隨著大數(shù)據(jù)、AI技術(shù)、智能通信等技術(shù)的快速發(fā)展，智能船舶已成為全球研究的焦點(diǎn)。中國(guó)船級(jí)社在2024年發(fā)布的《智能船舶規(guī)范》中將船舶智能化功能細(xì)分為八個(gè)領(lǐng)域：智能航行、智能船體、智能機(jī)艙、智能能效管理、智能貨物管理、智能集成平臺(tái)、遠(yuǎn)程控制船舶和自主操作船舶，其中智能航行作為核心關(guān)鍵技術(shù)之一，主要依賴(lài)于先進(jìn)感知系統(tǒng)獲取海事環(huán)境信息，并通過(guò)后端決策系統(tǒng)進(jìn)行境地圖信息進(jìn)行規(guī)劃，掌握所有的環(huán)境信息，屬于離線規(guī)劃。而局部規(guī)劃的環(huán)境信息來(lái)源于感知系統(tǒng)的實(shí)時(shí)采集，構(gòu)建局部地圖信息，確定當(dāng)前實(shí)時(shí)位置和已探測(cè)障礙物的實(shí)時(shí)位置，進(jìn)行實(shí)時(shí)規(guī)劃和避障，屬于在線規(guī)劃。本文主要對(duì)船舶在線運(yùn)動(dòng)規(guī)劃方法展開(kāi)論述。

運(yùn)動(dòng)規(guī)劃的基本類(lèi)型分為路徑規(guī)劃和軌跡優(yōu)化。路徑規(guī)劃是在當(dāng)前船舶的起始點(diǎn)和目標(biāo)點(diǎn)規(guī)劃出安全避開(kāi)所有障礙物的最短路徑，期間通過(guò)引入各種目標(biāo)函數(shù)來(lái)限定路徑的最短性和經(jīng)濟(jì)性。軌跡優(yōu)化進(jìn)一步融入時(shí)間維度，詳細(xì)規(guī)劃船舶的速度變化和加速度曲線，即進(jìn)行運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束，以實(shí)現(xiàn)船舶速度的可控、航跡的平滑以及動(dòng)力學(xué)上的合理性。

在線路徑規(guī)劃

路徑規(guī)劃可以分為兩大類(lèi)：離線路徑規(guī)劃和在線路徑規(guī)劃。在線路徑規(guī)劃從感知系統(tǒng)中獲取的信息可分為兩類(lèi)：一類(lèi)是長(zhǎng)期保存的信息，描述了環(huán)境中靜態(tài)障礙的分布位置；另一類(lèi)是反映動(dòng)態(tài)障礙和環(huán)境中未被探測(cè)的障礙的短期信息。根據(jù)獲取信息的性質(zhì)不同，在線路徑規(guī)劃可分為在線靜態(tài)路徑規(guī)劃和在線動(dòng)態(tài)路徑規(guī)劃。

1、在線靜態(tài)路徑規(guī)劃

在線靜態(tài)路徑規(guī)劃方法旨在實(shí)現(xiàn)靜態(tài)避障和最短化路徑，其廣泛應(yīng)用于機(jī)器人和車(chē)輛自動(dòng)駕駛領(lǐng)域。目前主要的靜態(tài)路徑規(guī)劃方法大致有：人工勢(shì)場(chǎng)法、向量場(chǎng)直方圖法、模糊邏輯法、智能優(yōu)化算法等。

