《Ocean Engineering》:A-NetShoot: Adaptive vessel guidance for purse seine net shooting
编辑推荐:
本文针对围网捕捞中渔网投放轨迹规划的难题,提出了一种名为A-NetShoot的自适应船舶导航策略。该研究将渔网投放过程建模为一个欠驱动、长度递增的可变形线性物体的部署问题,通过优化算法实时估计渔网形状和鱼群分布,动态调整船舶轨迹以最大化包围鱼群的成功率。仿真结果表明,该方法在不同海流和鱼群行为下均优于现有方法,为智能渔业提供了创新的解决方案。
在广阔的海洋中,围网捕捞是捕获鲔鱼、沙丁鱼和鲭鱼等表层集群性鱼类的高效方法,其对全球渔业产量贡献显著。然而,传统的围网作业高度依赖船长的经验来判断洋流、鱼群动态等复杂因素,导致捕捞成功率波动较大且易受人为误差影响。特别是针对非聚集性鱼群的捕捞作业,由于缺乏固定参照物,鱼群行为难以预测,使得渔网投放过程充满挑战。随着渔业向智能化方向发展,开发能够自动适应环境变化的船舶导航系统成为提升作业效率和可持续性的关键。
在此背景下,研究人员在《Ocean Engineering》上发表了题为"A-NetShoot: Adaptive vessel guidance for purse seine net shooting"的研究论文,提出了一种创新的自适应船舶导航框架。该研究将渔网投放过程重新定义为可变形线性物体的路径规划问题,通过实时优化算法动态调整船舶轨迹,有效应对海洋环境中的不确定性。
本研究采用了几个关键技术方法:首先建立了基于传感器数据的渔网形状在线估计方法,通过安装在浮子上的稀疏GPS传感器获取数据,利用最小二乘法求解离散化的渔网几何形状;其次采用高斯混合模型对声纳观测数据进行建模,估计鱼群位置和分布;最后构建了包含环闭约束、鱼群距离约束和平滑性约束的优化目标函数,生成最优船舶路径。实验使用包含300个智能体的鱼群行为模型,模拟了不同运动模式下的捕捞场景。
渔网形状估计与优化
通过安装在渔网浮子线上的稀疏传感器,研究团队开发了在线优化算法来估计已投放渔网的形状。该方法综合考虑了传感器数据、顶点间距一致性和形状平滑性约束,能够准确重建渔网在洋流作用下的变形状态。
鱼群分布建模与预测
针对鱼群行为的复杂性,研究采用高斯混合模型对鱼群分布进行建模。每个高斯分量代表一个鱼群子集群,通过期望最大化算法估计模型参数,从而准确描述鱼群的分布特征和运动趋势。
自适应路径规划
基于渔网形状和鱼群分布的实时估计,研究提出了两阶段优化方法。第一阶段处理已投放渔网部分的形状估计,第二阶段预测未投放部分的最优配置。该方法能够根据鱼群运动和洋流影响动态调整船舶轨迹。
性能评估与分析
在不同鱼群行为模式和洋流条件下的仿真实验表明,A-NetShoot方法能够显著提高鱼类捕获率。特别是在鱼群发生分裂或突然改变运动方向的情况下,该方法展现出优越的适应性,捕获率最高达到98.70%,且标准差仅为2.46,表现稳定。
与现有方法的对比
与基于强化学习的方法相比,A-NetShoot在鱼类捕获率、渔网使用效率和包围面积等指标上均表现出优势。在鱼群偏转角为+3°的最挑战性场景下,A-NetShoot的捕获率达到86.33%,而强化学习方法在不同椭圆偏心率下的表现波动较大。
研究结论表明,A-NetShoot框架通过将渔网投放建模为可变形线性物体的控制问题,实现了对围网捕捞过程的智能化指导。该方法不仅能够适应多变的海洋环境和鱼群行为,还能有效提高捕捞成功率,为渔业可持续发展提供了技术支撑。值得注意的是,该方法在保持渔网结构完整性的同时,能够有效应对鱼群分裂等复杂场景,显示出在实际应用中的巨大潜力。
讨论部分强调了该研究的创新性在于首次将优化理论应用于围网渔船导航,并建立了完整的理论框架。然而,研究也存在一些局限性,如对渔网的三维动力学简化假设,以及鱼群行为模型的相对简化。未来研究将着重于将这些方法应用于真实海洋环境,并进一步优化算法以适应更复杂的操作条件。
这项研究为智能渔业的发展指明了方向,通过融合传感器技术、优化算法和控制理论,为实现高效、可持续的海洋资源开发提供了新的技术路径。随着算法的不断完善和硬件技术的发展,类似A-NetShoot的智能系统有望在未来渔业中发挥越来越重要的作用。