[发明专利]融合COLREGs场景知识的船舶行为意图识别与推理方法及装置

说明书

本发明公开了一种融合COLREGs场景知识的船舶行为意图识别与推理方法和装置，该方法包括：获取船舶航行数据；基于COLREGs对船舶行为意图进行分类，得到船舶行为意图集；根据船舶行为意图建立融合COLREGs的船舶行为一阶逻辑谓词知识库；基于建立的船舶行为一阶逻辑谓词知识库建立船舶行为规则知识库；基于建立的船舶行为规则知识库建立马尔科夫逻辑网；根据输入的航行数据以及建立的马尔科夫逻辑网识别和推理船舶的行为。本发明能够克服现有船舶行为意图识别和推理中缺失上下文背景知识的问题，融合COLREGs场景知识能够从人脑认知的层次赋予船舶航行数据以物理意义，实现船舶行为意图的语义化识别和推理，准确识别船舶的行为意图。

技术领域

本发明属于船舶行为意图识别技术领域，具体涉及一种融合COLREGs场景知识的船舶行为意图识别与推理方法及装置。

背景技术

随着全球贸易的不断发展，水上交通流呈现繁忙化、复杂化特点，与此同时船舶制造逐渐走向大型化、高速化的趋势，这一系列因素给水上交通的监管人员以及驾引人员带来了巨大的监管和航行负担，其中一个值得注意的问题就是获取船舶的航行行为意图，一方面有利于水上交通监管人员及时了解水上交通状况以做出相应的管理措施，另一方面对船舶驾引人员来说可以掌握周围船舶的航行意图，为船舶的安全航行提供有意义的参考。

目前，船舶行为意图的识别和推理主要有基于统计学的方法，基于机器学习的方法和基于知识建模的方法。但是以上三种方法各自存在一定的缺陷，第一，基于统计学的方法大多使用高斯混合模型，核密度估计等统计学方法研究船舶的轨迹数据，这类方法需要收集海量的船舶航行数据，并且需要估计的参数较多，计算量较大；第二，基于机器学习的方法多采用聚类、分类、神经网络等方法对船舶航行数据展开研究，但是此类研究多针对性较强，往往适用于某一特定水域，并且基于统计学方法和基于机器学习的方法关注点侧重在数据层，往往忽略了船舶航行环境对船舶行为的影响，也就是船舶行为的语义层；第三，基于知识建模的方法多采用OWL，prolog等语言对船舶行为形式化表达，能够从语义层反映出航行环境对船舶行为的影响，这类方法预先设定船舶行为知识库，但是这些先验知识库难以适应具有不确定性的水上交通环境，而难以准确识别船舶的行为意图，进而导致误报警率高的问题。最后以上三类方法均没有考虑到COLREGs对船舶行为意图的影响，船舶行为的语义层不仅包含航行的地理环境，还包含水上交通规则对其行为的约束，因此有必要将COLREGs的有关知识纳入船舶行为的意图识别中。

发明内容

针对现有技术中存在的问题，本发明提供一种融合COLREGs场景知识的船舶行为意图识别与推理方法及装置，以从语义层解决船舶行为意图识别的不确定性问题。

为实现上述目的，本发明提供了一种融合COLREGs场景知识的船舶行为意图识别与推理方法，包括：

步骤S1：获取船舶航行数据；

步骤S2：基于COLREGs对船舶行为意图进行分类，得到船舶行为意图集；

步骤S3：根据船舶行为意图建立融合COLREGs的船舶行为一阶逻辑谓词知识库；

步骤S4：基于建立的船舶行为一阶逻辑谓词知识库建立船舶行为规则知识库；

步骤S5：根据建立的规则知识库构建马尔科夫逻辑网络；

步骤S6：根据输入的航行数据和建立的马尔科夫逻辑网识别和推理船舶的行为。

进一步地，船舶航行数据包括自动识别系统(AIS)发送的船舶航行动静态数据以及先验的船舶航行地理环境数据。

船舶航行静态数据包含海上移动标识码(MMSI)。

船舶航行动态数据包括位置(Position)、时间(Time)、对地航向(COG)、对地航速(SOG)。

船舶航行地理环境数据包括港口内的通航设施的范围，名称信息，通航设施包括锚地、航道、泊位。