基于神經網絡的激光測距輔助靠離泊系統研究

孫肅徽

（山東省港口集團有限公司，山東 青島 266011）

0 引言

智慧港口的建設對船舶的靠泊安全性提出了越來越高的要求，其中影響船舶安全和港口工作效率的一個很重要因素就是船舶的靠離泊[1]。隨著港口碼頭的船舶噸位和密集程度不斷地增加，船舶噸位大、慣性大，在靠離泊時存在穩定性差、操作性弱的缺點。近年來的海損事故也是頻頻發生，靠離泊問題導致的岸與船發生碰撞的事故嚴重影響了港口的工作效率[2]。而且，如果靠離泊時發生碰撞不僅會危及人員安全，而且還可能導致港口環境污染。因此，優化靠離泊輔助系統，對解決靠離泊難的問題有重要的實際意義。

激光具有穩定性高、抗干擾能力強以及定向性能好的特點[3]，特別適用于港口碼頭這種復雜多變的環境。智慧港口自動靠離泊技術能夠實時精確檢測船舶相對港口碼頭的距離、速度等數據信息。BP 神經網絡具有強大的推導和學習能力，能夠準確、快速地處理激光測距儀收集到的不穩定信息，然后及時、準確地對靠離泊狀態進行判斷。該研究基于神經網絡的遞歸原理，提出將激光測距參數引入BP 神經網絡模型，進而提高船舶靠離泊的安全性、準確性。

1 激光測距技術的原理

激光測距技術誕生于1960 年，主要目的是以激光作為載波，根據發出和接收激光脈沖的時間差來實現對目標距離的測量。常用的激光測距法（例如相位法和超聲波）都具有距離較短、最大距離受限的缺點，不可擴展；而脈沖法是采用遠近紅外激光的模式，基于該技術的測距儀具有對相干性要求低、輸出功率高、頻率高、效率高、結構簡單以及可掃描范圍廣的優點。具體測距的原理如圖1 所示。

圖1 脈沖式激光測距原理圖

激光發射器發出脈沖激光，經過一段距離到達目標后被反射，激光接收系統中的光電探測器接收反射的回波信號，計時電路通過脈沖信號和回波信號到達的時間差得出目標物體與發射出的距離。由于激光具有能量集中、穿透能力強且光源穩定的特點，因此特別適合應用于復雜環境條件下的距離測量。由于船型外傾，傳統低能光源檢測方法會失效，但是，激光在經過光線的折射后，依然可以將大部分的能量返回接收器，因此該研究選用激光器做為輔助靠離泊的測距光源。

2 基于神經網絡的激光測距靠離泊系統

2.1 系統整體設計

輔助靠離泊系統可以監測船舶距碼頭的距離、靠離泊速度以及靠離泊角度等，并根據風速、風向、潮位、流速以及流向等數據對船舶靠離泊安全速度進行修正，為船舶靠泊、停泊和離泊提供準確的數據支持。同時，船舶姿態數據經神經網絡算法處理就可以得到船舶的最優靠離泊路徑，系統主要組成如圖2 所示。

圖2 基于神經網絡的激光測距靠離泊系統組成圖

基于神經網絡的激光測距靠離泊系統主要由激光雷達掃描系統、神經網絡數據模型、顯示面板以及報警設備等部分組成，各部分主要負責的工作如下。

2.1.1 激光雷達掃描系統

可通過激光掃描的方式對船舶和港口碼頭之間的空域進行實時定向掃描，并形成船舶及碼頭的狀態參數。檢測的狀態參數信息可通過岸基網絡發送至岸基數據分析中心。

2.1.2 BP 數據模型

BP 數據模型是數據處理中心的核心模塊。將激光雷達采集到的信息作為輸入，經BP 神經網絡訓練系統的數據模型計算得到船舶速度、航行方向、離岸距離以及靠離泊動態情況等輸出值，并通過顯示面板等直觀地顯示信息，便于岸邊靠離泊人員和船舶駕駛員及時調整船舶狀態，保障船舶安全地靠離泊。

2.1.3 報警設備

通過智能預測系統對船舶當前的運行狀態進行動態預測。經過數據模型分析，如果判斷當前狀態下船舶靠離泊會發生碰撞事故時，那么報警裝置就會發出警報，并顯示優化靠離泊參數，同時提醒工作人員及時地進行調整。

2.1.4 顯示面板

顯示面板按照功能主要分為輔助靠離泊作業模塊、作業任務模塊以及港口態勢模塊。其中，輔助靠離泊作業模塊可顯示船舶相對岸邊的狀態參數信息，主要包括船型、船速、距離、航向、風速以及風向等，它是指導現場拖輪作業的核心手段；作業任務模塊與港口核心任務調度系統進行對接，實現對港口作業任務的下發及領取；港口態勢模塊與港口信息管控系統進行對接，實現對港口態勢的感知及全域監控。融合電子地圖技術可以以動畫的形式顯示船舶的實時動態信息。

2.1.5 參數設置

可手動輸入并設置船舶的類型、作業編號、任務委派以及任務檢索等。當需要流程作業之外的動作時，可通過手動參數設置，實現對輔助靠離泊作業的指導。

2.2 系統通信設計

該系統主要包括2 臺工控機、2 臺激光測距儀、1 個5G 模塊、2 個無線模塊及1 臺4G 手持終端（4G 手持終端和大屏顯示為2 種設計方案，在具體應用過程中可根據港口現場實際情況進行選配；另外，也可以同時選配2 種顯示方式。2 種顯示方案采用相同的數據傳輸協議，可直接快速選配替換）。2 臺激光測距儀測量計算船舶距岸基的距離，通過RS-422 串口通信傳送到工控機端；工控機對接收到的數據進行處理分析后，通過網口通信與5G模塊進行數據對接。其中，從站的工控機與主站的工控機基于Lora的無線模塊進行數據通信，然后將數據傳遞到5G 模塊端，進而將數據傳遞到遠控中心。航站中心將獲取的風速、風向等環境參數傳遞到遠控中心端，遠控中心控制器通過有線網絡接入公網，且分配1 個固定IP，進而與基于4G 手持終端處進行數據通信，有效地提高了船舶靠岸的效率。系統通信網絡如圖3 所示。

