船舶動態(tài)避碰決策研究

1船舶智能避拉中的機器學習國際海上防止沖突規(guī)則（以下簡稱“規(guī)則”）是幾千年來海洋船舶實踐的經驗總結。旨在規(guī)范海上船舶之間的碰撞行為，盡可能保障海上船舶的安全航行。統(tǒng)計結果顯示，96%以上的海上碰撞事故是由駕駛員無法嚴格遵守規(guī)則的合理行為造成的。為了解決人為因素引起的碰撞事故，近年來，日本著名學者稻石正明教授、英國利物浦工業(yè)大學copen教授、波蘭格丁尼亞海事學院smilzchalaski教授、國內著名學者吳兆林教授、鄭仲琦教授、上海海事大學教授、劉宇紅博士和臺灣學者h旺從專家理論、模糊專家系統(tǒng)方法、遺產理論方法、多因素聯(lián)合技術和理論方法以及神經網絡和模糊數(shù)學方法對水上作業(yè)的自動發(fā)出了許多良好的影響。然而，仍然處于模型方法研究和個人樣品模擬階段，研究方法、實驗結果及其相關應用系統(tǒng)尚未出現(xiàn)。源于航海雷達模擬器的培訓教學實踐,本文作者于20世紀90年代初開始致力于船舶智能避碰的研究,經過十幾年的研究已初步建立和形成了船舶擬人智能避碰決策(personifyingintelligentdecisionmakingforvesselcollisionavoidance,PIDVCA)理論體系,并創(chuàng)建了近似海試的仿真測試平臺用于驗證智能避碰模型和算法.大量的寬水域船舶自動避碰仿真試驗表明,本研究方法形成的避碰決策已能同時避讓2～4個目標船,顯示了PIDVCA的自動化能力,使船舶的安全航行成為一種可能.一個智能決策系統(tǒng)應具有的特征:具有高級智能表現(xiàn)行為,能認識對象和事件,能表達環(huán)境模型中的知識,能對未來做出規(guī)劃和推理.其中高級智能表現(xiàn)為具有感知(覺察)和推理能力,能在復雜甚至險惡的環(huán)境中進行明智選擇,做出成功的決策,以求生存和進步.要使智能避碰決策系統(tǒng)具有高級智能,必須具備機器在線自動學習的能力.對于機器學習,較為嚴格的提法是:機器學習是一門研究機器(一般指計算機)獲取新知識和新技能,并識別現(xiàn)有知識的學問PIDVCA模型的機器學習實質是研究如何使機器(計算機)通過識別和利用現(xiàn)有知識以及現(xiàn)場捕獲的各類動靜態(tài)信息來計算得出各類動態(tài)避碰知識,以最終形成科學有效的PIDVCA實施方案.如何將本船動態(tài)信息以及目標船的動態(tài)信息與現(xiàn)有的經驗知識等靜態(tài)定性的避碰知識有機融合,形成可供機器實現(xiàn)PIDVCA的各類動態(tài)避碰知識,從而形成一套按照特定的機器學習機制加以實現(xiàn)的策略.2pidvca的系統(tǒng)框架經過十多年的研究,以PIDVCA理論為研發(fā)船用智能避碰導航儀(VICAN)的理論基礎的系統(tǒng)核心框架已初步構建下面在簡要介紹傳統(tǒng)的避碰方法基礎上,說明PIDVCA方法概要,最后引出PIDVCA的機器學習機制.2.1時域組合的危險判定駕駛員利用雷達提供的目標回波信息、本船電羅經提供的航向信息以及計程儀提供的航速信息,借助相對運動人工標繪(如圖1所示,其中SHM表示本船的船艏標志線)獲得目標船的運動要素信息(包括本船相對目標的方位Bo,目標的相對方位B、相對距離R,相對運動方向Cr和速度Vr,目標船真運動航向Ct和速度Vt)、避碰參數(shù)(最近會遇距離DCPA和到達最近會遇距離的時間TCPA)進行會遇態(tài)勢的判斷;根據《規(guī)則》基本準則確定的危險判定閾值(綜合考慮本船的操縱性能、大氣以及航行海域的情況)判斷本船與目標船是否存在碰撞危險,即將圖