船岸协同支持下的内河船舶远程驾控系统关键技术研究

[目的]面向弯曲、狭窄、拥挤内河水道,提出一种船岸协同支持下基于CNN算法和知识模型的船舶远程驾控方法。[方法]在剖析船岸协同特点的基础上,以视觉模拟为核心实现环境自主感知,以深度强化学习为基础实现航行决策控制,构造由图像深度学习处理、航行态势认知、航线稳态控制等功能组成的人工智能系统。实现内河条件下运营船舶的远程控制与短时自主航行,开展内河集装箱船、渡船的远程驾控示范。[结果]示范航行中,系统可依据远程或船上指令替代人工控制船舶,控制循线误差小于20 m,并可自主避障。[结论]研究证实,通过卷积神经网络、强化学习、知识模型协作建立的人工智能系统,可自主提取关键航行信息、构造避障与控制意识,部分替代船员的工作,可为内河智能航运的进一步发展奠定基础。

基于卷积神经网络的船体结构典型节点目标检测算法

提出一种基于Faster R-CNN算法的深度学习模型,用于典型船舶结构趾端和纵骨贯穿结构节点的自动检测,通过收集趾端与纵骨贯穿结构节点的图像样本,采用迁移学习的训练方式训练Faster R-CNN模型,模型精度达到90%以上,无人机实际拍摄趾端与纵骨贯穿梁结构的视频识别结果表明,该检测方法可行。