[发明专利]适用于极地冰区航行的智能导航方法

摘要

本发明公开了一种适用于极地冰区航行的智能导航方法，在极地海冰融合显示技术的基础上，使用Q‑Learning算法进行极地环境下的航线规划。将极地环境下的超过船舶破冰能力的高海冰密集度区域视为障碍物，在模拟训练过程中，只需要环境反馈给船舶是否行驶在不可行区域的信号，经过多次迭代训练，船舶能自动找到一条最优航线，而不必关注船舶行驶过程中环境障碍物的变化，使用风险贝叶斯网络技术对航行风险进行评估，为船舶提供航行风险提醒。

主权项

1.一种适用于极地冰区航行的智能导航方法，其特征在于，包括以下步骤：步骤1：制作具有极地海冰信息的地图；步骤2：使用冰区航线Q‑Learning强化学习算法对目的地进行航线规划，构建贝叶斯网络，为船舶提供航行风险提醒；构建贝叶斯网络包括以下步骤：以在极地航行时导致船舶事故的因素为节点，构建完整的贝叶斯网络，利用贝叶斯网络对在航船舶提供航行风险提醒，节点间的依赖关系通过历史数据或专家调查的方法获得，同时采用皮尔逊积矩相关系数法对双变量进行相关性分析，在完成节点和相关性分析之后，构建极地航行风险贝叶斯网络结构图；步骤1包括以下步骤：步骤11：对极地地图图片进行定义投影，将图片与空间位置信息对应，以EPSG:3571来进行投影设置，对图层添加位置点将地理位置名称与经纬度对应，同时矫正经纬度的精度，当经纬度误差小于0.0001度时停止添加；步骤12：制作极地投影矢量底图，将底图发布到服务器；步骤13：使用图层叠加方法，调用服务器中极地投影矢量图地址，将极地投影图层叠加显示到平台中，将与经纬度矩阵对应的百分制海冰密度和海冰厚度数据进行如下归一化处理：y＝(x‑MinValue)/(MaxValue‑MinValue)，x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值，把数据转化为(0,1)之间的小数，将输出结果转化为RGB值，采用颜色的饱和度代表海冰密集度和海冰深度的大小，循环遍历经度、纬度、海冰密集度、海冰深度矩阵，每次遍历将经纬度对应的代表海冰密集度和海冰深度RGB值标记在极地投影底图中；步骤2包括以下步骤：步骤21：将一个船舶航行中环境状态抽象化为如下表达式：s＝(X_g，X_o1，X_o2，X_o3，X_o4)其中，S为环境空间中的一个环境状态，X_g表示船舶要到达的目标点的方位情况，X_o1，X_o2，X_o3，X_o4为船舶前方的障碍物信息，将船舶前方120°范围内的障碍物分布情况按照角度与距离离散成四个状态量X_o1,X_o2,X_o3,X_o4，其中，角度是以航向为0°基准，障碍物和船舶连线相对于航向的夹角，X_o1,X_o2,X_o3,X_o4代表的角度范围分别是[‑60°，‑30°]，[‑30°，0°]，[0°，30°]，[30°，60°]，将船舶的动作简化为直线前进，直线后退，以位于船首方向左侧30°的航向前进，以位于船首方向右侧30°的航向前进，静止，分别对应1‑5的序号，航行的速度根据船舶极地环境的性能模型计算，且每一次动作的执行时间固定；步骤22：设置激励函数，当船舶所做出的行为使得与目标点的距离更近，激励函数应该给予奖励，保证船舶能够在后续探索中能够不断接近目标点，而当到达目标点时，激励函数应该返回一个极大的奖励值，船舶航行过程中，不允许航行在超过船舶破冰能力的高海冰密集度区域，当船舶接近这些区域的时候，激励函数应该返回一个惩罚值，而当船舶与某一高海冰密集度区域相撞时，激励函数应该返回一个极大惩罚值，保证在之后的探索过程中，船舶尽量避免与该区域碰撞；步骤23：采用ε‑greedy策略进行动作选择，船舶在当前环境状态下有ε的概率随机选择一个动作，而有1‑ε的概率选择使得当前环境状态的动作值函数最大的动作，其中，ε为一个较小的常数。