中所示的目標船與本船的最近會遇距離DCPA與目標船到達最近會遇距離的時間與預先確定的危險判定閾值進行比較,如果有碰撞危險存在,則根據《規(guī)則》或海員的通常做法,確定避碰決策(左讓、右讓變速或變向加變速);根據作圖求取相應的避讓幅度、避讓時機以及預測復航時機,最后根據求得的結果實施避讓操船動作.2.2動態(tài)避拉pidvca的應然模型與傳統(tǒng)避碰方法相比而言,研究“PIDVCA”的目標是要解決“船舶擬人智能避碰決策”的自動化問題,具體而言就是應用《規(guī)則》、船舶操縱與避碰學、船舶駕駛員的通常做法以及人工智能技術等知識,借助現(xiàn)場傳感器獲得的環(huán)境及目標信息,結合專家經驗知識的定性分析,利用這些信息系統(tǒng)進行自動推理、定量計算和評價,并最終實現(xiàn)船舶避碰決策實施方案的自動生成和優(yōu)化.PIDVCA的實現(xiàn):將數(shù)理分析、機器學習、專家系統(tǒng)原理、模糊數(shù)學和航海知識有機結合形成集成化的人工智能方法,并以智能程序形式實現(xiàn)PIDVCA模型(如圖2所示).該過程主要采用正向啟發(fā)式規(guī)則推理、類比推理、范例推理與非單調推理相結合的集成推理(控制)策略,將構成智能避碰模型的機器學習模塊、動態(tài)避碰知識模塊、推理機以及由定性推理的決策準則與定量計算的決策實施方案動態(tài)優(yōu)化目標函數(shù)等構成的決策分析評價體系有機地融為一體,并最終獲得問題的解.動態(tài)避碰知識庫是PIDVCA模型的核心內容,它用數(shù)據庫的方法表示事實性知識(諸如來自AIS(automaticaidentificationsystem)的船舶基本參數(shù)、利用傳感器和電子海圖數(shù)據庫獲取的海域環(huán)境相關信息);用if＿then產生式模型表示有關避碰決策問題中與避碰決策的行動相聯(lián)系的因果關系知識;最終用程序和過程代碼表示由數(shù)據庫、模型庫、動態(tài)信息庫和智能避碰決策庫形成的元知識所體現(xiàn)的動態(tài)避碰決策知識模塊.由于航行中船舶所形成的會遇態(tài)勢是變化無窮的,因此對每一個會遇局面形成避碰決策的知識千變萬化.縱然是同一個會遇局面,隨著時間的推移,避碰決策方案也會發(fā)生相應的變化.這里特別要注意的一點是:動態(tài)避碰知識中提到的“動態(tài)”概念意旨通過機器學習,針對每一局面獲取的避碰知識是實時的,在船舶執(zhí)行避碰決策方案安全讓清后可遺忘,不必永久存儲.機器學習是構建動態(tài)避碰知識庫的關鍵技術之一,其學習機理是以面向對象技術為基礎,以產生式、決策樹以及程序與過程代碼組成的異構表示作為知識的表達形式,獲得模塊、概念、操作和啟發(fā)式等不同形式的知識;以系統(tǒng)研究的各類“避碰模型”及其形成的各類“避碰決策算法”作為集成機器學習的表示形式;而學習的過程及其主要內容包括如何在系統(tǒng)推理機的控制下,利用數(shù)據庫提供的來自各傳感器的原始數(shù)據和信息以及利用模型庫提供的各類避碰模型而實時獲取的動態(tài)避碰信息、運用基于經驗知識產生的規(guī)則集進行目標性質的識別、分類并最終構成動態(tài)避碰知識庫,如圖2所示.2.3基于人工學習的在線機器自動學習機制從2.1節(jié)闡述的駕駛員避讓過程可以看出:本船和目標船的信息是避碰決策的基本資源,而避碰知識是經由信息加工(即相對運動人工標繪)后得到的抽象化產物,系統(tǒng)在決策過程中根據《規(guī)則》給出決定避碰措施的定性準則,同時采用定量的矢量作圖計算確定避碰措施實施的具體幅度和時機,經由上述兩者所形成的避碰決策是目標(客體)信息和本船(主體)信息以安全避讓為目的演繹出來的智慧化身.