人工智能及其在智能船舶导航中的应用

《Journal of Marine Science and Engineering》：Artificial Intelligence and Its Applications in Intelligent Ship Navigation

　　

随着人工智能（AI）的快速发展，自主水面船舶（Maritime Autonomous Surface Ships, MASSs）已成为海事行业的重要研究方向。其发展主要受降低对船上人员依赖、提升运营效率及增强船舶导航智能化水平的驱动。特别是深度学习、模仿学习与强化学习技术的应用，为高度智能化导航系统的开发提供了新途径，使自主船舶在环境感知、导航决策、碰撞规避及泊位间运动控制等方面具备接近人类操作员的性能。因此，基于AI的技术有望在智能船舶导航及相关海事应用中发挥日益重要的作用，支撑、增强乃至最终替代传统由船上或岸基驾驶员执行的某些职能。该技术发展被广泛视为自主船舶及内陆水道、沿海与开阔海域智能交通系统未来演进的重要方向。本特刊收录13篇研究论文，其中5篇关于船舶导航、6篇关于航道交通、2篇关于海洋环境，多数研究应用AI方法解决领域具体问题，性能优于传统方法。在船舶导航方面，Liu等提出融合卷积神经网络（Convolutional Neural Networks, CNNs）、双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）与注意力机制的混合深度学习框架预测船舶垂荡运动；Wang等提出ShipTrack-TVAE框架，结合变分自编码器（Variational Autoencoder, SocialVAE）与Transformer并在损失函数中嵌入船间安全距离约束，用于琼州海峡自动识别系统（Automatic Identification System, AIS）数据的船舶轨迹预测；Zhang等建立基于船舶阻力与能量传递机制的能耗模型，用K-means划分长江航段并以改进多目标粒子群优化（Multi-Objective Particle Swarm Optimization, MOPSO）算法优化航速；Tian等针对可调螺距螺旋桨（Controllable-Pitch Propellers, CPPs）提出螺距与转速最优组合框架，融合模拟退火、K-means与多父代交叉增强遗传算法；Chen等提出动态调节熵近端策略优化（Dynamically Adjusted Entropy Proximal Policy Optimization, DAE-PPO）算法，引入符合国际海上避碰规则（International Regulations for Preventing Collisions at Sea, COLREGs）的风险感知奖励与二次衰减熵策略，在UE5仿真中提升避碰成功率。在航道交通方面，Fei等构建预测—优化统一框架耦合船舶到达时间（Vessel Arrival Time, VAT）预测与连续泊位分配（Berth Allocation Problem, BAP）；Ye等提出多图融合框架结合图卷积网络（Graph Convolutional Networks, GCNs）识别船舶类型；Lee等采用双向长短期记忆条件随机场（Bi-LSTM-CRF）解析NAVTEX航行安全报文；Cho等基于Transformer掩码语言建模（Masked Language Modeling, MLM）修复受损NAVTEX报文；Xiong等提出Informer-TP模型基于Informer架构预测长期轨迹；Wang等提出MDED-TCNFormer双流运动解耦架构预测舟山沿海AIS轨迹。在海洋环境方面，Cao等对比循环神经网络（Recurrent Neural Networks, RNNs）、长短期记忆网络（LSTM）、门控循环单元（Gated Recurrent Units, GRUs）与时间卷积网络（Temporal Convolutional Networks, TCNs）的波浪预测性能；Jeong等开发深度学习自然语言处理框架检测国际海道测量组织（International Hydrographic Organization, IHO）水文数据模型中的重复要素定义。综上，特刊所示研究凸显AI在智能船舶导航与海事应用中的日益增长作用。

研究背景方面，随着人工智能（Artificial Intelligence, AI）技术快速演进，自主水面船舶（Maritime Autonomous Surface Ships, MASSs）因能降低对船上人员依赖、提升运营效率并增强导航智能化，成为海事领域重要研究方向。传统船舶导航在复杂海况下垂荡运动预测、拥挤水道轨迹预测、航速与推进优化、符合国际海上避碰规则（International Regulations for Preventing Collisions at Sea, COLREGs）的自主避碰等方面存在瓶颈；航道交通面临到港时间不确定影响泊位分配、轨迹类型识别精度不足、NAVTEX报文解析与修复困难、长期轨迹预测误差大等问题；海洋环境侧则需应对相位分辨波浪预测与海道测量数据模型重复要素检测等挑战。为此，研究人员在《Journal of Marine Science and Engineering》特刊中汇集13项研究（5项船舶导航、6项航道交通、2项海洋环境），系统应用深度学习、图神经网络与强化学习等方法予以回应。

