根据中国船级社《智能船舶规范》（2024）描述，智能船舶要实现八大功能，分别为智能航行、智能船体、智能机舱、智能能效管理、智能货物管理、智能集成平台、远程控制船舶和自主操作船舶。其中智能航行是当下研究的热点问题也是难点问题，受到广泛关注。智能航行系指利用先进感知技术和传感信息融合技术等获取和感知船舶航行所需的状态信息，并通过计算机技术、控制技术进行分析和处理，为船舶航行提供航速和航路优化的决策建议。在可行时，船舶能够在开阔水域、狭窄水道、进出港口、靠离码头等不同航行场景和复杂环境条件下实现船舶的自主航行。智能航行要求实现两个基本功能即航路优化与航速优化。航路优化可以纳入路径规划范畴，航速优化可以纳入轨迹优化范畴。二者合二为一可以理解为是一个运动规划问题。因此，要想实现船舶智能航行，就要必须开展船舶运动规划技术的研究。

拖轮又被称作拖船，在港口作业的拖轮又被称为港作拖轮，本文仅讨论港作拖轮。相比于一般船舶，拖轮更容易开展运动规划技术的研究，原因在于：它体积小，速度快 、操纵灵活，更有利于运动规划算法的迁移和部署；构造坚固、稳性好，利于后续开展实船测试验证；作业区域相对固定、通讯环境稳定；无需遵守国际避碰规则，避免了规则难以量化的问题。因此，拖轮是船舶中理想的试验测试对象，有利于开展运动规划技术的研究，从而率先实现智能航行。

运动规划技术研究现状

运动规划技术起到了自主生成船舶航行轨迹的作用。该轨迹既要满足避碰和节约能耗，又要兼顾船舶本身的运动学与动力学特性。因此运动规划问题可以划分为路径规划和轨迹优化两个子问题，路径规划的核心是避碰，同时找到最短路径，降低能耗；轨迹优化的核心是运动学与动力学约束，同时兼顾路径平滑。二者兼顾，从而生成满足船舶各项约束的可行性轨迹。

1、路径规划研究现状

路径规划算法最初源自计算机和机器人领域的最短路径搜索问题，随后慢慢扩散到工业界。目前，主要的路径规划算法大致可分为基于图搜索的算法、随机采样的算法等。

基于图搜索算法的基本思想是先利用栅格将自由空间转化为栅格地图，然后在栅格地图中搜索符合任务要求的路径。常用的图搜索算法有Dijkstra算法，该算法可以在栅格地图中找到从任意起点到目标节点的最短无碰撞路径，但该算法随着图中节点数目增大计算量显著增加，为弥补这一缺陷，A*算法被提出，该算法在Dijkstra算法的基础上引入了启发式函数，将每个节点到终点的估计距离作为启发值，通过比较每个栅格中累计代价与估计距离的总和来进行搜索。该算法大幅减少了无用的搜索，极大地提高了搜索效率，同时保证路径是全局最优,被广泛应用于最短路径搜索问题。但A*算法只能用在静态环境中搜索路径，其搜索出的最短路径也只是栅格意义上的最短路径，很难直接应用于实际场景。因此，后续对A*算法的改进主要从动态性和路径质量两个方向入手。

Lifelong Planning A*可通过推理规划的方式，对上一次的路径搜索结果进行信息再利用来应对环境变化，从而有效减少了搜索范围和时间，但环境的变化只能在两次规划之间的间隙中，如果规划期间环境一直在变化，Lifelong Planning A*将会变得不再适用。

D*算法又被称作动态A*算法，该算法在初次规划时就储存了网格中目标点到各个节点的最短路径，在后续环境变化比如遇到动态障碍物时，可通过对内部局部地图的更新进行在线重规划，在保证效率的同时可以很好地应对连续的环境变化。

Field D*算法在能保证动态性的基础上，通过插值的方法对栅格上两节点间的路径代价值进行线性插值来近似边上虚拟节点的路径代价值，从而使得路径节点突破栅格八邻域搜索限制，可朝任意角度搜索。Theta*算法在此基础上更进一步，将当前节点的父节点只允许邻近节点扩展到任意节点，然后评估当前节点的邻接节点和父节点是否视线上可达到连续空间上的最短路径，来实现路径上的平滑，使得路径更贴近现实。

