根據(jù)中國船級社《智能船舶規(guī)范》（2024）描述，智能船舶要實現(xiàn)八大功能，分別為智能航行、智能船體、智能機艙、智能能效管理、智能貨物管理、智能集成平臺、遠程控制船舶和自主操作船舶。其中智能航行是當(dāng)下研究的熱點問題也是難點問題，受到廣泛關(guān)注。智能航行系指利用先進感知技術(shù)和傳感信息融合技術(shù)等獲取和感知船舶航行所需的狀態(tài)信息，并通過計算機技術(shù)、控制技術(shù)進行分析和處理，為船舶航行提供航速和航路優(yōu)化的決策建議。在可行時，船舶能夠在開闊水域、狹窄水道、進出港口、靠離碼頭等不同航行場景和復(fù)雜環(huán)境條件下實現(xiàn)船舶的自主航行。智能航行要求實現(xiàn)兩個基本功能即航路優(yōu)化與航速優(yōu)化。航路優(yōu)化可以納入路徑規(guī)劃范疇，航速優(yōu)化可以納入軌跡優(yōu)化范疇。二者合二為一可以理解為是一個運動規(guī)劃問題。因此，要想實現(xiàn)船舶智能航行，就要必須開展船舶運動規(guī)劃技術(shù)的研究。

拖輪又被稱作拖船，在港口作業(yè)的拖輪又被稱為港作拖輪，本文僅討論港作拖輪。相比于一般船舶，拖輪更容易開展運動規(guī)劃技術(shù)的研究，原因在于：它體積小，速度快 、操縱靈活，更有利于運動規(guī)劃算法的遷移和部署；構(gòu)造堅固、穩(wěn)性好，利于后續(xù)開展實船測試驗證；作業(yè)區(qū)域相對固定、通訊環(huán)境穩(wěn)定；無需遵守國際避碰規(guī)則，避免了規(guī)則難以量化的問題。因此，拖輪是船舶中理想的試驗測試對象，有利于開展運動規(guī)劃技術(shù)的研究，從而率先實現(xiàn)智能航行。

運動規(guī)劃技術(shù)研究現(xiàn)狀

運動規(guī)劃技術(shù)起到了自主生成船舶航行軌跡的作用。該軌跡既要滿足避碰和節(jié)約能耗，又要兼顧船舶本身的運動學(xué)與動力學(xué)特性。因此運動規(guī)劃問題可以劃分為路徑規(guī)劃和軌跡優(yōu)化兩個子問題，路徑規(guī)劃的核心是避碰，同時找到最短路徑，降低能耗；軌跡優(yōu)化的核心是運動學(xué)與動力學(xué)約束，同時兼顧路徑平滑。二者兼顧，從而生成滿足船舶各項約束的可行性軌跡。

1、路徑規(guī)劃研究現(xiàn)狀

路徑規(guī)劃算法最初源自計算機和機器人領(lǐng)域的最短路徑搜索問題，隨后慢慢擴散到工業(yè)界。目前，主要的路徑規(guī)劃算法大致可分為基于圖搜索的算法、隨機采樣的算法等。

基于圖搜索算法的基本思想是先利用柵格將自由空間轉(zhuǎn)化為柵格地圖，然后在柵格地圖中搜索符合任務(wù)要求的路徑。常用的圖搜索算法有Dijkstra算法，該算法可以在柵格地圖中找到從任意起點到目標(biāo)節(jié)點的最短無碰撞路徑，但該算法隨著圖中節(jié)點數(shù)目增大計算量顯著增加，為彌補這一缺陷，A*算法被提出，該算法在Dijkstra算法的基礎(chǔ)上引入了啟發(fā)式函數(shù)，將每個節(jié)點到終點的估計距離作為啟發(fā)值，通過比較每個柵格中累計代價與估計距離的總和來進行搜索。該算法大幅減少了無用的搜索，極大地提高了搜索效率，同時保證路徑是全局最優(yōu),被廣泛應(yīng)用于最短路徑搜索問題。但A*算法只能用在靜態(tài)環(huán)境中搜索路徑，其搜索出的最短路徑也只是柵格意義上的最短路徑，很難直接應(yīng)用于實際場景。因此，后續(xù)對A*算法的改進主要從動態(tài)性和路徑質(zhì)量兩個方向入手。