因此這里所體現(xiàn)的擬人智能避碰思想是把來自傳感器、電子海圖信息和用戶輸入的各種動靜態(tài)數(shù)據感知的目標信息資源加工成避碰知識,進而把避碰知識激活成為解決避碰問題的避碰決策,并在避碰決策信息引導下實現(xiàn)解決具體問題的全部能力.從傳感器獲得本船航向和航速信息以及目標船的位置信息到實現(xiàn)PIDVCA是一個復雜的智能避碰決策過程,依靠單一的學習策略是遠遠不夠的,而且現(xiàn)有的學習策略也未必適應于“船舶擬人智能避碰”這一特定問題的學習和知識獲取,因此本研究創(chuàng)建了一種基于人工學習的在線機器自動學習機制,并形成一套獨特的集成機器學習策略加以實現(xiàn).所謂PIDVCA的集成機器學習策略是建立在人工避碰經驗發(fā)現(xiàn)和基于解釋和范例的概括學習策略所構建的靜態(tài)避碰知識基礎之上,以在線啟發(fā)式規(guī)則推理、類比推理、基于規(guī)則和范例的混合推理和非單調推理指導下的避碰知識發(fā)現(xiàn)(collisionavoidanceknowledgediscovery,CAKD)為核心,輔以啟發(fā)式推理與強化學習策略.如圖3所示,圖中的實線矩形框表示研究人員利用原有的船舶避碰領域知識、經過人工學習預先獲取的靜態(tài)避碰知識;虛線矩形框表示系統(tǒng)根據用戶輸入的相關信息、利用原有的靜態(tài)避碰知識和傳感器現(xiàn)場采集的動態(tài)信息,在推理機的控制下,經過在線學習實時獲取動態(tài)避碰知識和問題的解決方案.3釋學習和模范學習策略本系統(tǒng)研究的集成機器學習策略是基于人工學習的在線自動學習方式.人工學習主要包括經驗發(fā)現(xiàn)、解釋學習和范例學習策略;在線學習方式包括在線啟發(fā)式規(guī)則推理、類比推理、范例推理和非單調推理指導下的知識發(fā)現(xiàn)與強化學習策略.人工學習方式主要用于產生類比推理和范例推理學習的類比源和范例源以及在線獲取新知識的避碰模型,以便通過在線自動學習實時獲取(發(fā)現(xiàn))解決問題的新知識以及新技能.3.1基于數(shù)據的策略機器發(fā)現(xiàn)始于科學發(fā)現(xiàn)的計算機建模.機器發(fā)現(xiàn)是指從觀察的事例或經驗中歸納出規(guī)律或規(guī)則,這是一種富有創(chuàng)造性和挑戰(zhàn)性的學習方式.它屬于-觀察發(fā)現(xiàn)學習的一種策略,可劃分為經驗發(fā)現(xiàn)與知識發(fā)現(xiàn)兩種.前者是指從經驗數(shù)據中發(fā)現(xiàn)規(guī)律和定律,后者是指從已觀察的事例或數(shù)據中發(fā)現(xiàn)新的知識本文提出的機器發(fā)現(xiàn)實質上是一種自動的動態(tài)知識獲取方法,它借助人工方法為機器發(fā)現(xiàn)構建避碰模型和智能避碰決策算法,搭建知識框架,以便機器利用數(shù)據庫的事實性知識用戶輸入的各種靜態(tài)參數(shù)以及由傳感器現(xiàn)場獲得的目標和本船的動態(tài)信息)自動獲取新知識,這是實現(xiàn)VICAN超越人的決策能力(即實現(xiàn)擬人智能避碰決策)的關鍵技術之一.3.1.1基于過程數(shù)據的避拉發(fā)現(xiàn)知識原始知識是機器學習發(fā)現(xiàn)新知識的基礎數(shù)據,原始知識來源于《規(guī)則》、專家對《規(guī)則》的解釋以及海員的通常做法這些定性的靜態(tài)經驗知識.