表1 基于图搜索的路径规划算法比较

表2 基于随机采样的路径规划算法比较

基于随机采样的算法的基本思想是在构型空间中随机生成一系列点，并筛选满足任务需求的样本序列点作为规划结果。比较典型的采样算法有RRT算法、PRM算法等。相较于图搜索算法，基于随机采样的算法具有概率完备性，只要可行路径存在，就一定能找到。但由于随机采样的缘故，该方法在搜索过程具有盲目性，造成时间上的浪费，同时生成的路径永远都是次优的，这一点已在数学上得到证明。

为解决上述问题，一些在RRT算法基础上的改进算法被陆续提了出来。RRT*算法是在RRT算法的基础上，通过重新选择父节点和重布线操作来迭代逼近最优的可行路径，但仍无法解决求解效率低的问题。RRT-connect是从起点和终点同时开始向中间搜索路径，能够显著提高路径搜索效率，减少采样次数，但无法解决次优性。Informed RRT*算法在RRT*算法的基础上通过将采样范围局限到一个椭球之中，并不断迭代缩小椭球的范围以提高路径收敛于最优路径的速度，在得到最优路径的同时大大提高了搜索效率。Anytime-RRT*(实时RRT*算法)是在机器人运动的过程中不断地更新路径，在适应机器人运动过程中环境变化的同时保持最优的搜索路径。动态规划算法则是通过将复杂问题分解为多个子问题求解来提高效率，然后依次计算出每个子问题的最优解来推出复杂问题的最优解。

综上所述，无论是基于搜索的算法还是基于采样的算法，都能够保证避碰，同时尽可能兼顾最优。但这些算法并没有跳出路径规划算法的局限性，比如将机器人看成一个质点而不考虑实际形状以及动力学、所有的障碍都是静态已知的。但实际港区水域环境复杂，且动态性较强，周围环境时刻处于变化之中，同时拖轮的行驶速度较快，对算法的求解效率有较高的要求。因此仅仅采用单一路径规划算法并不能满足拖轮实时运动规划的需求，亟需对现有路径进一步轨迹优化。

表3 轨迹优化算法比较

2、轨迹优化研究现状

轨迹优化是在路径规划基础上再优化。目前对路径进行优化有两种思路，一是对路径规划算法本身进行改进，比如在传统路径规划算法的基础上引入运动学约束，从而提高路径的质量和可执行性。典型的有Hybrid A*算法，该算法依据机器人的最小转弯半径为节点扩展方向施加运动学约束，是A*算法从栅格空间跨向连续状态空间的一步，有效弥补了A*算法在运动学方面的缺点。与之类似的还有Kinodynamic RRT*算法，该方法在RRT*算法的基础上引入系统运动学，将连接当前节点与附近节点的直线改成对一个两点边界值BVP问题(最好是OBVP问题)的求解，在求解过程中加入系统运动学约束条件，从而满足机器人运动学约束的路径。动态窗口法(DWA)则采用类似动态规划的思想，首先将起点到终点的多步问题拆分成一系列子问题，然后对每个子问题，根据机器人当前的状态，对满足机器人动力学约束的速度和角速度进行采样，得到一系列的候选轨迹簇，然后从采样的候选解中求取代价最低的作为当前最优解。总体来说，直接在路径规划算法本身改进的方法，工程量小，计算效率快。但是该类方法都存在共同的缺点，即只片面考虑了运动学或动力学约束，同时没有考虑时间维度，不具备动态性，但真实的动态环境需要根据具体场景考虑更多约束。因此该方法不能充分利用拖轮的机动能力，生成轨迹的最优性也将受到损失。

二是采取分而治之策略，即将规划和优化分开。前端进行路径规划，然后在后端专门进行轨迹优化。典型的有时空A*算法，该算法首先在前端采用A*算法搜索最优轨迹，然后在后端考虑各类约束，如平滑性约束、动力学约束等，对轨迹进行局部平滑和调整，在此基础上，时空A*算法还增加时间维度，与空间一起构成时空状态空间，使得算法能够对轨迹点上的速度进行优化，从而可以从路径及速度两方面同时更好地处理动态障碍物。此外还有时空Hybrid A*算法，首先在前端使用改进Hybrid A*在时空范围内进行轨迹粗搜索获得初始轨迹，然后以初始轨迹为参考构建可行驶的时空走廊，并在后端综合考虑动力学和轨迹连续性约束等条件，使用数值优化的方法进一步平滑初始轨迹。该类方法计算效率高、约束完备，可以很好地处理动态障碍物问题。