人工勢(shì)場(chǎng)法(Artificial Potential Field, APF)從直觀角度而言，障礙物被視為具有高勢(shì)能的“山丘”，而目標(biāo)位置則被視為勢(shì)能較低的“洼地”。在這種勢(shì)能場(chǎng)中，控制對(duì)象從“山丘”附近出發(fā)，通過(guò)規(guī)避“山丘”這些高勢(shì)能區(qū)域，沿著勢(shì)能場(chǎng)的力線移動(dòng)，最終到達(dá)低勢(shì)能區(qū)域，也就是目標(biāo)位置。通常情況下被控對(duì)象是沿著勢(shì)能變化梯度的負(fù)方向進(jìn)行移動(dòng)，即梯度下降法，所走路徑為最短路徑。所以，APF既可以實(shí)現(xiàn)實(shí)時(shí)避障，又可以實(shí)現(xiàn)路徑在勢(shì)場(chǎng)約束的距離最優(yōu)，并且算法計(jì)算的時(shí)間復(fù)雜度較低，反應(yīng)速度較快。

然而，由于APF特有的虛擬作用力方式，在船舶實(shí)際航行中應(yīng)用到需要克服目標(biāo)不可達(dá)、碰撞等問(wèn)題。各國(guó)學(xué)者針對(duì)該類(lèi)問(wèn)題提出了基于APF的改進(jìn)方法，主要有兩個(gè)改進(jìn)方向：一是在傳統(tǒng)APF的基礎(chǔ)上對(duì)勢(shì)場(chǎng)函數(shù)進(jìn)行改進(jìn)，增加各種因數(shù)或優(yōu)化勢(shì)場(chǎng)函數(shù)中的參數(shù)，針對(duì)目標(biāo)不可達(dá)和局部最小值問(wèn)題進(jìn)行改進(jìn)；二是結(jié)合其他規(guī)劃算法或引入優(yōu)化算法來(lái)優(yōu)化路徑規(guī)劃的性能，以適應(yīng)復(fù)雜環(huán)境和動(dòng)態(tài)變化場(chǎng)景。

向量直方圖法(Vector Field Histogram,VFH)，在保持APF低復(fù)雜度的前提下能克服局部極小值問(wèn)題，以及在間隙中出現(xiàn)震蕩的問(wèn)題。VFH基本原理：以船舶周?chē)�環(huán)境實(shí)時(shí)建立柵格地圖，然后計(jì)算船舶各方向的運(yùn)動(dòng)成本，如果某一方向有越多的障礙物，相應(yīng)的成本就會(huì)越大。在此基礎(chǔ)上，在直方圖中繪制不同方向的成本，同時(shí)利用平衡函數(shù)對(duì)目標(biāo)方向和前進(jìn)成本進(jìn)行權(quán)衡和計(jì)算，最終得出最優(yōu)的運(yùn)動(dòng)規(guī)劃方案。

VFH因其高效實(shí)時(shí)性、較好的魯棒性在無(wú)人艇領(lǐng)域中得到應(yīng)用，但是該方法缺乏對(duì)障礙物速度屬性以及船舶動(dòng)力學(xué)特性的考慮。對(duì)此，研究人員們對(duì)VFH進(jìn)行改進(jìn)，Loe通過(guò)將VFH與A*算法結(jié)合，實(shí)現(xiàn)復(fù)雜環(huán)境的局部避碰和路徑規(guī)劃；Babinec通過(guò)將運(yùn)動(dòng)空間進(jìn)行柵格化處理，劃分成二進(jìn)制信息單元，并計(jì)算這些單元的信任度，從而提取出障礙物柵格的向量值和角度信息，實(shí)現(xiàn)在復(fù)雜環(huán)境中的避障路徑規(guī)劃。

所謂模糊邏輯，就是運(yùn)用模糊數(shù)學(xué)的基本思想和方法，控制被控對(duì)象。模糊邏輯通過(guò)模擬駕駛員的駕駛處理方式，將信息模糊化處理后再進(jìn)行分割，分割后的信息根據(jù)經(jīng)驗(yàn)做出決策。模糊邏輯以速度快、實(shí)時(shí)性好為特征，但在U型障礙環(huán)境和對(duì)稱(chēng)障礙環(huán)境中存在容錯(cuò)性差、高精度求解困難和鎖死等問(wèn)題。針對(duì)模糊邏輯存在的問(wèn)題，研究者們通過(guò)將智能算法的優(yōu)化和搜索能力與模糊邏輯的不精確推理能力相結(jié)合，以解決未知海域的路徑規(guī)劃問(wèn)題。