本文提出的“避碰經驗發(fā)現(xiàn)”就是解決如何從這些定性的靜態(tài)經驗知識(船舶避碰領域知識)和數(shù)據中發(fā)現(xiàn)相應的規(guī)律,實質是解決如何創(chuàng)建避碰模型和推理機的自動推理機制問題,或解決領域知識的形式化問題,以便“避碰知識發(fā)現(xiàn)”利用相應的規(guī)律,把這些定性的靜態(tài)經驗知識轉換成為機器可識別的、可應用于自動生成最優(yōu)避碰決策方案的動態(tài)信息和知識.本系統(tǒng)將其定義為離線知識獲取與識別的學習方法,研究人員綜合分析了《規(guī)則》及海員的通常做法,根據船舶相對運動幾何關系(如圖1所示)建立求解速度矢量三角形ABC、碰撞三角形CDO等解析幾何關系以及估算公式等組成的各類避碰模型,構成動態(tài)避碰知識庫的模型庫,這些模型就是人工發(fā)現(xiàn)的規(guī)律,用于機器解算獲取各類動態(tài)決策信息.避碰模型主要由目標運動要素(包括本船相對目標的方位Bo,目標船的相對方位B、相對距離R,相對運動方向Cr和速度Vr,真運動航向Ct和速度Vt)和碰撞參數(shù)DDCPA與TCPA的計算模型、碰撞危險判據(安全會遇距離SDA、及其最小值SDAmin)計算模型、碰撞危險度計算模型(緊迫局面距離DE及其最小值、即緊迫危險距離DEmin、本船初始避碰時機Tso和最晚施舵時機T1)、避碰決策實施方案(避讓時機Ts、改向幅度AC或變速幅度AV以及預測復航時機Tr)量化模型以及避碰決策實施方案校驗模型(包括預測目標運動要素模型和限制時間Tc計算模型)等構成.很顯然,“避碰經驗發(fā)現(xiàn)”是避碰知識發(fā)現(xiàn)的先決條件,為避碰知識發(fā)現(xiàn)策略奠定了基礎.3.1.2避拉知識發(fā)現(xiàn)知識發(fā)現(xiàn)是從數(shù)據集中識別出有效的、新穎的、潛在有用的以及最終可理解的模式的非平凡過程.知識發(fā)現(xiàn)的目的是向使用者屏蔽原始數(shù)據的繁瑣細節(jié),從原始數(shù)據中提煉出有意義的、簡潔的知識,直接向使用者報告.為解決無窮多的會遇態(tài)勢所構成的船舶避碰問題,本文提出的“避碰知識發(fā)現(xiàn)”的目的是從本船和目標船的原始數(shù)據中提煉出有意義的、簡潔的避碰知識,直接提供給駕駛員.所謂的“提煉”就是系統(tǒng)根據避碰經驗發(fā)現(xiàn)構建的避碰模型、自動推理機制以及基于解釋和范例的概括創(chuàng)建的各類避碰決策算法、智能避碰決策庫以及多船避碰決策校驗與尋優(yōu)算法獲得避碰知識的過程,而所謂的“有意義的、簡潔的避碰知識”就是諸如DCPA和TCPA、會遇態(tài)勢、目標性質、避碰決策實施方案之類便于駕駛員理解和獲悉交會態(tài)勢以及避碰決策指導的避碰知識.根據本文作者構建的避碰知識獲取框架(如圖3所示)和預先設計的推理機自動推理機制來實現(xiàn)“避碰知識發(fā)現(xiàn)”,避碰知識發(fā)現(xiàn)過程如下:①推理機根據數(shù)據庫提供的事實性知識,運用啟發(fā)式規(guī)則推理順序調用“避碰經驗發(fā)現(xiàn)”所建立的避碰模型,感知目標動態(tài)信息;②推理機根據感知的目標動態(tài)信息和基于解釋的概括形成的規(guī)則庫,運用類比推理的啟發(fā)式規(guī)則匹配,認知目標;③推理機根據認知目標的結果和基于范例的概括結合避碰模型和避碰決策算法應用形成的智能避碰決策庫,運用在線啟發(fā)式規(guī)則與范例混合推理獲得初始避碰決策方案;④推理機根據初始避碰決策方案,決定是否進入決策分析評價和優(yōu)化,如果需要則運用啟發(fā)式規(guī)則與非單調推理以及強化學習(必要時)策略,最終形成最佳的智能避碰決策方案.