联系我们
态势感知：通过学习经验及推理经验进行信息收集、筛选、多信源融合的过程
决策：通过学习经验及推理经验对态势感知信息进行判断并生成决策方案的过程。
执行：根据决策方案执行特定行为的过程。
船舶自主化系统与人类对于特定事件处理流程类似，分为态势感知、决策和执行三个过程，分别位于自主化系统架构的信息层、决策层和控制层，信息层负责采集、融合有效信息为决策层提供信息输入，决策层根据信息的输入生成执行方案，控制层根据执行方案控制船舶系统。其中自主化系统的信息层和决策层主要使用自主化技术进行实现，控制层一般采用自动化技术即可实现。
船舶自主化系统的信息层以机器人视觉技术为核心，通过感知传感器采集场景工况、设备状态、操控指令等信息并进行融合。近年来，感知传感器技术发展迅速，在一些船舶系统中已经得到了工程化应用，如航行避碰辅助决策、机舱运维、动力定位等系统。使用感知传感器，如摄像头、激光雷达、振动传感器、流量传感器等进行态势感知，使用机器感知传感器在信息采集的覆盖范围和探测距离上比人类感官更具优势，可以获取更多类型的有效信息，为决策层提供更有参考价值的数据。部分感知传感器功能的实现是基于机器学习技术，如摄像头及激光雷达实现目标识别和船舶行为判断等功能，感知传感器的功能实现与人类进行目标识别和行为判断的过程类似，通过对目标和行为的典型类型进行记录、联想和推理，生成目标和行为识别的一定“经验”，从而达到识别目标和行为的目的。与人类获取经验的方式不同，机器学习算法需要通过大量的目标和行为数据对其进行训练从而产生“经验”，由于机器学习算法联想和推理的能力较差。因此除了机器学习算法的性能，用于训练的数据库覆盖范围成为影响目标和行为识别准确率的主要因素之一。船舶自主化系统的决策层相当于人类的大脑，主要使用模糊推理、神经网络和贝叶斯网络等推理算法预测工作场景的态势，根据“训练经验”制定执行策略，决策层的经验获取也是依靠机器学习技术来实现，如自主航行系统，需要大量的实际航行场景对其进行训练，使其在训练过程中达到类似于人类驾驶船舶的能力，与人类驾驶员类似，训练场景交通流量、船舶类型、天气海况等因素的不同会导致“驾驶员”驾驶能力的不同，并且机器“驾驶员”会受限于决策算法性能、处理器速度、感知融合数据等因素的影响。因此需要大量不同类型的训练场景进行反复训练，才能在某些情况下实现部分自主化的功能。
综上所述，机器学习智能化算法是现阶段船舶自主化系统实现目标识别、行为判断和自主决策的核心技术，由于现有算法的推理和预测能力不足，虽然自主化技术在工作场景适用性方面比自动化技术更为广泛，但是也会遇到类似自动化技术边界条件有限的技术瓶颈，即训练库数据不足，获得经验有限。因此在考虑提高机器学习算法性能的同时，应结合现阶段算法的实际情况，结合建设成本，集中解决目标、行为、场景训练库采集范围不足以覆盖所有工况的问题。
近年来，我国智能船舶系统从辅助决策系统向部分自主系统进行过渡，即由自动化向自主化发生质变。随着处理器技术和相关算法的融合发展，船舶技术自主化的发展成为了现实，部分自主化系统已进入试验阶段，确保船舶自主化技术应用的安全、环保和保障已经成为航运界关注的焦点，国际海事组织在海安会第100次会议上批准了《海上自主水面船舶试验暂行指南》，在促进船舶自主化技术的发展的同时，防范船舶自主化技术应用带来的未知风险。在船舶技术从自动化向自主化的发展过程，不仅要思考船舶自主化技术实现的技术路径，对船舶自主化技术应用进行安全管控也将成为一个重要的研究方向。
来源：网络
更多资讯：安川机器人
