《Journal of Traffic and Transportation Engineering (English Edition)》：A review of berthing technology for intelligent ships
编辑推荐：
智能船舶靠泊技术研究综述。本文对智能船舶靠泊技术进行了系统综述；讨论了实现完全自主靠泊技术所面临的局限性及研究空白；总结了当前自主靠泊研究中存在的不足，并提出了未来研究的关键问题。随着世界经济和国际贸易的快速发展，海上货物运输在全球运输体系中的占比持续上升。据
智能船舶靠泊技术研究综述。本文对智能船舶靠泊技术进行了系统综述；讨论了实现完全自主靠泊技术所面临的局限性及研究空白；总结了当前自主靠泊研究中存在的不足，并提出了未来研究的关键问题。随着世界经济和国际贸易的快速发展，海上货物运输在全球运输体系中的占比持续上升。据统计，约80%的国际货物贸易量通过海运完成（UNCTAD, 2023）。与此同时，船舶尺度持续增大。1996年至2022年间，前20大航运公司的全球集装箱运力份额从48%扩大至91%。此外，从2006年到2022年，各国到港最大船舶的平均尺度几乎增长了两倍（UNCTAD, 2022）。然而，港口水域面积有限，无法任意扩展（Sánchez and Mouftier, 2016）。这导致港口水域日益繁忙和拥挤，海上事故数量也随之增加。据船舶评估机构RightShip统计，2022年记录在案的海上事故达2400起，其中50%发生在港口和码头区域（RightShip, 2023）。欧洲海事安全局在其2023年年度海事事故概况中指出，2014年至2022年间，超过一半的海上事故发生在包括港口水域在内的内水区域（EMSA, 2023）。报告显示，靠泊被列为事故发生率排名第二的航行阶段，占事故总数的21.3%。此外，超过70%的靠泊事故与船员在港口水域的不当操作有关（Ahmed and Hasegawa, 2013b; Han et al., 2021）。为减少人为因素导致的航行事故并提升海上交通整体安全性，在物联网、大数据和人工智能等技术的推动下，智能船舶的自主靠泊已成为海事行业发展的新趋势和研究热点（Ma et al., 2026; Wu et al., 2024）。港口水域是一个将航行条件与自然条件融为一体的开放复杂系统，具有高度的不可预测性和不确定性。船舶从进入航道直至抵达最终泊位的整个过程中，复杂的靠泊态势由船舶自身航行状态和动态周围环境共同构成。一方面，港口水域中静态障碍物与动态障碍物并存，自然扰动因素可严重干扰船舶的靠泊行为；另一方面，受航道宽度和水深等因素限制，船舶的转向和调速等操纵行为受到严重制约。在靠泊过程中，船舶受低速、大漂角、舵效差等因素影响，由于螺旋桨和舵的约束，其操纵性受到限制，导致推进系统难以稳定、精确地输出期望的力和力矩（Bui et al., 2011）。为保障海上安全，需综合考虑受限的繁忙航道、非线性船舶性能以及强外部扰动等因素。因此，作为智能船舶自主航行的最后阶段，靠泊不仅是航行任务成功完成的关键，也是航行任务中最复杂、最危险的环节之一。智能船舶靠泊技术的基本流程如图1所示。在图1中，激光雷达（LiDAR）是一种利用激光束测量物体距离的遥感技术，广泛用于智能船舶测量船舶与码头之间的距离。惯性测量单元（IMU）主要由加速度计和陀螺仪组成。加速度计测量船舶加速度，陀螺仪测量船舶角速度。通过加速度和角速度的测量，可实时计算船舶的速度、位移和方向。自动识别系统（AIS）是用于跟踪和识别船舶的通信系统。电子海图显示与信息系统（ECDIS）是一种将数字航海图与各种航行数据相结合的现代导航系统，用于辅助航海人员安全高效地操纵船舶。为促进自主靠泊技术的发展，许多研究人员对现有靠泊技术研究进行了综述。Zhang et al. (2023b)分析了传统操纵运动建模组（MMG）操纵模型与自动靠泊操纵MMG模型的异同，总结了靠泊操纵的运动规范和流体动力性能。