例如系統(tǒng)在推理機的啟發(fā)式規(guī)則推理控制下,順序選擇相應的避碰模型,根據傳感器觀測的本船航向信息Co、航速信息Vo、目標相對距離信息R和相對方位信息B,利用目標運動要素和碰撞參數(shù)DCPA與TCPA計算模型以及碰撞危險判據估算模型,解算出感知目標所需的動態(tài)信息,并以動態(tài)數(shù)組的方式存儲在圖1所示動態(tài)避碰知識庫中的動態(tài)信息庫中.以下給出了上述模型的具體應用實例,假設本船OS1的航向航速分別為:Co=0°,Vo=11.0kn.則經過計算之后的相關避碰信息如表1所示,其中Bo為本船相對目標船的方位.3.2基于類比推理的避碰決策算法基于解釋的學習,是一種從通用規(guī)則轉換而來的較為特殊的學習方法.本文引用了基于解釋的概括EBG(explanation-basedgeneralization)方法,其過程可分為解釋和概括兩個階段,即:①解釋:使用領域理論建立一個證明訓練例子滿足目標概念定義的解釋結構(即一棵解釋樹),要求解釋結構每個分枝的葉節(jié)點上的表達式都必須滿足可操作性準則;②概括:確定一個充分條件集合,使在這些條件下,解釋結構有效,且表達這個條件的描述滿足可操作性準則.這可通過在解釋結構中對目標概念進行回歸來完成.回歸所得的表達式合取便成為所求的目標概念描述.PIDVCA的離線解釋學習與在線類比推理策略解釋如下:首先運用EBG方法,根據船舶避碰領域知識建立相關解釋結構,形成啟發(fā)式規(guī)則推理的規(guī)則庫,作為類比推理的類比源;再利用類比推理指導下的啟發(fā)式規(guī)則匹配判斷實際觀測到的目標實例是否滿足目標概念定義.學習認知的內容包括:目標是否危險、危險等級的定義、危險目標的性質、目標與本船交會關系的定義.具體學習過程是根據PIDVCA構建的決策分析評價體系以及《規(guī)則》中對目標船的性質及其與本船交會關系的相關定義,以離線的方式,通過基于解釋的概括構造各種目標概念的解釋結構,形成各類避碰決策算法,并以規(guī)則形式預先存儲在圖2所示動態(tài)避碰知識模塊的規(guī)則庫中;推理機根據動態(tài)信息庫提供的目標信息源,運用啟發(fā)式規(guī)則推理方式,首先根據目標的DCPA與SDA的計算結果,通過類比推理可判定目標船是否與本船存在潛在動態(tài)危險關系,當結論肯定時(即wx[i]=1,表示該目標處于潛在碰撞危險狀態(tài))再進一步從規(guī)則庫中選擇與之匹配的規(guī)則,確定實際觀測到的目標的性質及其所屬的基本會遇局面.下面以兩船構成追越局面時的交互態(tài)勢為例說明以上模型的具體應用.《規(guī)則》第十三條(追越)2款規(guī)定:“一船正從他船正橫后大于22.5°的某一方向趕上他船時,即該船對其所追越的船所處的位置,在夜間只能看見被追越船的尾燈而不能看見它的任一舷燈時,應認為是在追越中.”因為只有兩船存在碰撞危險的情況,才有必要考慮避碰決策,因此,作為機器要判定兩船之間的會遇局面是否為追越局面,首先要判斷兩船之間是否存在潛在的碰撞危險;然后根據會遇態(tài)勢判定模型確定會遇目標船的具體屬性是追越船或被追越船;最后根據目標屬性進一步確定其特征.根據《規(guī)則》關于“追越局面”的規(guī)定,經過分析可構造“追越局面”的解釋結構如圖4所示.圖4中,mbxz為目標船屬性標識符;wx為危險標識符,其值為1表示目標船與本船存在潛在的碰撞危險,其值為0表示目標船與本船無碰撞危險;Tzt為目標性質標識符,其值為1表示目標船為直航船(權利船),本船為讓路船(義務船),如其值為2則相反.