基于带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）的自主船舶会遇场景生成与仿真

《Journal of Marine Science and Engineering》：Encounter Scenario Generation and Simulation Based on a Wasserstein Generative Adversarial Network with Gradient Penalty for Autonomous Ships

　　

虚拟测试是评估自主船舶避碰能力的关键方法之一，测试场景为其实施提供了基础。然而，生成既具多样性又具物理真实性的测试场景仍是该领域的重大挑战。研究人员提出了一种基于带梯度惩罚的Wasserstein生成对抗网络（Wasserstein Generative Adversarial Network with Gradient Penalty, WGAN-GP）的船舶会遇场景生成与动态仿真方法。具体而言，所提框架由用于初始会遇场景生成的碰撞风险指数引导WGAN-GP（Collision Risk Index-guided-WGAN-GP, CRI-WGAN-GP）和用于动态会遇场景仿真的物理信息条件WGAN-GP（Physics-Informed Conditional WGAN-GP, PI-CWGAN-GP）组成。在第一阶段，开发CRI-WGAN-GP以生成具有碰撞风险特征的初始会遇场景。碰撞风险指数（Collision Risk Index, CRI）被直接嵌入WGAN-GP的判别器中。该机制迫使潜空间学习风险相关性，有效探索高风险边界并为目标船生成具有碰撞风险的测试用例。在第二阶段，设计PI-CWGAN-GP以基于当前会遇态势生成序列动态仿真场景。通过结合船舶运动性能相关约束，PI-CWGAN-GP确保生成的船舶行为具有物理真实性。研究人员基于场景多样性和物理真实性对方法进行实验评估，结果表明所提方法能生成具有碰撞风险的初始场景并仿真会遇情况下的船舶行为。与现有随机采样和通用生成对抗网络方法相比，该方案在生成更真实和高风险场景方面显示出显著优势。此外，基于真实会遇场景进行了压力测试分析，重放历史本船轨迹作为参考响应。由于在闭环中未向生成场景暴露特定避碰算法，评估仅限于检查生成的目标船行为施加的会遇压力。结果显示，生成的对偶场景减少了原始时空安全裕度，创造了更严苛的会遇条件。

论文解读：《基于WGAN-GP的自主船舶会遇场景生成与仿真》发表于《Journal of Marine Science and Engineering》

研究背景与问题提出

近年来，海事自主水面船舶（Maritime Autonomous Surface Ships, MASS）技术发展迅速，国际海事组织（International Maritime Organization, IMO）正制定相关规则，预计2032年强制法规生效。然而，MASS缺乏系统的测试验证方法，其感知、决策与控制系统验证亟需大规模、多维度的测试场景。现有虚拟仿真测试中的场景生成方法主要分为基于专家知识、基于随机采样和基于人工智能三类。基于专家知识的方法受限于人力且覆盖率低；基于随机采样的方法难以满足高风险场景需求且效率低下；基于人工智能的方法虽有所进展，但仍面临样本稀疏长尾、生成随机性导致物理真实性不足以及难以模拟动态交互等问题。特别是高风险场景样本极少，且现有方法多聚焦初始静态场景，难以有效仿真避碰过程中的动态交互。因此，开展能够生成兼具多样性、物理真实性及高风险特征的动态会遇场景研究具有重要现实意义。

研究人员开展了基于WGAN-GP的两阶段框架研究，得出结论：该框架能有效生成风险导向且物理可行的会遇场景，显著提升测试效率与压力，对MASS虚拟验证具有重要意义。

主要关键技术方法

研究人员采用厦门港2018年7月至9月的真实自动识别系统（Automatic Identification System, AIS）数据，经解码、清洗与插值对齐后构建数据集。关键技术包括：第一阶段提出CRI-WGAN-GP，将多因素碰撞风险指数（CRI，含最近会遇距离DCPA、最近会遇时间TCPA及瞬时船间距）嵌入判别器状态向量，引导生成高风险初始场景；第二阶段提出PI-CWGAN-GP，以当前航行态势为条件先验，引入基于AIS统计的船舶运动学边界（最大加速度、最大转向率Rate of Turn, ROT）及自回归惯性约束，确保动态轨迹物理真实。模型训练采用Wasserstein距离与梯度惩罚（Gradient Penalty）替代JS散度与权重裁剪以提升稳定性，利用Z-score归一化与指数移动平均（Exponential Moving Average, EMA）平滑损失分析收敛。

研究结果

3.1. Data Preparation and Feature Engineering

研究人员选用厦门港高交通密度区域AIS数据，剔除少于100个点的轨迹，最终获209,664条记录。通过相对方位、航向差、速度差及船间距划分典型COLREGs会遇类型（对遇、交叉、追越）。特征皮尔逊（Pearson）相关热图显示各特征耦合度低，具统计独立性。利用层次分析法（Analytic Hierarchy Process, AHP）确定CRI权重（DCPA、TCPA、距离权重比为0.6、0.3、0.1），敏感性分析表明权重扰动下CRI均值波动有限，指标稳定。