Cai et al. (2024)讨论了传感器技术在提高靠泊精度和安全性方面的关键作用，总结了当前靠泊方法和国内外靠泊控制方法，为船舶自主靠泊技术研究提供了参考。Wu et al. (2024)从靠泊路径规划和靠泊控制两方面总结了无人水面艇（USV）的自主靠泊研究，并讨论了USV靠泊技术面临的机遇与挑战。根据上述研究综述，虽然当前靠泊技术研究已取得一定成果和突破，但研究重点多集中于靠泊路径（或轨迹）规划和运动控制，这只能称为自动靠泊而非自主（无人）靠泊技术。其原因在于当前研究尚未形成对靠泊行为的系统性和序贯性研究。实际靠泊过程应包括感知与航行态势感知、序贯靠泊行为决策、靠泊轨迹规划和运动控制。因此，为促进自主靠泊技术的发展、降低船舶碰撞率、提高港口作业效率和海上交通安全，本文总结了当前船舶自动靠泊技术的应用现状，并从航行态势感知、航行决策、靠泊路径（或轨迹）规划与跟踪以及控制等角度系统综述了该技术的研究现状。本文研究结果可为未来自主靠泊技术研究提供参考，有助于更新和丰富智能船舶技术，促进智慧港口建设。本文其余部分组织如下：第2节介绍自动靠泊的应用现状与分析；第3节进行文献综述；第4节讨论包括现有不足和未来展望；第5节给出结论。
论文解读
一、研究背景与问题提出
随着世界经济和国际贸易的快速发展，海上货物运输在全球运输体系中的占比持续上升，约80%的国际货物贸易量通过海运完成。与此同时，船舶尺度不断增大，港口水域却因地理条件限制无法任意扩展，导致港口水域日益繁忙和拥挤，海上事故数量随之增加。据RightShip统计，2022年记录在案的海上事故达2400起，其中50%发生在港口和码头区域。欧洲海事安全局（EMSA）2023年报告显示，2014年至2022年间超过一半的海上事故发生在包括港口水域在内的内水区域，靠泊被列为事故发生率排名第二的航行阶段，占事故总数的21.3%，且超过70%的靠泊事故与船员在港口水域的不当操作有关。为减少人为因素导致的航行事故并提升海上交通安全，智能船舶自主靠泊技术成为海事行业发展的新趋势和研究热点。
港口水域是一个开放复杂的系统，船舶从进入航道至抵达最终泊位的过程中，靠泊态势由船舶自身航行状态和动态周围环境共同构成。静态障碍物与动态障碍物并存，自然扰动因素严重干扰船舶靠泊行为；受航道宽度和水深限制，船舶转向和调速等操纵受到制约；靠泊过程中船舶受低速、大漂角、舵效差等因素影响，推进系统难以稳定精确地输出期望力和力矩。因此，靠泊作为智能船舶自主航行的最后阶段，是航行任务中最复杂、最危险的环节之一。
目前，自动靠泊技术已在部分智能船舶上得到应用，但距自主靠泊仍有差距。现有研究综述表明，当前研究多集中于靠泊路径规划和运动控制，只能称为自动靠泊而非自主靠泊技术。其原因在于现有研究尚未形成对靠泊行为的系统性和序贯性研究。实际靠泊过程应包括感知与航行态势感知、序贯靠泊行为决策、靠泊轨迹规划和运动控制。为此，本文从上述四个方面系统综述了智能船舶靠泊技术的研究现状，以促进自主靠泊技术发展。
二、研究内容与主要结论
本文首先梳理了自动靠泊技术的应用现状。2018年4月，瓦锡兰公司在83米长渡轮“Folgefonn”上成功进行了全球首次自动靠泊测试；同年12月，罗尔斯·罗伊斯与Finferries在53.8米长双头车客渡轮“Falco”上实现了无人干预的自动靠泊；2019年2月，日本利用训练船“Shioji Maru”在开阔水域虚拟码头进行了54次自动靠泊操作；同年，中国在“智腾”号训练船上安装了自动靠泊控制系统并成功进行了海试；2021年1月，沃尔沃推出了首套全集成商用辅助靠泊系统；2021年3月，11400吨滚装渡轮“Sunflower Shiretoko”成功进行了码头靠泊测试；2021年9月，中国首艘无人驾驶、远程控制、自主航行的集装箱船“智飞”号成功进行了自动靠泊测试；2021年11月，挪威Kongsberg与Yara合作建造的“Yara Birkeland”号集装箱船完成了12海里短程自主航行；2022年1月，东京三井株式会社利用1870吨集装箱船“Mikage”完成了全球首次无人港到港海上试验。