Lifelong Planning A*可通過推理規(guī)劃的方式，對上一次的路徑搜索結(jié)果進行信息再利用來應(yīng)對環(huán)境變化，從而有效減少了搜索范圍和時間，但環(huán)境的變化只能在兩次規(guī)劃之間的間隙中，如果規(guī)劃期間環(huán)境一直在變化，Lifelong Planning A*將會變得不再適用。

D*算法又被稱作動態(tài)A*算法，該算法在初次規(guī)劃時就儲存了網(wǎng)格中目標(biāo)點到各個節(jié)點的最短路徑，在后續(xù)環(huán)境變化比如遇到動態(tài)障礙物時，可通過對內(nèi)部局部地圖的更新進行在線重規(guī)劃，在保證效率的同時可以很好地應(yīng)對連續(xù)的環(huán)境變化。

Field D*算法在能保證動態(tài)性的基礎(chǔ)上，通過插值的方法對柵格上兩節(jié)點間的路徑代價值進行線性插值來近似邊上虛擬節(jié)點的路徑代價值，從而使得路徑節(jié)點突破柵格八鄰域搜索限制，可朝任意角度搜索。Theta*算法在此基礎(chǔ)上更進一步，將當(dāng)前節(jié)點的父節(jié)點只允許鄰近節(jié)點擴展到任意節(jié)點，然后評估當(dāng)前節(jié)點的鄰接節(jié)點和父節(jié)點是否視線上可達到連續(xù)空間上的最短路徑，來實現(xiàn)路徑上的平滑，使得路徑更貼近現(xiàn)實。

表1 基于圖搜索的路徑規(guī)劃算法比較

表2 基于隨機采樣的路徑規(guī)劃算法比較

基于隨機采樣的算法的基本思想是在構(gòu)型空間中隨機生成一系列點，并篩選滿足任務(wù)需求的樣本序列點作為規(guī)劃結(jié)果。比較典型的采樣算法有RRT算法、PRM算法等。相較于圖搜索算法，基于隨機采樣的算法具有概率完備性，只要可行路徑存在，就一定能找到。但由于隨機采樣的緣故，該方法在搜索過程具有盲目性，造成時間上的浪費，同時生成的路徑永遠都是次優(yōu)的，這一點已在數(shù)學(xué)上得到證明。

為解決上述問題，一些在RRT算法基礎(chǔ)上的改進算法被陸續(xù)提了出來。RRT*算法是在RRT算法的基礎(chǔ)上，通過重新選擇父節(jié)點和重布線操作來迭代逼近最優(yōu)的可行路徑，但仍無法解決求解效率低的問題。RRT-connect是從起點和終點同時開始向中間搜索路徑，能夠顯著提高路徑搜索效率，減少采樣次數(shù)，但無法解決次優(yōu)性。Informed RRT*算法在RRT*算法的基礎(chǔ)上通過將采樣范圍局限到一個橢球之中，并不斷迭代縮小橢球的范圍以提高路徑收斂于最優(yōu)路徑的速度，在得到最優(yōu)路徑的同時大大提高了搜索效率。Anytime-RRT*(實時RRT*算法)是在機器人運動的過程中不斷地更新路徑，在適應(yīng)機器人運動過程中環(huán)境變化的同時保持最優(yōu)的搜索路徑。動態(tài)規(guī)劃算法則是通過將復(fù)雜問題分解為多個子問題求解來提高效率，然后依次計算出每個子問題的最優(yōu)解來推出復(fù)雜問題的最優(yōu)解。

綜上所述，無論是基于搜索的算法還是基于采樣的算法，都能夠保證避碰，同時盡可能兼顧最優(yōu)。但這些算法并沒有跳出路徑規(guī)劃算法的局限性，比如將機器人看成一個質(zhì)點而不考慮實際形狀以及動力學(xué)、所有的障礙都是靜態(tài)已知的。但實際港區(qū)水域環(huán)境復(fù)雜，且動態(tài)性較強，周圍環(huán)境時刻處于變化之中，同時拖輪的行駛速度較快，對算法的求解效率有較高的要求。因此僅僅采用單一路徑規(guī)劃算法并不能滿足拖輪實時運動規(guī)劃的需求，亟需對現(xiàn)有路徑進一步軌跡優(yōu)化。