智能優(yōu)化算法是一類(lèi)受自然規(guī)律和生物行為啟發(fā)而設(shè)計(jì)的算法，這類(lèi)算法具有簡(jiǎn)潔、適用性強(qiáng)、多目標(biāo)優(yōu)化能力強(qiáng)等特點(diǎn)，常用于解決電子、機(jī)器人、自動(dòng)化等領(lǐng)域的工程優(yōu)化問(wèn)題。對(duì)于在線運(yùn)動(dòng)規(guī)劃問(wèn)題，傳統(tǒng)智能算法主要有：遺傳算法(GA)、模擬退火算法(SA)、粒子群優(yōu)化(PSO)以及蟻群算法(ACO)等。隨著對(duì)智能算法的深入研究，在船舶運(yùn)動(dòng)規(guī)劃領(lǐng)域，如：帝國(guó)競(jìng)爭(zhēng)算法、細(xì)菌覓食優(yōu)化算法、布谷鳥(niǎo)算法等，各種新興的智能算法被提出并得到應(yīng)用。

智能優(yōu)化算法在處理船舶路徑規(guī)劃任務(wù)時(shí)遵循相似的處理流程，都是先將路徑規(guī)劃問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題求解，再利用評(píng)價(jià)函數(shù)提供的啟發(fā)信號(hào)，如：路徑最短、能耗最小、軌跡平滑等，通過(guò)迭代過(guò)程的群體協(xié)作，逐步引導(dǎo)群體向最優(yōu)解進(jìn)化。而各種智能算法的主要區(qū)別在于種群更新的方式，如：GA利用選擇、交叉和變異等操作來(lái)進(jìn)化種群，而PSO依賴(lài)于粒子的位置和速度信息來(lái)進(jìn)行更新。這些不同的更新機(jī)制導(dǎo)致了算法在收斂速度和種群多樣性方面表現(xiàn)出不同的特性。

2、在線動(dòng)態(tài)路徑規(guī)劃

在線動(dòng)態(tài)路徑規(guī)劃是基于傳感器實(shí)時(shí)感知信息做出的一種行為式規(guī)劃，其對(duì)感知的靈敏性、通信流暢性以及決策實(shí)時(shí)性有著較高的要求，動(dòng)態(tài)路徑規(guī)劃多用于動(dòng)態(tài)避碰以及相遇船只避碰等，其主要規(guī)劃方法有：動(dòng)態(tài)窗口法、速度障礙法、神經(jīng)網(wǎng)絡(luò)法、強(qiáng)化學(xué)習(xí)法等。

動(dòng)態(tài)窗口法(Dynamic Window Approach，DWA)是由Dieter Fox等人提出的一種行為式的規(guī)劃方法，其依據(jù)船舶所搭載的傳感器對(duì)外部信息做出反應(yīng)，實(shí)時(shí)進(jìn)行動(dòng)態(tài)規(guī)劃。該方法基本原理是：離散化處理船舶當(dāng)前航速空間的角速度和線速度，將不同的線速度和角速度組合成多個(gè)樣本點(diǎn)，分析各樣本點(diǎn)可能的航行路徑，對(duì)各預(yù)估路徑進(jìn)行碰撞檢測(cè)，剔除不可行路徑，利用目標(biāo)點(diǎn)距離、障礙物距離等評(píng)價(jià)函數(shù)對(duì)可行路徑進(jìn)行評(píng)價(jià)，以最優(yōu)解為規(guī)劃目標(biāo)。由于DWA具有實(shí)時(shí)性高、可引入動(dòng)力學(xué)約束等優(yōu)點(diǎn)，其在復(fù)雜水域的動(dòng)態(tài)避碰和路徑規(guī)劃的應(yīng)用較為廣泛。