3.2. Experimental Setup and Model Training

计算环境配置明确，超参数设定一致。CRI-WGAN-GP判别器约6500次迭代稳定，生成器约8000次；PI-CWGAN-GP因条件先验缩小探索空间，判别器约500次、生成器约1000次即收敛，证明架构适用。

3.3. Evaluation of First Stage: Risk-Driven Initial Static Scenario Generation

3.3.1. Ship Spatial and Density Distribution Analysis

空间分布显示蒙特卡洛采样与标准WGAN-GP生成船只分散且CRI低；CRI-WGAN-GP生成船只集中于本船约0.5海里内，呈高密度高CRI深红点，证实CRI嵌入迫使潜空间向危险边界约束。

3.3.2. Instantaneous Risk Evaluation for Initial Static Scenario

CRI概率密度分布中，所提模型曲线显著右移，平均CRI达0.46，远超基线。DCPA累积分布函数显示所提模型DCPA更小。计算成本显示推理阶段生成2000样本仅需0.257ms，与标准版相近，额外负担主要在离线训练。

3.4. Evaluation of Second Stage: Physics-Informed Dynamic Navigation Scenarios Generation

3.4.1. Kinematic Constraints

基于3-Sigma原则从AIS提取物理阈值：最大纵向加速度0.017 m/s²，最大ROT 0.043 rad/s。滞后一步自回归分析得加速度惯性系数0.82、ROT惯性系数0.79（R²显著），用于模型机械延迟校准。

3.4.2. Statistical Fidelity of Generated Navigation Parameters

核密度估计（Kernel Density Estimation, KDE）显示PI-CWGAN-GP生成的速度差、航向差正弦/余弦值分布与真实AIS高度重叠，优于WGAN-GP与CWGAN-GP。Wasserstein距离与最大均值差异（Maximum Mean Discrepancy, MMD）定量验证PI-CWGAN-GP差值最低，证明物理约束层对统计保真的关键作用。动态生成单步推断耗时略增但可控。

3.5. Evaluation of the Multi-Stage Framework

3.5.1. Comprehensive Scenario Assessment and Discussion

多阶段框架生成场景中89.9%为会遇态势（左舷交叉38.7%、右舷交叉27.9%、追越23.1%），具多样性。8.3%的时间步CRI>0.6，CRI第95百分位达0.72，远超真实数据、自然航行环境（Naturalistic Sailing Environment, NSE）及单阶段模型（0.12与0.01），有效压缩安全裕度。

3.5.2. Case Study of Multi-Ship Encounter Situations Scenarios

多船案例（本船+5目标船）显示Step 20-40进入高风险区，Step 60完成避让且参数严守运动边界。无物理信息模型出现运动偏差。基于真实AIS本船轨迹的重放压力测试显示，生成对偶场景的平均CRI更高，平均DCPA、TCPA及船距更小，构建了更严苛条件。需注意此分析未闭环评估特定避碰算法。

3.6. Discussion

所提框架旨在为MASS避碰验证提供预生成场景输入。CRI-WGAN-GP生成初始参数映射为目标船绝对状态，PI-CWGAN-GP生成受限动态序列。场景可导入仿真平台或硬件在环测试台，供MASS在生成交通下进行感知、决策与控制响应评估（如碰撞发生、最小DCPA、CRI演化等）。该方法作为场景生成模块，提供可复用、含风险且物理可行的会遇案例。

结论部分翻译

在本研究中，研究人员提出了一种基于WGAN-GP的自主船舶会遇场景生成与仿真方法。以会遇态势场景为实验仿真对象，从真实性、多样性、危险性和效率方面对仿真场景进行评估。提升了场景生成模型的效率，在考虑船舶间碰撞风险指数（CRI）的同时保证了结果的真实性。通过开阔水域仿真实验验证了该方法，模型具有以下三个优势：

(1) 提出了一种新颖的场景生成框架以解耦复杂时空生成任务。实验结果表明，该框架能生成多样化、风险导向且物理可行的会遇场景，为自主船舶虚拟测试提供有用的场景基础。

(2) 在初始场景生成阶段，通过将CRI特征引入WGAN-GP模型，成功使生成场景的分布向高风险区域收敛。该机制显著增加了测试场景中关键会遇场景的比例，从而有效避免了在大量低风险冗余场景上浪费测试资源。

(3) 在动态仿真阶段，将从真实AIS统计中提取的运动学约束纳入CWGAN-GP框架，以提高生成船舶行为的物理可行性与运动真实性。生成的动态参数与真实AIS分布保持一致，同时抑制了不现实的波动。进一步的压力测试分析表明，生成的对偶场景能够增加会遇压力并压缩重放的历史本船轨迹周围的安余裕度。由于在闭环中未评估特定避碰算法，这些结果仅限于证明该框架构建更严苛会遇条件的能力。

本研究范围也引出了几个值得进一步研究的方面。本研究聚焦于风险驱动的会遇场景生成，而未显式建模外部环境影响及更详细的船舶运动与航行约束。在附加的压力测试分析中，使用本船历史轨迹作为参考响应，以检查生成的目标船行为是否能施加更强会遇压力并减少原始安全裕度。未来工作将扩展框架，纳入环境信息与更高保真度的操纵模型，并将特定避碰算法集成至MASS仿真平台中以进行闭环评估。