关键技术方法上，研究人员以实际AIS数据（琼州海峡、舟山沿海）、长江航道分段数据、UE5仿真环境、波槽试验数据及IHO标准化水文数据模型为主要样本来源；采用混合深度学习（CNN-BiLSTM-Attention）、变分自编码器与Transformer融合（ShipTrack-TVAE）、K-means分段结合改进多目标粒子群优化（MOPSO）、遗传算法融合模拟退火与K-means、动态调节熵近端策略优化（DAE-PPO）、预测—优化耦合框架、多图融合GCN、Bi-LSTM-CRF与Transformer-MLM、Informer与运动解耦双流TCNFormer、RNN/LSTM/GRU/TCN对比及深度学习自然语言处理重复要素检测等技术。

研究结果部分，（1）AI for ship navigation：Liu等通过CNN提取空间特征、BiLSTM建模时间依赖、Attention动态加权，在中等与恶劣海况下提升船舶垂荡运动预测性能；Wang等将SocialVAE与Transformer结合并在损失函数嵌入安全距离约束，琼州海峡AIS实验使平均位移误差（Average Displacement Error, ADE）与最终位移误差（Final Displacement Error, FDE）分别降低21.85%与17.83%；Zhang等基于阻力与能量传递建模型，K-means分段长江航路，改进MOPSO优化全电动船航速，能耗最高降6.18%；Tian等针对可调螺距螺旋桨（Controllable-Pitch Propellers, CPPs）建能效模型，融合模拟退火初始化、K-means分群与多父代交叉增强遗传算法求取螺距—转速最优组合；Chen等提出DAE-PPO，配COLREGs合规风险奖励与二次衰减熵，UE5仿真中每百次试验避碰成功率升45%，最大碰撞风险降0.35。（2）AI for waterway transportation：Fei等统合AIS、靠港记录与船型异质信息预测船舶到达时间（Vessel Arrival Time, VAT）并耦合连续泊位分配（Berth Allocation Problem, BAP），MAE由4.795 h降至2.844 h、RMSE由7.255 h降至4.934 h，BAP目标值降35.96%；Ye等多图融合提取时空与行为语义，GCN学表征，提升船舶类型识别准确率；Lee等以六种Bi-LSTM-CRF选优解析NAVTEX语义；Cho等以星号作掩码、Transformer-MLM修复受损NAVTEX，支撑海事单一窗口（Maritime Single Window, MSW）；Xiong等以Informer-TP分段AIS序列捕长距离依赖，MSE/MAE/Haversine距离均最低；Wang等MDED-TCNFormer解耦大尺度趋势与细粒度操纵双流自适应融合，舟山数据上优于对照。（3）AI for ocean environment：Cao等波槽试验评RNN/LSTM/GRU/TCN，轻中海况LSTM最优、中高频GRU优、恶劣海况与长提前期TCN鲁棒，海况强度等为主影响因素；Jeong等深度学习NLP检IHO水文模型重复要素，发现313例未识别重复，助数据集成与空间信息可靠。

讨论与结论翻译部分，研究人员指出，特刊各项研究共同表明人工智能在智能船舶导航及关联海事应用中的角色日益增强；所呈现的广泛主题与方法为读者在不同研究问题中选用适宜模型与技术提供了有益参照。具体而言，混合深度学习、变分自编码器—Transformer、改进群体智能优化、符合COLREGs的强化学习、预测—优化耦合、图卷积与多图融合、Bi-LSTM-CRF与Transformer-MLM、Informer类长程模型、运动解耦双流TCNFormer，以及多架构波浪预测对比与水文数据NLP清洗，分别在特定子问题上较传统方法展现满意性能，验证了AI在环境感知、决策、避碰、能耗控制、泊位调度、报文理解、长期轨迹推断与海洋数据治理上的可部署性。该集合成果为内陆水道、沿海与远海自主船舶及智能交通系统的演进提供了方向性支撑。