而傳統(tǒng)DWA在不同障礙物分布時(shí)仍使用恒定的權(quán)重參數(shù)，導(dǎo)致出現(xiàn)無(wú)法繞過(guò)障礙物、難以通過(guò)狹窄水道等問(wèn)題，研究人員對(duì)此進(jìn)行了改進(jìn)，通過(guò)模糊邏輯控制器動(dòng)態(tài)調(diào)整DWA自身權(quán)重參數(shù)，可有效地解決動(dòng)態(tài)與靜態(tài)避障問(wèn)題；通過(guò)將DWA與D*融合，將動(dòng)態(tài)障礙物視作可以在地圖的網(wǎng)格單元中移動(dòng)的實(shí)體，利用DWA對(duì)網(wǎng)格單元的潛在運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)，評(píng)估碰撞風(fēng)險(xiǎn)，將船舶主動(dòng)避障的問(wèn)題虛擬為物理障礙物避讓問(wèn)題。

速度障礙法(Velocity Obstacle，VO)是由Fiorini等提出的一種用于避免動(dòng)態(tài)障礙物碰撞的方法，其基本原理是將船舶與動(dòng)態(tài)目標(biāo)以最小外接圓表示，通過(guò)船舶與動(dòng)態(tài)目標(biāo)的位置、尺度及速度構(gòu)建碰撞錐區(qū)域，即速度障礙區(qū)域，根據(jù)船舶相對(duì)于動(dòng)態(tài)障礙物的速度是否出現(xiàn)在速度障礙區(qū)域來(lái)判斷船舶是否需要進(jìn)行避碰和局部運(yùn)動(dòng)規(guī)劃。根據(jù)障礙物速度變化特性，VO通常被劃分為三種類(lèi)型：線性速度障礙法、非線性速度障礙法和概率速度障礙法。VO具有計(jì)算快捷、實(shí)時(shí)性好、適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，廣泛應(yīng)用于高速船艇的避碰、無(wú)人機(jī)群等領(lǐng)域。該方法的局限性主要是在速度障礙區(qū)域之外選取的運(yùn)動(dòng)速度變化較大，會(huì)造成船舶運(yùn)動(dòng)狀態(tài)的不連續(xù)等問(wèn)題。

神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)在船舶路徑規(guī)劃的應(yīng)用是近年來(lái)的研究熱點(diǎn)。在路徑規(guī)劃中，神經(jīng)網(wǎng)絡(luò)通過(guò)定義獎(jiǎng)勵(lì)和代價(jià)函數(shù)來(lái)優(yōu)化路徑選擇，獎(jiǎng)勵(lì)通常與到達(dá)目標(biāo)位置和規(guī)避障礙物相關(guān)，而代價(jià)函數(shù)與路徑的長(zhǎng)度或到達(dá)時(shí)間相關(guān)。強(qiáng)化學(xué)習(xí)的重點(diǎn)是通過(guò)與環(huán)境交互，以最大化累積獎(jiǎng)勵(lì)為目標(biāo)采取行動(dòng)。路徑規(guī)劃中強(qiáng)化學(xué)習(xí)的應(yīng)用主要分為最優(yōu)值強(qiáng)化學(xué)習(xí)和策略梯度強(qiáng)化學(xué)習(xí)，如：針對(duì)動(dòng)態(tài)避障問(wèn)題，研究者們提出了一種基于DQN的避碰路徑規(guī)劃算法，基于國(guó)際海上避碰規(guī)則改進(jìn)原DQN算法的獎(jiǎng)勵(lì)回報(bào)函數(shù)，然后設(shè)置對(duì)遇、交叉相遇、超越三種船舶會(huì)遇情況的仿真實(shí)驗(yàn)，證明了該方法能有效按照規(guī)則進(jìn)行動(dòng)態(tài)避碰和到達(dá)目標(biāo)位置；通過(guò)對(duì)DDPG算法采用失敗區(qū)域重點(diǎn)學(xué)習(xí)和經(jīng)驗(yàn)池分類(lèi)進(jìn)行改進(jìn)，然后設(shè)置狹窄水域的船舶對(duì)遇、超越仿真實(shí)驗(yàn)，展示出了改進(jìn)DDPG算法較好的學(xué)習(xí)速率和效果。與原DDPG算法相比，改進(jìn)算法的避碰路徑與真實(shí)路徑的平均距離偏差更小，在真實(shí)水域環(huán)境的可行性更好，符合一般船舶避碰規(guī)劃態(tài)勢(shì)的要求。

