CN119090106B 一種基于增強現實的實時船舶航行路線規劃方法 (廣州市上賽電子科技有限公司)_第1頁
CN119090106B 一種基于增強現實的實時船舶航行路線規劃方法 (廣州市上賽電子科技有限公司)_第2頁
CN119090106B 一種基于增強現實的實時船舶航行路線規劃方法 (廣州市上賽電子科技有限公司)_第3頁
CN119090106B 一種基于增強現實的實時船舶航行路線規劃方法 (廣州市上賽電子科技有限公司)_第4頁
CN119090106B 一種基于增強現實的實時船舶航行路線規劃方法 (廣州市上賽電子科技有限公司)_第5頁
已閱讀5頁,還剩42頁未讀, 繼續免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

道西89號辦公樓(部位:A棟6層北1-4一種基于增強現實的實時船舶航行路線規本發明提出一種基于增強現實的實時船舶示2根據風險評估的結果和風險地圖引入路徑平滑項Qsmooth和路徑調整代價項Bost,;;;re和btime表示相應的權重系數。2.根據權利要求1所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在33.根據權利要求1所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在;;;;;;;表示t_1時的隱藏狀態,ct-1表示t_1時的細胞狀態,表示當前時間步的候選細胞狀;激活函數,Fconv_raa(t)表示當前卷積神經網絡的輸出;;4;;其中,Fic1(t)表示第一層輸出特征,表示第二層權重,becz表示偏置,4.根據權利要求3所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在;;;;;使用雙向長短期記憶網絡對融合特征進行時序建模,提取時;5.根據權利要求1所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在5生成器G的輸入為噪聲向量z和多模態融合特征Faigned(t),輸出為生成的模擬情;;根據輸入不同的噪聲向量z和多模態融合特征Faigned(t),生成多個模擬情景。6.根據權利要求5所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在境復雜性非線性項;HistoryFactor表示歷史數據中的風險模式權重;其中,所述HistoryFactor反映在相似航行條件下的歷史風險,計算時需要在歷史數據庫中與當前情景G(zi,Faignea(t))最匹配的歷史情景,并根據這些情景的平均風險值進行加;其中,k表示選出的歷史情景數,wj表示與當前情景匹配的第j個歷史情景的權重,Rnist(i)表示歷史情景j的風險評分;對所有生成情景的風險評分進行綜合分析,得到整體航行環境下的綜合風險評分6;7.根據權利要求1所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在R(sr,ar)包括安全獎勵Rsafety、效率獎勵Rearciency和風險懲罰Risk;V(sr;p)優化策略網絡m(azI;0)的參數;8.根據權利要求7所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在R(sr,ar)包括安全獎勵Rsafety、效率獎勵Rearciency和風險懲罰;;:7;9.根據權利要求1所述的一種基于增強現實的實時船舶航行路線規劃方法,其特征在;路徑p上第j個航點的航向角;Transparency(RZ)表示風險區域的透明度,依據8舶的位置和運動信息,但在高密度航區和復雜海況下,單靠AIS信息難以保證航行的安全9[0012]根據風險評估的結果和風險地圖引入路徑平滑項αsmooth和路徑調整代價項βcost,ifo表[0051]其中,αvid表示視頻注意力權重,Wa1為視頻特征的注意力權重矩陣,softmax為[0065]生成器G的輸入為噪聲向量z和多模態融合特征Faligned(t),輸出[0066]判別器D的輸入為真實情景Xreal和生成情景G(z,Faligned(t)),輸出為判斷結果D反映在相似航行條件下的歷史風險,計算時需要在歷史數據庫中與當前情景G(zi,Falignedttttt)λ3risktt)[0110](2)本發明利用GAN技術生成多種可能的海況和氣象情景,進行全面的風險評現有系統在風險評估方面多依賴于靜態和單一的數據源,而本發明通過GAN技術實現了動[0113]利用附圖對本發明作進一步說明,但附圖中的實施例不構成對本發明的任何限[0116]如圖1所示,本發明實施例提供的一種基于增強現實的實時船舶航行路線規劃方制。采用高精度GPS時間戳同步所有設備的采集時間,確保數據能夠在同一時間點進行對t-1表示時間t-1時刻的細胞狀態,包含了LSTM單元從過去時間步傳遞下來的累合了前一時間步的細胞狀態Ct-1和當前時間步的候選細胞狀態ceht表示時間t時刻的隱藏AISmet[0197]生成器G的輸入為噪聲向量z和多模態融合特征Faligned(t),輸出[0198]生成器網絡結構為多層感知機(MLP)網絡,輸入為噪聲向量z和融合特征Faligned[0201]判別器D的輸入為真實情景Xreal和生成情景G(z,Faligned(t)),輸出為判斷結果DHistoryFactor表示歷史數據中類似條件下的風[0241]AdjustmentCost(P)表示路徑調整代價,評估從當前路徑調整到新路徑所需的代tt)+λ2t)λ3riskt[0289]具體的,基于深度學習和GAN生成的環境感知結果Faligned(t)以及綜合風險評分語音交互直接與路徑優化模塊的數據進行互動。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論