以產生式規(guī)則形式表示為:根據表1顯示的信息,可知wx=1,顯然根據圖4提供的解釋結構,運用類比推理的啟發(fā)式規(guī)則匹配,則可以判定目標船為追越船(即mbxz[i]=4),進而判定會遇態(tài)勢屬于追越局面.3.3最優(yōu)的避碰決策《規(guī)則》是從船舶駕駛員的大量避碰范例中抽象總結出來的基本避碰準則,主要適合于兩船間的避讓決策方法;對于多船的初始避碰決策方法,一般參照兩船間的避讓方法以及海員的通常做法行動.如圖4所示,PIDVCA首先基于范例的概括CBG(case-basedgeneralization)方法解決范例推理的范例源問題,其過程類似于EBG方法,具體的實現(xiàn)方法是預先根據領域知識將各種典型會遇局面的避碰方法,以決策樹的規(guī)則形式存放于圖2的智能避碰決策庫,作為范例推理的范例源;然后推理機利用啟發(fā)式規(guī)則推理方法,根據PIDVCA的解釋學習與類比推理學習策略認知得到的目標特征、會遇局面和目標性質,通過范例推理從智能避碰決策庫中選擇對應的典型避碰范例決策樹(子程序),最后結合避碰模型和避碰決策算法的具體運用,確定智能避碰的初始決策.例如對于單船(只有一個目標船)會遇的情況,本船為讓路船時的初始避碰決策是基于《規(guī)則》、專家對《規(guī)則》的解釋以及幾何分析解算得到的.除了目標為被追越船,對于其他屬性的目標船,一般認為最佳改向避讓幅度為30°,而對于被追越船,根據幾何分析和仿真試驗結果認為初始改向避讓幅度為10°;當初始避碰時機Tso計算結果大于或等于零時,則分別以10°或30°作為初始避碰決策,如果Ts。計算結果小于0,說明兩船已錯過了避碰的最佳時機,則本船按照立即改向方式調用避碰方案計算模型,求解新的改向避讓幅度并將其作為該條件下的初始避碰決策.由于初始避碰決策的形成機制符合《規(guī)則》的“早讓寬讓”避碰原則,因此除了能見度不良情況下避讓左正橫附近的目標船以外,其它態(tài)勢下的單船初始避碰決策就是最優(yōu)的避碰決策實施方案.在3.3節(jié)的例子中,如圖5所示,顯然目標船OS2為義務船,與以往仿真試驗模式不同的是:該船配有智能避碰軟件,簡稱智能目標船.在該試驗中,目標船在其避讓時機(10.25min)到來時向右改向10°,并在改向后的11.5min后恢復原航向,使本船與目標船在其SDA以外安全交會,其仿真回放如圖5所示.如果OS2沒有裝載PIDVCA軟件,其模擬的情形是讓路船不履行避讓義務,按照PIDVCA的研究思想,利用PIDVCA理論中建立的目標船避碰時機計算模型,可以獲知OS2改向避讓10°的避讓時機Tso.因此,當OS2改向避讓10°的時機到來之后(即Tso=0),如果OS2沒有采取避讓措施,OS1可通過AIS的短信技術自動以點對點的方式向OS2發(fā)出避讓請求;如果OS2響應OS1的避讓請求,則仿真效果雷同圖5;否則,OS1基于自身處于最不利情況下的安全避讓原則,將在其最晚施舵時機(27min)到來時采取向左改向49°的避讓措施,并在改向避讓5.5min后恢復原航向.圖6(僅本船OS1裝載PIDVCA軟件)顯示:當左舷來船T1與OS1構成碰撞危險時,在T1沒有采取相應的避碰行動的互見和能見度不良兩種狀態(tài)下,OS1的避讓時機和幅度不同,滿足《規(guī)則》要求,符合航海實踐情況.在OS1采取避讓行動后,如果T1采取不協(xié)調的避讓行動(如圖6(b)所示),OS1能及時采取相應的補救措施避免發(fā)生碰撞.圖7顯示的是比較特殊的三船交會示例,三船之間均構成潛在的碰撞危險,圖6中的(a)和(b)對應的OSi的參數(shù)相同,圖6(a)的兩船的距離在11、12e,圖6(b)中的兩船之間距離設置在4.5e～6e左右.