表3 軌跡優(yōu)化算法比較

2、軌跡優(yōu)化研究現(xiàn)狀

軌跡優(yōu)化是在路徑規(guī)劃基礎(chǔ)上再優(yōu)化。目前對路徑進行優(yōu)化有兩種思路，一是對路徑規(guī)劃算法本身進行改進，比如在傳統(tǒng)路徑規(guī)劃算法的基礎(chǔ)上引入運動學(xué)約束，從而提高路徑的質(zhì)量和可執(zhí)行性。典型的有Hybrid A*算法，該算法依據(jù)機器人的最小轉(zhuǎn)彎半徑為節(jié)點擴展方向施加運動學(xué)約束，是A*算法從柵格空間跨向連續(xù)狀態(tài)空間的一步，有效彌補了A*算法在運動學(xué)方面的缺點。與之類似的還有Kinodynamic RRT*算法，該方法在RRT*算法的基礎(chǔ)上引入系統(tǒng)運動學(xué)，將連接當(dāng)前節(jié)點與附近節(jié)點的直線改成對一個兩點邊界值BVP問題(最好是OBVP問題)的求解，在求解過程中加入系統(tǒng)運動學(xué)約束條件，從而滿足機器人運動學(xué)約束的路徑。動態(tài)窗口法(DWA)則采用類似動態(tài)規(guī)劃的思想，首先將起點到終點的多步問題拆分成一系列子問題，然后對每個子問題，根據(jù)機器人當(dāng)前的狀態(tài)，對滿足機器人動力學(xué)約束的速度和角速度進行采樣，得到一系列的候選軌跡簇，然后從采樣的候選解中求取代價最低的作為當(dāng)前最優(yōu)解�？傮w來說，直接在路徑規(guī)劃算法本身改進的方法，工程量小，計算效率快。但是該類方法都存在共同的缺點，即只片面考慮了運動學(xué)或動力學(xué)約束，同時沒有考慮時間維度，不具備動態(tài)性，但真實的動態(tài)環(huán)境需要根據(jù)具體場景考慮更多約束。因此該方法不能充分利用拖輪的機動能力，生成軌跡的最優(yōu)性也將受到損失。

二是采取分而治之策略，即將規(guī)劃和優(yōu)化分開。前端進行路徑規(guī)劃，然后在后端專門進行軌跡優(yōu)化。典型的有時空A*算法，該算法首先在前端采用A*算法搜索最優(yōu)軌跡，然后在后端考慮各類約束，如平滑性約束、動力學(xué)約束等，對軌跡進行局部平滑和調(diào)整，在此基礎(chǔ)上，時空A*算法還增加時間維度，與空間一起構(gòu)成時空狀態(tài)空間，使得算法能夠?qū)�軌跡點上的速度進行優(yōu)化，從而可以從路徑及速度兩方面同時更好地處理動態(tài)障礙物。此外還有時空Hybrid A*算法，首先在前端使用改進Hybrid A*在時空范圍內(nèi)進行軌跡粗搜索獲得初始軌跡，然后以初始軌跡為參考構(gòu)建可行駛的時空走廊，并在后端綜合考慮動力學(xué)和軌跡連續(xù)性約束等條件，使用數(shù)值優(yōu)化的方法進一步平滑初始軌跡。該類方法計算效率高、約束完備，可以很好地處理動態(tài)障礙物問題。

拖輪運動規(guī)劃面臨的問題

1、運動模型構(gòu)建不合理

拖輪的運動是一個復(fù)雜的過程，受多變量耦合、多因素干擾、復(fù)雜流體動力學(xué)、隨機不確定性等方面的共同作用。其運動過程中模型的合理構(gòu)建是目前拖輪運動規(guī)劃所要解決的關(guān)鍵問題。如果模型過度簡化，則后續(xù)生成的軌跡可能超出拖輪航行能力范圍，如果模型過分保守，則會限制拖輪的運動潛力，進而損害后續(xù)運動規(guī)劃算法的泛化求解能力。