在線軌跡優(yōu)化

路徑規(guī)劃輸出一條由多條線段拼接而成的幾何路徑，在數(shù)據(jù)結(jié)構(gòu)上表現(xiàn)為有序的點(diǎn)集合，而軌跡優(yōu)化是時(shí)間參數(shù)化，每一個(gè)軌跡點(diǎn)都包含了具體的時(shí)間信息。軌跡優(yōu)化的主要任務(wù)是在路徑規(guī)劃的基礎(chǔ)上進(jìn)行優(yōu)化，將路徑規(guī)劃的離散點(diǎn)按特定方法進(jìn)行曲線平滑處理，得到一條符合船舶動(dòng)力學(xué)特性的光滑曲線，方便實(shí)船的跟蹤控制。目前，軌跡優(yōu)化的主要方法有：基于動(dòng)力學(xué)離散搜索的方法、基于數(shù)學(xué)優(yōu)化的方法、基于生物啟發(fā)技術(shù)的方法、融合方法。

基于動(dòng)力學(xué)離散軌跡優(yōu)化法將基于離散搜索的路徑規(guī)劃的低維度投影空間向更高維度推進(jìn)，從而在更高維度的空間中，實(shí)現(xiàn)搜索包含更豐富運(yùn)動(dòng)信息的運(yùn)動(dòng)軌跡的高質(zhì)量軌跡優(yōu)化，提高方法的可行性�；�于該方法的典型算法有Hybrid A*算法、Kinodynamic RRT*算法等。在A*算法的基礎(chǔ)上，Hybrid A*將船舶運(yùn)動(dòng)學(xué)引入其中，采用基礎(chǔ)的軌跡組合方式模擬船舶運(yùn)動(dòng)的柵格地圖和連接離散的柵格地圖，然后遵循A*算法的搜索策略，對(duì)地圖進(jìn)行搜索，以獲得最優(yōu)軌跡。Kinodynamic RRT*算法在尋找RRT樹(shù)上最鄰近節(jié)點(diǎn)時(shí)，不僅考慮位置的接近性，還考慮動(dòng)力學(xué)約束，以此來(lái)進(jìn)行軌跡的優(yōu)化。這類(lèi)方法都是采用離散方式搜索船舶軌跡，不能充分利用船舶的機(jī)動(dòng)能力，其軌跡優(yōu)化具有一定的局限性，而且優(yōu)化軌跡是基于地圖分辨率生成的，當(dāng)分辨率提高、運(yùn)動(dòng)模型精度提高時(shí)，將會(huì)提高軌跡搜索的計(jì)算壓力。