從兩船之間的交會關系而言,OS1與OS2為對遇關系,兩船均為讓路船;OS1與OS5為左交叉關系,OS1為直航船,OS5為讓路船;OS2與OS5為右交叉關系,OS5為直航船,OS2為讓路船.綜上分析,只有OS2純屬讓路船的身份,其它船舶均具有雙重身份.多船避碰算法針對特殊的會遇局勢規(guī)定:僅是讓路船身份的OS2避讓時機按照讓路船確定;具有雙重身份的OS5和OS1避讓時機設置為直航船的避讓時機.因此OS2應最先承擔讓路船向右改向的義務;接著是OS5,因為一旦OS2采取措施,OS5與OS2的危險關系便隨之消失,此時OS5相對OS1而言則為讓路船,必然要承擔讓路船的責任,OS5在其最佳初始避讓時機到來時采取向右改向30°的避讓措施,并在其預測的復航時機到來時安全復航.由于圖7(a)的OS1在OS5的改向初期,它們之間的交會特征發(fā)生了變化,導致OS1對OS5的最晚施舵時機提前,并使其最晚改向角由原來的90°改為72°,在檢測到復航時機時立即安全復航.如果OS5改為沒有裝載PIDVCA軟件的T1,則OS5利用AIS短信技術自動向T1播發(fā)避讓請求并得到響應,則其避讓效果如同圖7(b);否則當T1沒有理會OS1的避讓請求,即不履行避讓義務,則避讓效果如圖7(c),即OS1在其最晚施舵時機改向90°,并在預計的復航時機到來時與T1和OS5安全通過.可見,PIDVCA算法中利用了AIS短信技術實現(xiàn)自動播發(fā)避讓請求,在得到回應的情況下,一方面提升了PIDVCA的擬人,另一方面可優(yōu)化避讓的效果;在得不到回應的情況下,基于PIDVCA的原則,必須充分考慮了本船處于最不利的避讓原則,同樣能確保直航船在其避讓的最晚時刻安全避讓.3.4險目標船身份校驗后的避拉方式設置在形成初始避碰決策之后,對于多船會遇局面,能否安全避開所有的目標船,還需進行避碰決策的校驗,必要時進行決策方案的動態(tài)優(yōu)化,即執(zhí)行圖3中的決策方案分析評價與方案尋優(yōu).這個過程基于避碰經驗發(fā)現(xiàn)學習策略所形成的避碰決策校驗算法、總結的基本范例(圖8虛框所示為模擬海員通常做法的通用型算法)以及創(chuàng)建的時空動態(tài)尋優(yōu)算法:系統(tǒng)在啟發(fā)式規(guī)則推理指導下,根據初始避碰決策方案預測目標船與本船新的會遇態(tài)勢,進入初級校驗,即分析可能存在的危險性;如果分析結果沒有存在新的潛在危險目標船,即初始避碰決策經初級校驗就獲得成功,則根據會遇局勢和決策方案的具體情況,決定是否必要進行下一步的動態(tài)優(yōu)化;如果初級校驗不成功,則調用模擬海員習慣做法的通用型算法,進入二級校驗;如果校驗成功,即可輸出相應的避碰決策實施方案;否則,系統(tǒng)將借助非單調推理,通過調整SDA的值或避讓時機,進入時空搜索尋優(yōu)的第三級校驗,如果在最小的安全會遇距離與最晚的避讓時機內未能找到合適的避碰決策,則進入緊迫危險避碰決策庫搜索緊急避碰決策.圖8中的NWX表示預測初始改向后出現(xiàn)的新危險目標船的數(shù)量,TCPAm為新危險目標到達本船最近會遇距離時間的最大值.圖9(a)和(b)的避碰示例為互見情況下僅僅本船OS1裝載PIDVCA軟件且與T1構成潛在碰撞危險的多船避碰仿真示例.初始避碰決策方案:OS1立即向右改向30°.但因OS1立即向右改向30°,會導致其分別與圖9(a)中的TS3和圖9(b)中的TS2構成新的危險,所以該方案被否決.對圖9(a)的例子,經過推理判斷新危險船TS3到達最近會遇距離的時間TCPAm小于TL,因此本船以TS3的TCPAm為改向時機重新確定避碰決策實施方案為向右改向57°,通過預測目標與OS1新的會遇態(tài)勢及可能存在的危險性,其結果為NWX=0,則輸出避碰決策實施方案;對于圖9(b)的例子,經過