《Frontiers in Marine Science》:Data-driven social-cognitive navigation for energy-efficient and low-carbon autonomous shipping
编辑推荐:
引言:海上交通运输的数字化转型为提升自主航运的安全性、效率和可持续性创造了新的机遇。然而,现有导航方法往往侧重于碰撞避免和轨迹可行性,而对不必要的机动、交通扰动及相关运营需求关注不足。方法:本研究提出一种数据驱动的社会-认知导航框架(Social-Cognit
引言:海上交通运输的数字化转型为提升自主航运的安全性、效率和可持续性创造了新的机遇。然而,现有导航方法往往侧重于碰撞避免和轨迹可行性,而对不必要的机动、交通扰动及相关运营需求关注不足。方法:本研究提出一种数据驱动的社会-认知导航框架(Social-Cognitive Navigation Framework, SCNF)。研究人员利用历史自动识别系统(Automatic Identification System, AIS)轨迹提取代表性会遇模式,同时将在线AIS与船载传感器数据视为部分且异步的观测。SCNF集成了递归超图变换器(Recursive Hypergraph Transformer)、递归Level-k推理以及可读性感知博弈论规划器(Legibility-Aware Game-Theoretic Planner)。研究人员通过500次蒙特卡洛(Monte Carlo)试验,采用安全性、效率、交互性与扰动性指标评估框架性能。结果:SCNF优于具有代表性的反应式、基于优化和基于学习的基线方法。在复杂交叉场景中,SCNF实现了0%碰撞率、15.2 m最小接近距离(Minimum Distance of Approach, MDA)、1.08归一化路径长度、4.1°平均他人规避幅度(Average Avoidance Magnitude by Others, AAMO)以及4.6/5轨迹可读性评分(Trajectory Legibility Score, TLS)。在异构追越场景中,SCNF保持了0%碰撞率和18.5 m MDA。消融实验结果确认了三个核心模块的互补性贡献。讨论:SCNF提升了导航层面的安全性、效率和交互协调性,同时减少了与不必要机动相关的运营需求。燃料消耗与碳排放未被直接测量,因此可持续性效益应被解释为导航层面的证据,而非量化实船减排量。
以下是对论文主体部分的解读文章:
一、研究背景与问题
全球脱碳目标与高效海运体系需求推动航运业向数字化、智能化与可持续运营转型。自动识别系统(Automatic Identification System, AIS)数据的大规模可用使航运进入数据驱动发展阶段,但现有AIS研究多聚焦于轨迹预测或碰撞风险评估,较少将其用于支持可持续运营决策。实际航行中,频繁变向、速度不稳和重复避碰机动会增加燃料消耗、发动机负荷波动及运营扰动,尤其在拥挤近岸水道中更为突出。现有自主导航方法主要分为反应式、优化式和学习式三类:反应式方法依赖局部信息,易在密集环境中产生振荡或保守行为;基于模型预测控制(Model Predictive Control, MPC)的规划器通常假设周围船舶行为已知或可独立预测,难以应对高度交互环境;深度强化学习方法虽能学习复杂策略,但决策过程为黑箱,可解释性不足。此外,现有博弈论方法常假设完全理性智能体与简化成对交互,无法刻画真实海事环境中异构航行者的行为;传统图结构也无法充分表达多船复杂会遇中的高阶交互关系。因此,需要一种能够理解复杂船舶交互、推理行为意图并生成低扰动轨迹的数据驱动导航框架。
二、研究内容与总体结论
研究人员提出数据驱动的可持续社会-认知导航框架(Social-Cognitive Navigation Framework, SCNF),将AIS海事智能、高阶交互学习、认知行为推理与低扰动轨迹规划整合于统一架构。在复杂交叉与异构追越场景中,SCNF在碰撞率、最小接近距离(Minimum Distance of Approach, MDA)、任务完成时间、归一化路径长度、平均他人规避幅度(Average Avoidance Magnitude by Others, AAMO)与轨迹可读性评分(Trajectory Legibility Score, TLS)等指标上均优于反应式、优化式和学习式基线。消融实验表明,递归超图Transformer、Level-k认知推理与可读性感知规划器三者贡献互补。该框架为节能低碳自主航运提供了导航层面的数字智能解决方案。
三、关键技术方法