本文明确指出自动靠泊与自主靠泊的本质区别：自动靠泊基于预设定规则和程序运行，输出行为往往可预测；而自主靠泊系统利用先进传感技术和人工智能算法实时感知周围环境，基于环境变化和内部设备状态自主决策，规划安全最优靠泊轨迹，并通过运动控制算法引导船舶完成靠泊，具备独立决策和适应新场景的能力。
三、关键技术方法概述
研究人员在综述中主要涉及以下关键技术方法：在航行态势感知方面，采用了支持向量机（SVM）、机器学习、复杂网络、少样本学习框架等方法进行船舶检测跟踪和会遇态势识别；在航行决策方面，采用了人工势场法（APF）、速度障碍法（VO）、遗传算法（GA）、粒子群优化算法（PSO）、深度强化学习（DRL）、马尔可夫决策过程（MDP）、序贯博弈等方法；在靠泊路径规划与跟踪方面，采用了视线法（LOS）、改进人工势场法、贝塞尔曲线、A*算法、扩展动态窗口法（EDWA）、深度强化学习等方法；在靠泊运动控制方面，采用了专家系统、人工神经网络（ANN）、最优控制理论、自适应反步控制等方法。
四、研究结果
航行态势感知方面。 现有研究多聚焦于开阔水域船舶会遇态势识别和繁忙内河交通流研究，难以将所建模型推广至港口水域复杂环境，缺乏受限水域船舶靠泊行为的态势建模与分析。同时，当前态势表达和认知模型多考虑他船对船舶航行的影响，而靠泊过程中环境因素同样不可忽视，现有模型无法准确描述船舶与态势要素交互的时间变化和复杂性，无法映射真实靠泊场景。
航行决策方面。 现有研究在碰撞风险评估和避碰决策方面取得了大量成果，但多数未充分考虑港口水域靠泊态势的复杂性、时变性和交织性，缺乏对完整靠泊过程和序贯操纵行为的深入分析。所构建模型多基于确定性环境假设，尚未形成综合考虑避碰、船舶间交互博弈、靠泊场景约束和环境限制的一体化行为决策模型。
靠泊路径规划与跟踪方面。 现有研究取得了显著进展，但仍存在不足：环境扰动建模趋于一维化，多数研究仅考虑单一风场扰动而忽视浪、流和岸壁效应的耦合作用；算法对多场景适应性不足，许多研究未将完整的国际海上避碰规则（COLREGS）纳入算法，导致动态障碍物协同避让策略薄弱；部分算法存在计算时间长、决策空间维度高、狭窄航道中收敛速度下降等问题；实验验证环境与真实条件脱节，室内水池试验和仿真常忽视实际海况的时变特性，缺乏多船场景验证。
靠泊运动控制方面。 基于专家系统的方法通过预设规则提供可靠靠泊策略，整合人类专家经验知识，但开发和维护需要大量专业投入，系统无法快速适应未知或时变环境，过度依赖知识库且具有场景局限性。基于人工神经网络的方法能解决多输入多输出控制问题，适应复杂动态环境，具备自学习和容错能力，但需要大量高质量训练数据，可解释性差且存在过拟合风险，对计算能力要求高。基于最优控制理论的方法强调在约束下高精度完成靠泊，可通过调整优化目标明确功能定位，但模型构建复杂、参数多，难以适应快速变化环境，动态响应延迟，难以满足非线性和高不确定系统要求。基于自适应反步控制的方法能适应非线性和不确定情况，控制器稳定性好，支持多控制目标同时考虑，但控制器设计复杂、需大量调试，需要在线估计系统参数，对模型精度要求高。
五、讨论与结论
讨论部分指出，当前自主靠泊研究存在以下主要不足：航行态势感知研究缺乏对港口受限水域靠泊行为的建模与分析，无法准确描述船舶与态势要素交互的时变复杂性；航行决策研究缺乏对完整靠泊过程和序贯操纵行为的深入分析，尚未形成综合考虑多种约束的一体化行为决策模型；靠泊路径规划与跟踪研究存在环境扰动建模一维化、算法场景适应性不足、计算效率低以及实验验证与真实条件脱节等问题；靠泊运动控制方法各有优劣，尚需进一步融合多种方法以应对复杂靠泊场景。未来研究应着力于构建系统性的自主靠泊行为框架，将态势感知、序贯决策、轨迹规划和运动控制有机结合，以推动靠泊技术从自动化向自主化演进。
研究结论表明，自主靠泊技术是智能船舶发展的关键环节，也是降低靠泊事故率、提升港口作业效率和海上交通安全的重要途径。当前自动靠泊技术虽已取得一定应用成果，但距完全自主靠泊仍有明显差距。实现真正意义上的自主靠泊，需要突破航行态势感知建模、序贯行为决策、轨迹规划与运动控制的系统性集成等关键技术瓶颈，构建完整的自主靠泊技术体系。
