是一个多模态约束的复杂问题，单一采用某种优化方法难以满足多目标的要求，融合多种优化方法可以综合各方法的优势，实现多目标的平衡优化，提高轨迹优化的鲁棒性，以适应复杂海域环境。针对多目标优化问题的非支配解较少的情况，在蚁群算法的基础上加入遗传算法中的交叉、变异等操作，能够有效地拓展船舶多目标天气航线的优化解 ；动态规划法可处理具有多个阶段的决策问题，而启发式算法求解速度快，两者结合可在复杂环境快速找到可行的优化轨迹。

展望

随着人工智能技术和计算机技术的发展，车辆自动驾驶、自主机器人等科技产品相继落地，而船舶自动驾驶领域尚待研究。本文从路径规划和轨迹优化两方面总结了近年来船舶在线运动规划算法的发展动向，基于该类方法的研究现状，现提出如下展望 ：

1、混合规划

目前，离线规划方法的研究已经较为成熟，能够基于全局地图信息生成预定路径，并避开诸如岛屿、静态浮标等静态障碍物，但是船舶实际航行环境是实时变化，应用离线规划无法满足动态避障的需求。在线规划是基于在线感知信息进行规划，能够执行对实时性要求较高的任务。然而，把在线规划作为一个单独的系统，并不能考虑船舶航行的全局信息，容易造成局部最小值、船只进入死区等问题。所以，离线与在线规划结合的混合规划是理想的解决方案，离线规划融入一些在线规划的避障规则，在线规划采用离线信息作为约束。

2、分层规划

在船舶实际航行中，单独使用一种方法往往提供不了可行的规划方案，一种可行的做法是针对具体航行情景采用分层规划的策略，即前端搜索路径，后端优化轨迹。前端搜索要确保能够实时、快速地生成一条高效安全的最优路径，而后端优化基于船舶的动力学特性和海域情况，施加各类约束和目标，同时考虑时间这一维度，采用数值优化等方法最终生成可行的船舶运动轨迹。

3、与跟踪控制方法的融合

普遍的船舶规划方法是在前端规划并优化出一条可行的航行路径，然后底层控制器根据规划路径实现跟踪控制，这些方法的实时性很大程度上取决于前端规划的速度，而且底层控制器的实际跟踪效果在一定程度上制约了船舶的实时规划。而将跟踪控制方法应用在路径规划问题上，使得在规划路径的同时输出跟踪控制信号，会较大地提高规划实时性，因此，规划方法与跟踪控制方法的融合将是未来的研究方向之一。

4、多算法融合

船舶在线运动规划问题较为复杂，单独采用一种算法难以解决问题，而且也不符合实际应用，而多算法融合能够综合各算法优势，增强系统鲁棒性，提高算法泛化能力，能适应船舶航行各种复杂情景。因此，如何高效地融合算法和提高融合算法的综合性能，以达到最优的运动规划，是未来船舶运动规划的研究方向。

来源：中国船检