研究人员采用多源AIS数据构建仿真场景,数据来自高密度沿海交通区域(含港口进出港航道与分道通航制),涵盖货船、渔船与客船,经运动学一致性筛选、三次样条插值修复后,依据最近会遇点(Closest Point of Approach, CPA)、到达最近会遇点时间(Time to Closest Point of Approach, TCPA)及COLREGs Rules 13–15提取12,438个有效会遇事件(5,162个交叉、4,087个追越与3,189个对遇)。核心方法包括:递归超图Transformer建模多船高阶交互;Level-k(k∈{0,1,2})递归认知推理估计异构行为信念,采用贝叶斯滤波更新后验概率;可读性感知博弈论规划器通过迭代最优响应–迭代线性二次博弈(Iterative Best Response–Iterative Linear Quadratic Game, IBR–ILQG)求解安全纳什均衡。评估采用500次蒙特卡洛(Monte Carlo)试验和双盲专家评分(5名一级船长,组内相关系数ICC=0.84)。
四、研究结果
定量性能比较:在复杂交叉场景(Scenario 1)中,SCNF取得0%碰撞率、15.2 m MDA、128 s任务完成时间、1.08归一化路径长度、4.1° AAMO与4.6 TLS,全面优于MPC-VO、Standard MPC与Transformer-based DRL基线。在异构追越场景(Scenario 2)中,SCNF保持0%碰撞率与18.5 m MDA,AAMO为5.3°,显著低于基线(MPC-VO为18.2°,Standard MPC为14.1°,DRL为9.8°),表明递归社会推理在异构混行交通中的关键作用。单因素方差分析(ANOVA)与Tukey事后检验确认性能提升具有统计学显著性(p<0.05),Cohen's d效应量为0.85–1.73。
可持续航运视角的性能评估与消融分析:对比完整SCNF、无递归推理、无可读性代价及用成对图注意力网络(Graph Attention Network, GAT)替代超图(SCNF-GAT)的变体。SCNF-GAT性能下降最为显著,碰撞率从约6%升至40%,AAMO从约2.5°升至8.8°,TLS从约4.7降至3.3,证明超图高阶交互表示的独立贡献。移除递归推理使碰撞率升至约25%,移除可读性代价使碰撞率升至约13%,分别对应异构行为预测能力的削弱与交互透明度下降。完整SCNF在系统级评估中达到0.96±0.04交通稳定性指数(Traffic Stability Index, TSI)与0.18生态扰动指数(Ecological Disturbance Index, EDI)。
计算效率与在线可行性:在配置Intel Core i9-13900K CPU与NVIDIA GeForce RTX 4090 GPU的工作站上,端到端重规划延迟约为110 ms;在NVIDIA Jetson AGX Orin Industrial嵌入式计算平台上(TensorRT FP16加速)约为223 ms,均低于0.5 s重规划周期。在3.0海里感知范围内船舶数增至20艘时,嵌入式平台延迟为312.5±28.4 ms,仍满足在线约束。递归超图Transformer参数量约2.38×10?,峰值内存低于1.65 GB,功耗约38.4 W。
系统级扰动分析:与MPC、DRL及规则式COLREGs方法相比,SCNF产生空间上更集中、时间上波动更小的扰动分布,相邻船舶平均距离重叠度最低,表明其能有效抑制级联规避机动与冲突传播,提升交通流稳定性。
可读性代价的超参数敏感性:当可读性权重λ
l小于0.1时,自主水面船(Unmanned Surface Vehicle, USV)表现为“隐身机器人”,易引起周围船舶困惑;当λ
l大于2.0时,轨迹偏长增加超过15%;λ
l∈[0.5,1.2]为“和谐区间”,此时AAMO<5°且路径长度增加小于3%。
失败模式分析:移除超图模块后,USV在“链式反应”场景中只能规避船A却未察觉船A的逃生路线被船B阻挡,导致拓扑死锁;移除递归推断后,USV将策略性渔船视为静态物体,当渔船突然变向时被迫执行高机动硬制动,违反安全缓冲。
五、讨论与结论
讨论:社会-认知推理显著提升船级与系统级导航性能,且优势随交互复杂度增加而扩大。Level-k层级应理解为模型定义的行为假设集合而非对人类认知能力的直接测量,真实海员决策的异质性可能超出离散层级范围。可读性感知规划通过降低周围船舶规避负担促进交通稳定。SCNF定位为决策支持层而非完全替代人类驾驶员。研究未系统量化AIS丢包率、通信延迟等通信级不确定性,未在独立变化的浪、流、浅水与岸壁效应下进行水动力验证,但所提框架的扰动抑制与协调能力在评估条件内优于基线。
结论:本研究提出的SCNF融合AIS数据驱动的会遇建模、递归超图Transformer、Level-k行为推理与可读性感知博弈规划器。实验表明,SCNF能在保持避碰安全的同时生成更直接轨迹、减少周围船舶不必要响应并提升多船交互稳定性与可读性。消融分析验证了超图表示、递归推理与可读性目标的互补贡献。任务完成时间、归一化路径长度、AAMO、TSI与EDI等导航级指标表明SCNF可减少不必要机动相关的运营需求,但这些指标并非燃料消耗或碳排放的直接测量,研究结果应理解为导航层面能效改进的证据而非实船减排量的量化证明。未来工作将引入连续潜策略变量、在更真实受限水道与环境条件下验证、并加入船舶专用推进与发动机模型以建立导航决策与碳排放之间的直接定量关系。