基于數(shù)學(xué)優(yōu)化的航跡優(yōu)化方法，即不離散狀態(tài)空間，不采用搜索方法，而是對(duì)優(yōu)化問(wèn)題進(jìn)行數(shù)學(xué)建模，以目標(biāo)函數(shù)表示航跡最短、航跡平滑，船舶的三自由度運(yùn)動(dòng)模型、航速、加速度等作為約束函數(shù)，從而求解符合目標(biāo)函數(shù)和約束條件的最優(yōu)軌跡。數(shù)學(xué)優(yōu)化求解最優(yōu)控制問(wèn)題可分為間接法、直接法以及動(dòng)態(tài)規(guī)劃法三類(lèi)方法。間接法利用變分原理來(lái)確定最優(yōu)控制問(wèn)題的一階必要條件，將問(wèn)題轉(zhuǎn)化為一個(gè)邊界值問(wèn)題，最后通過(guò)求解一組滿(mǎn)足特定邊界和內(nèi)部條件的微分方程來(lái)獲得問(wèn)題的最優(yōu)解。與間接法不同，直接法不通過(guò)微分方程求解，而是將最優(yōu)控制問(wèn)題中的狀態(tài)變量和控制變量進(jìn)行離散化處理，原本的連續(xù)問(wèn)題轉(zhuǎn)化為離散的非線性?xún)?yōu)化問(wèn)題，然后可分別采用直接射擊法、直接多重射擊法、直接配點(diǎn)法等數(shù)值方法進(jìn)行最優(yōu)值求解。動(dòng)態(tài)規(guī)劃法將復(fù)雜的最優(yōu)控制問(wèn)題分解為一系列簡(jiǎn)單的子問(wèn)題，然后通過(guò)子問(wèn)題的局部求解得到全局最優(yōu)解。但隨著狀態(tài)空間的增大，動(dòng)態(tài)規(guī)劃法的計(jì)算時(shí)間復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)，因此研究人員開(kāi)發(fā)了用近似技術(shù)解決大規(guī)模復(fù)雜系統(tǒng)問(wèn)題的近似動(dòng)態(tài)規(guī)劃法。

生物啟發(fā)技術(shù)利用從觀察自然對(duì)不同事物的反應(yīng)和行為中獲得的思想來(lái)解決復(fù)雜的問(wèn)題，這些問(wèn)題被認(rèn)為具有不確定性和不精確的特征，以最小的成本獲得魯棒的解決方案。用于船舶軌跡優(yōu)化和避障的常用方法有：人工神經(jīng)網(wǎng)絡(luò)(ANN)、人工蜂群算法(ABC)、魚(yú)群算法(FSS)等。ANN通過(guò)模擬神經(jīng)元的處理方式來(lái)處理信息，可以用來(lái)預(yù)測(cè)和生成平滑的船舶航行軌跡，同時(shí)考慮到障礙物和動(dòng)態(tài)環(huán)境的限制。FSS通過(guò)模擬魚(yú)群的覓食、避捕食者和群體協(xié)作行為來(lái)尋找最優(yōu)解，在船舶軌跡優(yōu)化問(wèn)題中，F(xiàn)SS可以有效地處理復(fù)雜的約束和動(dòng)態(tài)環(huán)境。ABC通過(guò)模擬蜜蜂的舞蹈和信息交換行為，同時(shí)避免障礙物和動(dòng)態(tài)環(huán)境的影響，找到高效的軌跡解決方案。

船舶軌跡優(yōu)化是一個(gè)多模態(tài)約束的復(fù)雜問(wèn)題，單一采用某種優(yōu)化方法難以滿(mǎn)足多目標(biāo)的要求，融合多種優(yōu)化方法可以綜合各方法的優(yōu)勢(shì)，實(shí)現(xiàn)多目標(biāo)的平衡優(yōu)化，提高軌跡優(yōu)化的魯棒性，以適應(yīng)復(fù)雜海域環(huán)境。針對(duì)多目標(biāo)優(yōu)化問(wèn)題的非支配解較少的情況，在蟻群算法的基礎(chǔ)上加入遺傳算法中的交叉、變異等操作，能夠有效地拓展船舶多目標(biāo)天氣航線的優(yōu)化解；動(dòng)態(tài)規(guī)劃法可處理具有多個(gè)階段的決策問(wèn)題，而啟發(fā)式算法求解速度快，兩者結(jié)合可在復(fù)雜環(huán)境快速找到可行的優(yōu)化軌跡。