2、環(huán)境信息感知不全面

對港區(qū)立體區(qū)域?qū)崟r而全面的信息感知是求解運動規(guī)劃問題成功與否的前提。相較于近海、內(nèi)河，港區(qū)水域面臨的周圍環(huán)境更加復(fù)雜，需要考慮水面和水下各種對船舶有航行風(fēng)險的目標(biāo)信息，諸如來往船舶、航道航標(biāo)、水面建筑物、違規(guī)漁船等。目前船載主流感知設(shè)備如AIS、雷達、全球衛(wèi)星導(dǎo)航系統(tǒng)等存在信號種類較多、數(shù)據(jù)量大、對小型動態(tài)目標(biāo)的檢測能力不足等問題，難以為后續(xù)運動規(guī)劃提供實時全面的信息。

3、規(guī)劃環(huán)節(jié)考慮不充分

目前船舶領(lǐng)域規(guī)劃研究大都是靜態(tài)場景的規(guī)劃，動態(tài)場景的運動規(guī)劃問題還很少涉及，同時規(guī)劃領(lǐng)域的研究重點放在了路徑質(zhì)量上，而不考慮實際航行情況，將負(fù)擔(dān)推卸至控制執(zhí)行環(huán)節(jié)。比如一些運動規(guī)劃算法輸出形式只有路徑點，為實現(xiàn)路徑的跟蹤，控制執(zhí)行環(huán)節(jié)還需要對路徑進行配速。在運動任務(wù)苛刻時，配速過程遠比路徑規(guī)劃過程困難，而控制執(zhí)行環(huán)節(jié)的計算資源有限，無法承擔(dān)如此艱巨的求解負(fù)擔(dān)，這將導(dǎo)致最終的行駛行為質(zhì)量不高，還有可能發(fā)生碰撞、求解死鎖等問題。

4、未兼顧運動規(guī)劃的效率與質(zhì)量

由于拖輪的主要航行場景是迎接、伴隨大船，保障計算速度是拖輪運動規(guī)劃環(huán)節(jié)的基本要求，為保障計算速度，運動規(guī)劃算法不得不在一定程度上犧牲求解質(zhì)量。這種做法雖然是可取的，但片面追求計算速度而忽視求解質(zhì)量的做法普遍存在。當(dāng)場景任務(wù)較為簡單時，這樣做的弊端并未顯現(xiàn)，但應(yīng)用在拖輪迎接大船的動態(tài)復(fù)雜場景時，這種做法會因為求解質(zhì)量低下而無法適用。

5、多拖輪協(xié)同運動規(guī)劃研究不深入

一般來說，為不同長度的船舶，引航所使用的拖輪數(shù)量是不一樣的。以上海洋山港水域引航使用拖輪艘數(shù)配備標(biāo)準(zhǔn)為例，引航140米以下的船舶靠泊需要1艘拖輪，引航140米以上且300米以下的船舶靠泊需要2艘拖輪，引航300米以上的船舶靠泊則需要3艘拖輪。鑒于船舶大型化和無人化的趨勢，未來將需要越來越多的拖輪來協(xié)助這些大型船舶進行靠泊作業(yè)。然而，多拖輪的協(xié)同運動規(guī)劃目前仍是一個尚未探索的領(lǐng)域，拖輪避碰外界障礙物、拖輪之間的路徑?jīng)_突問題需要仔細(xì)考慮。

拖輪運動規(guī)劃關(guān)鍵技術(shù)

1、拖輪操縱運動建模技術(shù)

創(chuàng)建精確且可靠的拖輪運動模型是有效分析拖輪操縱性和保障船舶智能航行的關(guān)鍵。常用的船舶運動建模方法包括經(jīng)驗法、試驗法、計算流體動力學(xué)數(shù)值法、參數(shù)辨識法。其中參數(shù)辨識法簡潔高效、易于操作，并能夠?qū)崿F(xiàn)在線建模等優(yōu)點，逐步成為船舶運動建模的重要研究方法。但該方法也存在辨識數(shù)據(jù)質(zhì)量差、魯棒性不足、復(fù)雜場景下辨識受限等缺陷，因此注重辨識數(shù)據(jù)的獲取處理、研究具有自適應(yīng)性、可擴展性、魯棒性的參數(shù)辨識算法是未來拖輪運動建模技術(shù)的趨勢。

2、拖輪環(huán)境動態(tài)信息感知技術(shù)

