-
公开(公告)号：CN107341573B
公开(公告)日：2020-05-12
申请号：CN201710543296.5
申请日：2017-07-05
Applicant: 大连海事大学
Abstract: 本发明提供一种复式航道水域的船舶交通组织优化方法，包括：S100、划分船舶等级；S200、对进出复式航道水域的船舶交通流进行分类，并提取复式航道水域船舶交叉的关键点；S300、根据复式航道水域船舶交通流分析结果，建立复式航道水域的船舶交通组织优化数学模型；S400、对船舶进出复式航道水域的动态AIS数据进行挖掘和筛选，结合建立不同类型船舶进出复式航道水域的速度变化方程；S500、采用多目标遗传算法结合不同类型船舶进出复式航道水域的速度变化方程模型求解复式航道水域船舶交通组织优化数学模型。本发明通过对复式航道水域船舶交通行为的分析，确定复式航道水域优化的重点，构建符合复式航道水域的船舶交通组织优化数学模型。
-
公开(公告)号：CN109298712A
公开(公告)日：2019-02-01
申请号：CN201811224878.8
申请日：2018-10-19
Applicant: 大连海事大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法。步骤一：分析和描述无人驾驶船舶航行状态信息，建立航行环境中的实体类和海域属性的航行态势估计本体概念模型；步骤二：将无人驾驶船舶与障碍物之间的关系确定为二元关系，结合国际海上避碰规则对本体模型量化划分为多种航行态势子场景；步骤三：获取子场景中无人驾驶船舶当前的环境状态信息，构建长短时记忆网络反馈记忆单元，利用船舶自主避碰决策算法与海上环境交互，通过自适应航行态势学习计算自主避碰的最优策略。本发明对避碰决策自适应学习的航行态势降维，大大提高了决策可行性和算法迭代速度，确保无人驾驶货船实时自主避障与航行安全。
-
公开(公告)号：CN113313368B
公开(公告)日：2024-03-15
申请号：CN202110548205.3
申请日：2021-05-19
Applicant: 大连海事大学
IPC: G06Q10/0635 , G06Q50/14 , G06Q50/26 , G06Q10/0639
Abstract: 本发明提供一种基于熵权可拓理论的旅游客船治安防控能力评价方法包括：构建旅游客船治安防控能力评价指标体系；采用熵权法获取各评价指标权重；建立CMM物元能力等级模型，确定目标干线旅游客船治安防控能力评价等级；根据所述评价等级，建立目标干线旅游客船治安防控能力评价的经典域、节域和评价物元；建立评价指标体系中各类评价指标和所述评价等级的关联函数，并计算关联度；根据所述关联度，采用最大关联度选择法确定目标干线旅游客船治安防控能力评价等级。本发明为内河船舶治安防控能力评价提供了新方法。
-
公开(公告)号：CN117687405A
公开(公告)日：2024-03-12
申请号：CN202311280097.1
申请日：2023-09-28
Applicant: 大连海事大学
IPC: G05D1/43 , G05D109/30
Abstract: 本发明提供了一种专家示范数据驱动的智能船舶避碰决策方法，涉及智能船舶自主航行领域技术领域，包括如下步骤：S1、在航海模拟器上采集专家示范避碰数据；S2、利用专家示范避碰数据进行逆强化学习，获取奖励函数；S3、依据奖励函数基于马尔科夫决策过程构建拟人避碰决策模型；S4、使用拟人避碰决策模型求解船舶在会遇场景下的最优避碰动作。本发明使用逆强化学习方法，构建了融入拟人奖励的强化学习避碰模型，可以有效提升智能避碰决策结果拟人程度，增强船舶自主航行的安全性与可靠性。
-
公开(公告)号：CN116107299A
公开(公告)日：2023-05-12
申请号：CN202211282731.0
申请日：2022-10-19
Applicant: 大连海事大学
IPC: G05D1/02
Abstract: 本发明提供一种基于深度强化学习的部分可观测多船避碰方法，包括以下步骤：初始化地图信息；获取本船在可观测范围内的图像作为输入；通过神经网络对本船在可观测范围内的图像特征进行提取；根据提出的部分可观测模型判断障碍物类型；根据部分可观测模型中的避碰风险计算方法计算风险；如果有本船有避碰风险则根据算法计算避碰动作，如果没有风险则保持原始航向；当避碰动作结束时如果本船到达了终点则结束该轮训练，否则循环上次过程，重新获取本船的本船在可观测范围内的图像作为输入。本发明基于部分可观察马尔可夫决策过程提出了一个多船会遇下部分可观测的的避碰决策模型，并设计了密集奖励机制，有效实现无人船避碰，同时提高了算法的学习效率。
-
Patent Agency Ranking
公开(公告)号：CN115616917A