展望

隨著人工智能技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，車(chē)輛自動(dòng)駕駛、自主機(jī)器人等科技產(chǎn)品相繼落地，而船舶自動(dòng)駕駛領(lǐng)域尚待研究。本文從路徑規(guī)劃和軌跡優(yōu)化兩方面總結(jié)了近年來(lái)船舶在線運(yùn)動(dòng)規(guī)劃算法的發(fā)展動(dòng)向，基于該類(lèi)方法的研究現(xiàn)狀，現(xiàn)提出如下展望：

1、混合規(guī)劃

目前，離線規(guī)劃方法的研究已經(jīng)較為成熟，能夠基于全局地圖信息生成預(yù)定路徑，并避開(kāi)諸如島嶼、靜態(tài)浮標(biāo)等靜態(tài)障礙物，但是船舶實(shí)際航行環(huán)境是實(shí)時(shí)變化，應(yīng)用離線規(guī)劃無(wú)法滿(mǎn)足動(dòng)態(tài)避障的需求。在線規(guī)劃是基于在線感知信息進(jìn)行規(guī)劃，能夠執(zhí)行對(duì)實(shí)時(shí)性要求較高的任務(wù)。然而，把在線規(guī)劃作為一個(gè)單獨(dú)的系統(tǒng)，并不能考慮船舶航行的全局信息，容易造成局部最小值、船只進(jìn)入死區(qū)等問(wèn)題。所以，離線與在線規(guī)劃結(jié)合的混合規(guī)劃是理想的解決方案，離線規(guī)劃融入一些在線規(guī)劃的避障規(guī)則，在線規(guī)劃采用離線信息作為約束。

2、分層規(guī)劃

在船舶實(shí)際航行中，單獨(dú)使用一種方法往往提供不了可行的規(guī)劃方案，一種可行的做法是針對(duì)具體航行情景采用分層規(guī)劃的策略，即前端搜索路徑，后端優(yōu)化軌跡。前端搜索要確保能夠?qū)崟r(shí)、快速地生成一條高效安全的最優(yōu)路徑，而后端優(yōu)化基于船舶的動(dòng)力學(xué)特性和海域情況，施加各類(lèi)約束和目標(biāo)，同時(shí)考慮時(shí)間這一維度，采用數(shù)值優(yōu)化等方法最終生成可行的船舶運(yùn)動(dòng)軌跡。

3、與跟蹤控制方法的融合

普遍的船舶規(guī)劃方法是在前端規(guī)劃并優(yōu)化出一條可行的航行路徑，然后底層控制器根據(jù)規(guī)劃路徑實(shí)現(xiàn)跟蹤控制，這些方法的實(shí)時(shí)性很大程度上取決于前端規(guī)劃的速度，而且底層控制器的實(shí)際跟蹤效果在一定程度上制約了船舶的實(shí)時(shí)規(guī)劃。而將跟蹤控制方法應(yīng)用在路徑規(guī)劃問(wèn)題上，使得在規(guī)劃路徑的同時(shí)輸出跟蹤控制信號(hào)，會(huì)較大地提高規(guī)劃實(shí)時(shí)性，因此，規(guī)劃方法與跟蹤控制方法的融合將是未來(lái)的研究方向之一。

4、多算法融合

船舶在線運(yùn)動(dòng)規(guī)劃問(wèn)題較為復(fù)雜，單獨(dú)采用一種算法難以解決問(wèn)題，而且也不符合實(shí)際應(yīng)用，而多算法融合能夠綜合各算法優(yōu)勢(shì)，增強(qiáng)系統(tǒng)魯棒性，提高算法泛化能力，能適應(yīng)船舶航行各種復(fù)雜情景。因此，如何高效地融合算法和提高融合算法的綜合性能，以達(dá)到最優(yōu)的運(yùn)動(dòng)規(guī)劃，是未來(lái)船舶運(yùn)動(dòng)規(guī)劃的研究方向。

作者：陳偉邦 李詩(shī)杰 劉佳侖 楊帆