圖3 系統通信網絡

2.3 基于BP 神經網絡的參數遞歸方法

感知機是一種計算模塊，同時也可以作為神經網絡的最小組成單元，即神經元。DNN 是一種常用的神經網絡，主要特點是在普通神經網絡的基礎上引入了多層隱藏層，具有集成度高、學習力強的優點；能夠輕松地描述船舶靠離泊情況。DNN 神經網絡拓撲圖如圖4 所示。

圖4 DNN 神經網絡拓撲圖

DNN 包括多層由眾多神經元組成的層，其中第一層是輸入層，中間的都是隱藏層，最后一層是輸出層，層與層之間通過節點函數和參數值進行遞歸傳遞，假設在第l-1層一共有m個神經元，那么對l層第j個神經元的輸出。如公式（1）所示。

式中：zl為第l層輸入函數；k為數據個數；為第l層參數矩陣；為第l層數據；為第l層數據偏移值。

用矩陣表示整個l層的輸出，如公式（2）所示。

式中：al為第l層輸出；al-1為第l層數據向量；W l和bl為層與層之間連接的參數矩陣和偏移向量。

該系統采用基于DNN 模型的BP 神經網絡，即反向傳播技術（back-propagation，BP）來對參數進行更新和網絡訓練。該系統選擇的BP 算法是一種神經網絡參數梯度方法，根據微積分中的鏈式法則，可從輸出層逐層返回到達輸入層。依次計算并更新各層變量以及參數的梯度。反向傳播更新過程如下。

根據第l層的輸出al和第l層的數據輸入t l計算總誤差，如公式（3）所示。

使用梯度下降法更新輸出該al的隱藏層的權重，如公式（4）所示。

式中：wi為第i層數據權重。

根據梯度下降法更新同一層的偏移量，如公式（5）所示。

式中：bi為第i層偏移基準值。

為了避免使用固定學習率η可能會帶來梯度消失、過擬合以及梯度爆炸等問題，引入自適應學習率的方式，根據計算過程中的數值不斷更新學習率，實現對算法的優化。在BP模型中以激光雷達采集到的數據為輸入，通過該算法逐層向下遞歸計算，并最終通過輸出層得到船舶的動態預測信息，進而實現對船舶靠離泊的動態預測。

2.4 數據顯示

輔助靠離泊系統數據顯示有現場大屏顯示和移動終端顯示2 種方式。

2.4.1 大屏顯示

大屏顯示要求如下：1）大屏滿足戶外使用，防水防塵。2）滿足港口碼頭潮濕、腐蝕的惡劣環境。3）數據顯示清晰，可顯示3 種顏色。

選用3 200 mm×1 600 mm 的戶外P10 LED 全彩大屏，通過膨脹螺栓安裝在碼頭岸邊，面向船舶方向，引航員可以在400 m 外通過肉眼清晰識別。

顯示屏顯示船舶靠離泊距離、速度以及安全預警等，預警方式：綠色-安全；黃色-警告；紅色-報警。顯示功能如下：1）船頭、船尾距靠泊碼頭平臺的距離。各顯示三位整數，另加二位小數，單位：m。2）船頭、船尾速度。各顯示二位整數和1 個符號位，單位：cm/s。3）預警顯示。

2.4.2 移動終端

移動終端采用便攜式無線數傳顯示終端，通過4G 無線通信與遠控中心對船岸距離、速度、角度、風速和風向等數據進行對接，并模擬顯示船舶靠離泊過程情況，讓引航員更直接、更方便地了解船舶和碼頭的各項動態數據。

2.5 靠離泊激光測距系統運行流程

該研究設計的基于神經網絡的激光測距輔助靠離泊系統工作流程如圖5 所示。

圖5 基于神經網絡的激光測距輔助靠離泊系統工作流程圖

以測量船舶靠岸為例，岸邊和船上的激光雷達不斷掃描環境數據，并通過網絡發送給數據分析中心，數據中心首先會對數據的合理性進行判斷，只有非異常數據能夠進入下一步分析。將實時檢測到的合法數據輸入BP 神經網絡，通過計算得到危險距離和危險情況的邊界，如果達到靠岸臨界距離，那么會通過警報和顯示屏告知工作人員，并及時做出調整；如果處于安全距離，則會繼續進行檢測。

3 結語

該系統采用基于BP 神經網絡的激光測距技術對船舶靠離泊過程中的周圍環境進行實時檢測和監控。利用激光傳感器實現對船舶相對于岸邊的多角度大范圍數據的采集，進而實現對船舶靠離泊時船舶相對于岸邊的距離、角度以及速度等的實時監測，并通過BP 神經網絡自主判定當前靠離泊的狀態，同時針對危險狀態進行預警。該方法有效克服了不同環境、不同船型以及不同速度下設定固定報警距離、人為判斷導致的不確定性，提高了船舶靠離泊的安全性和效率。通過實驗證明，該系統能夠有效輔助船舶靠離泊，顯著提高了船舶靠離泊的精準率，具有良好的反應能力和應用前景。