公开(公告)日：2023-01-17
申请号：CN202211394429.4
申请日：2022-11-08
Applicant: 大连海事大学
IPC: G05B13/04
Abstract: 本发明提供一种基于生成对抗模仿学习的船舶避碰决策方法，包括以下步骤：基于所述专家示范数据提取良好行为的状态‑动作对作为专家数据；初始化图像信息；将所述图像信息输入生成器中进行特征提取和对抗训练；获取生成器输出的状态‑动作对作为生成数据；将所述专家数据和所述生成数据输入至判别器中，所述判别器用于对所述生成数据进行二分类并输出对生成数据的真假判断值作为奖励信息；将所述奖励奖励信息反馈至环境输入中；反复执行上述步骤直至判别器输出的奖励信号都为真时，训练结束。本发明结合强化学习与模仿学习，既能够大大加快训练速度，又能够得到性能优越的避碰决策。
-
公开(公告)号：CN115107948A
公开(公告)日：2022-09-27
申请号：CN202210731061.X
申请日：2022-06-24
Applicant: 大连海事大学
Abstract: 本发明提供一种采用内部激励信号与学习经验复用的高效强化学习自主船舶避碰方法，解决不确定环境下采用强化学习算法实现自主船舶避碰过程中易陷入局部迭代和收敛速度过慢问题。本发明针对实际航行环境下船舶避让决策考虑的会遇态势变化和转向率问题，构建综合考虑外部收益信号与内部激励信号结合的全新奖励函数，鼓励自主船舶对状态迁移概率较低的环境进行搜索。在内部激励信号与外部收益信号协同驱动训练的过程中，利用学习经验复用，挖掘历史训练数据的隐藏特征，保存累计回报期望值较大的策略，并利用随机概率模型对好的策略迁移应用，减少强化学习在自主船舶搜索过程中刻意学习和盲目性学习问题，进一步提高了自主船舶避碰方法的学习效率。
-
公开(公告)号：CN113962153A
公开(公告)日：2022-01-21
申请号：CN202111233668.7
申请日：2021-10-22
Applicant: 大连海事大学
Abstract: 本发明提供一种基于注意力机制的船舶碰撞风险评估方法，包括：依据获取的船舶航行安全信息构建本船和目标船的全局航行态势和基于栅格地图的局部航行态势，将船舶的航行要素信息转化为局部空间中的关注区域，增强本船重点关注的特定目标区域同时弱化其他区域，基于多层感知机对目标船的航行状态向量进行标准化处理，并利用神经网络提取目标船和本船之间成对的航行状态特征，构建自注意力模型以高效地捕获本船与目标船间的特征依赖关系；利用Softmax方法对碰撞风险权重矩阵进行归一化，实现对船舶碰撞风险的量化；对风险权重参数进行加权求和，实现基于注意力机制的船舶碰撞风险计算。本发明技术方案能够为船舶在复杂航行态势下的实时避碰决策提供支持。
-
公开(公告)号：CN107341573A
公开(公告)日：2017-11-10
申请号：CN201710543296.5
申请日：2017-07-05
Applicant: 大连海事大学
Abstract: 本发明提供一种复式航道水域的船舶交通组织优化方法，包括：S100、划分船舶等级；S200、对进出复式航道水域的船舶交通流进行分类，并提取复式航道水域船舶交叉的关键点；S300、根据复式航道水域船舶交通流分析结果，建立复式航道水域的船舶交通组织优化数学模型；S400、对船舶进出复式航道水域的动态AIS数据进行挖掘和筛选，结合建立不同类型船舶进出复式航道水域的速度变化方程；S500、采用多目标遗传算法结合不同类型船舶进出复式航道水域的速度变化方程模型求解复式航道水域船舶交通组织优化数学模型。本发明通过对复式航道水域船舶交通行为的分析，确定复式航道水域优化的重点，构建符合复式航道水域的船舶交通组织优化数学模型。
-
公开(公告)号：CN115616917B
公开(公告)日：2024-10-08
申请号：CN202211394429.4
申请日：2022-11-08
Applicant: 大连海事大学
IPC: G05B13/04
Abstract: 本发明提供一种基于生成对抗模仿学习的船舶避碰决策方法，包括以下步骤：基于所述专家示范数据提取良好行为的状态‑动作对作为专家数据；初始化图像信息；将所述图像信息输入生成器中进行特征提取和对抗训练；获取生成器输出的状态‑动作对作为生成数据；将所述专家数据和所述生成数据输入至判别器中，所述判别器用于对所述生成数据进行二分类并输出对生成数据的真假判断值作为奖励信息；将所述奖励奖励信息反馈至环境输入中；反复执行上述步骤直至判别器输出的奖励信号都为真时，训练结束。本发明结合强化学习与模仿学习，既能够大大加快训练速度，又能够得到性能优越的避碰决策。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.026 seconds)