對港區(qū)立體區(qū)域?qū)崟r而全面的信息搜集是求解運動規(guī)劃問題成功與否的前提。由于船載主流感知設(shè)備如雷達、全球衛(wèi)星導(dǎo)航系統(tǒng)等存在對小型動態(tài)目標(biāo)的檢測能力不足的缺陷，難以為后續(xù)運動規(guī)劃提供實時全面的信息，基于激光雷達、毫米波雷達、攝像頭等多傳感器融合的感知技術(shù)是目前自動駕駛汽車領(lǐng)域應(yīng)用最廣泛的感知方案，激光雷達是新興的感知設(shè)備，其測距精度高、響應(yīng)速度快，對近距離障礙物的檢測能力十分優(yōu)秀，是目前自動駕駛領(lǐng)域主流的感知設(shè)備，但激光雷達工作時受天氣和大氣影響大，不能全天候工作。毫米波雷達在這方面可以很好地彌補激光雷達的缺陷，相比于激光雷達，毫米波雷達的環(huán)境適應(yīng)性強，可全天候、全天時工作，不受天氣狀況限制。無論激光雷達還是毫米波雷達，其本質(zhì)都是通過雷達反射波探知物體的存在，并不能識別具體物體上的交通標(biāo)識或文字，比如航道標(biāo)志、港口標(biāo)志以及船舶的號燈號型等，攝像頭可以起到對交通標(biāo)識識別的作用，通過對船舶航行信號燈的燈光顏色和狀態(tài)的識別可以判斷船舶的航行狀態(tài)，為后續(xù)運動規(guī)劃提供先驗決策。因此，通過對三種設(shè)備的取長補短、有機組合，同時借助拖輪體積小，搭載成本低的優(yōu)勢，將是未來拖輪感知技術(shù)很好的發(fā)展趨勢。

3、前端搜索、后端優(yōu)化的時空聯(lián)合規(guī)劃技術(shù)

從上述各類規(guī)劃算法綜述可知，每種規(guī)劃算法都有各自的優(yōu)點與缺點，這些方法在解決實際問題時往往并非獨立使用，而是通過互相“取長補短”，充分利用各種算法的優(yōu)點來完成運動規(guī)劃任務(wù)。即采取分階段規(guī)劃策略，在前端搜索軌跡、在后端優(yōu)化軌跡。在前端主要考慮避碰和能效，基于圖搜索算法的運行速度較快且實施簡單，符合拖輪船載設(shè)備計算資源有限以及對于實時性要求較高的情況。在后端基于拖輪特性和周圍復(fù)雜場景，施加各類約束，如船舶的動力學(xué)約束、位姿約束、加速度約束、連續(xù)性約束等。同時，考慮時間這一維度，為各個路徑點間分配時間并配置速度，注重計算效率的提升，最終運動規(guī)劃輸出的結(jié)果由路徑上各軌跡點和速度組成。

4、多拖輪協(xié)同運動規(guī)劃技術(shù)

多拖輪協(xié)同運動規(guī)劃存在復(fù)雜的交互和動態(tài)障礙物避碰的問題，需要從感知到行為決策全交互協(xié)同的角度開展多拖輪協(xié)同運動規(guī)劃的研究，可利用全局路徑規(guī)劃算法與局部運動規(guī)劃算法相結(jié)合的思路，根據(jù)頂推點不同為多艘拖輪分配全局路徑，并根據(jù)迭代優(yōu)化的思想，在航行途中不斷評估環(huán)境信息,實時調(diào)整多拖輪局部避碰路徑。展望未來，船舶智能化時代已然來臨，在船舶智能化的浪潮下，拖輪的智能化進程也在不斷加快，運動規(guī)劃技術(shù)作為拖輪實現(xiàn)智能航行的標(biāo)志，是拖輪邁向智能化的重要一步。但目前拖輪運動規(guī)劃技術(shù)還有許多難點問題需要解決，在未來還需要深入研究，注重理論與實踐相結(jié)合，實現(xiàn)關(guān)鍵技術(shù)突破，加快實船的測試驗證。相信在不遠的將來，拖輪的運動規(guī)劃技術(shù)會迎來新的發(fā)展。

作者：武漢理工大學(xué) 劉佳侖 劉嘉元 李詩杰

中國船級社 馬吉林