摘要：针对船舶智能航行场景复杂以及获取的图像信息中障碍物尺度变化较大的问题,提出一种基于YOLO (you only look once)算法的多尺度目标检测算法.首先设计了一种自适应特征融合模块,使得用于检测的特征图具有各尺度的强语义信息;然后设计了新的损失函数,以缓解样本分布不均匀问题,优化训练过程;最后通过水面图像仿真实验表明:该算法在多尺度检测上优势明显,既提高了目标检测精度,尤其是小目标的精度提升了34%左右,又未明显增加推理时间和参数量,具有高实时性.

摘要：针对存在外界环境干扰和模型中不确定性的编队问题,设计了鲁棒自适应控制.通过计算预定路径上的期望点与船舶当前位置之间的偏差,使用反步法设计路径跟随子控制器,保证每艘无人艇在水平面中沿着参考路径行驶.编队协调子控制器采用鲁棒自适应控制方法设计,通过调整跟随艇的速度以实现设定的编队队形,同时自适应地估计出外界环境力和由模型参数不确定导致的系统不确定项的界值.仿真结果验证了所提出的路径跟随编队控制方法的有效性.

摘要：针对智能船舶在内河航道航行时经常出现的船舶互相遮挡而影响目标检测精度的问题,提出了一种基于多特征聚合的水面遮挡目标检测算法.首先,在骨干网络设置多尺度感受野特征融合结构,融合被遮挡船舶可视区域与周围环境特征;其次,在骨干网络及网络的特征拼接部分添加混合注意力机制,增强网络的长程依赖性,聚合船首和船尾的特征;然后,设计了数据重采样策略,在训练过程中根据船舶类别的数量自适应地调整样本采样频率,缓解数据集中船舶数量的严重不均匀;最后对算法进行验证。结果表明:算法通过聚合被遮挡船舶可视区域与周围环境等多尺度特征,聚合船首、船尾长程特征,相较于原算法精度提升达到了3.3%,有效提升了视觉遮挡状态下水面目标的检测精度.

摘要：针对水下系缆机器人(ROV)在工作中易受水流及模型不确定干扰、控制输出频繁变化导致推进器机械磨损等问题,提出一种基于事件触发的无模型自适应悬停控制方法.首先根据系统输入及输出数据设计基于数据驱动的无模型自适应控制器;然后利用跟踪误差设计相对阈值的事件触发机制,将其引入无模型自适应控制器设计中,以实现相对阈值的事件触发无模型自适应控制,并通过理论证明了悬停控制系统的稳定性;最后通过仿真与对比实验验证了该方法的有效性及优越性.

摘要：针对智能船舶中基于视觉传感器的水面小目标识别具有识别区域分辨率低、图像模糊、信噪比低等问题,提出了一种新的基于卷积神经网络的水面小目标检测算法——自注意力特征融合检测算法.首先,为了提高视觉信息处理的效率与准确性,在网络模型中引入了自注意力模块,更多关注小目标的细节信息.其次,在网络模型中采用了结构化的特征融合算法,通过多尺度语义信息融合提升对小目标的检测性能.最后,为了解决目标检测的定位问题,在smooth L1损失函数的基础上设计了一种大梯度定位损失函数.通过与传统的Faster R-CNN目标检测算法在船舶数据库上进行仿真对比,验证了所提算法在解决水面小目标检测问题上的有效性.

摘要：针对实海域可见光图像中海天线附近的远距离小目标特征少、检测精度低的问题,设计了一种基于YOLOv5的实海域实时目标检测算法.首先,通过在网络结构中设置双向特征融合结构,结合高层特征图的强语义信息和低层特征图的定位信息,提高了小目标的检测精度;其次,引入双通道注意力机制,并改进权重分配函数,提高了小目标的检测召回率;然后,通过新增极小目标检测层,增加对小目标物体的检测精度;最后,通过实海域数据集对算法进行验证,证明了算法对小尺度目标检测精度提升明显,同时保持了良好的实时性.

摘要：为使规划算法得出的路径更加符合无人艇操纵特性,基于人工势场法,结合船舶操纵方程提出了一种满足无人艇操纵性的路径规划方法.首先,根据无人艇的运动特性,在势场函数中加入障碍物相对方位角信息;其次,通过分析船舶的KT方程,设计了一种无人艇航行时的动态转艏限制角,并将其与人工势场法相结合;然后,对比分析了改进后人工势场法和经典人工势场法的规划路径,结果表明改进后算法规划出的路径更为平滑;最后,利用传统LOS引导律和PID控制器对规划路径进行循迹仿真,进一步验证了改进后算法规划出的路径的优越性.

摘要：针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题,提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上,采用反步法和非线性跟踪微分器设计动态面控制器,同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰,继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器,并证明闭环系统所有误差一致最终有界。仿真结果表明,与现有的动态面控制方法相比,所提方法在浮力调节机构约束下,具有较好的动态性能与稳态精度。

摘要：针对智能船舶在航行过程中为抵抗多源时变环境干扰与模型不确定性的影响,常引起控制力发生突变,致使执行装置难以响应、船舶无法准确跟踪期望路径的问题,提出了一种自抗扰模型预测控制算法.该方法基于自抗扰控制思想,设计修改型扩张状态观测器(MESO)对系统的状态和总未知扰动进行估计,并基于估计值设计鲁棒补偿的模型预测控制算法(RC-MPC).本文方法基于MESO,将复杂的船舶路径跟踪系统转化为含有干扰的线性仿射系统;同时,为避免鲁棒模型预测控制导致结果保守,设计了观测误差鲁棒补偿算法,提高了控制器的干扰抑制能力,增强了系统对模型失配的鲁棒性.结果证明了该自抗扰模型预测控制级联系统具有全局一致渐近稳定性,仿真实验验证了算法的有效性.

摘要：针对内河船舶航行场景复杂、航海雷达图像形状与颜色特征较少且难以标注的问题,提出一种改进的YOLOv8航海雷达图像目标检测方法。首先,为缓解标注错误与模型过拟合问题,在模型训练阶段引入标签平滑策略;然后,结合雷达图像特有的位置先验信息,设计一种基于坐标的卷积结构用于同时提取目标的形状、颜色和位置特征。为验证该方法的有效性和优越性,对采集的长江航道雷达图像在不同天气环境下进行对比试验。结果表明,本文方法在保证目标检测实时性的同时,精确率达到91.52%,平均精度较经典YOLOv8提高了5.17%,可为提升内河航运现代化与智能化管理水平提供技术支持。