拖轮运动规划面临的问题

1、运动模型构建不合理

拖轮的运动是一个复杂的过程，受多变量耦合、多因素干扰、复杂流体动力学、随机不确定性等方面的共同作用。其运动过程中模型的合理构建是目前拖轮运动规划所要解决的关键问题。如果模型过度简化，则后续生成的轨迹可能超出拖轮航行能力范围，如果模型过分保守，则会限制拖轮的运动潜力，进而损害后续运动规划算法的泛化求解能力。

2、环境信息感知不全面

对港区立体区域实时而全面的信息感知是求解运动规划问题成功与否的前提。相较于近海、内河，港区水域面临的周围环境更加复杂，需要考虑水面和水下各种对船舶有航行风险的目标信息，诸如来往船舶、航道航标、水面建筑物、违规渔船等。目前船载主流感知设备如AIS、雷达、全球卫星导航系统等存在信号种类较多、数据量大、对小型动态目标的检测能力不足等问题，难以为后续运动规划提供实时全面的信息。

3、规划环节考虑不充分

目前船舶领域规划研究大都是静态场景的规划，动态场景的运动规划问题还很少涉及，同时规划领域的研究重点放在了路径质量上，而不考虑实际航行情况，将负担推卸至控制执行环节。比如一些运动规划算法输出形式只有路径点，为实现路径的跟踪，控制执行环节还需要对路径进行配速。在运动任务苛刻时，配速过程远比路径规划过程困难，而控制执行环节的计算资源有限，无法承担如此艰巨的求解负担，这将导致最终的行驶行为质量不高，还有可能发生碰撞、求解死锁等问题。

4、未兼顾运动规划的效率与质量

由于拖轮的主要航行场景是迎接、伴随大船，保障计算速度是拖轮运动规划环节的基本要求，为保障计算速度，运动规划算法不得不在一定程度上牺牲求解质量。这种做法虽然是可取的，但片面追求计算速度而忽视求解质量的做法普遍存在。当场景任务较为简单时，这样做的弊端并未显现，但应用在拖轮迎接大船的动态复杂场景时，这种做法会因为求解质量低下而无法适用。

5、多拖轮协同运动规划研究不深入

一般来说，为不同长度的船舶，引航所使用的拖轮数量是不一样的。以上海洋山港水域引航使用拖轮艘数配备标准为例，引航140米以下的船舶靠泊需要1艘拖轮，引航140米以上且300米以下的船舶靠泊需要2艘拖轮，引航300米以上的船舶靠泊则需要3艘拖轮。鉴于船舶大型化和无人化的趋势，未来将需要越来越多的拖轮来协助这些大型船舶进行靠泊作业。然而，多拖轮的协同运动规划目前仍是一个尚未探索的领域，拖轮避碰外界障碍物、拖轮之间的路径冲突问题需要仔细考虑。

拖轮运动规划关键技术

1、拖轮操纵运动建模技术

创建精确且可靠的拖轮运动模型是有效分析拖轮操纵性和保障船舶智能航行的关键。常用的船舶运动建模方法包括经验法、试验法、计算流体动力学数值法、参数辨识法。其中参数辨识法简洁高效、易于操作，并能够实现在线建模等优点，逐步成为船舶运动建模的重要研究方法。但该方法也存在辨识数据质量差、鲁棒性不足、复杂场景下辨识受限等缺陷，因此注重辨识数据的获取处理、研究具有自适应性、可扩展性、鲁棒性的参数辨识算法是未来拖轮运动建模技术的趋势。

2、拖轮环境动态信息感知技术

对港区立体区域实时而全面的信息搜集是求解运动规划问题成功与否的前提。由于船载主流感知设备如雷达、全球卫星导航系统等存在对小型动态目标的检测能力不足的缺陷，难以为后续运动规划提供实时全面的信息，基于激光雷达、毫米波雷达、摄像头等多传感器融合的感知技术是目前自动驾驶汽车领域应用最广泛的感知方案，激光雷达是新兴的感知设备，其测距精度高、响应速度快，对近距离障碍物的检测能力十分优秀，是目前自动驾驶领域主流的感知设备，但激光雷达工作时受天气和大气影响大，不能全天候工作。毫米波雷达在这方面可以很好地弥补激光雷达的缺陷，相比于激光雷达，毫米波雷达的环境适应性强，可全天候、全天时工作，不受天气状况限制。无论激光雷达还是毫米波雷达，其本质都是通过雷达反射波探知物体的存在，并不能识别具体物体上的交通标识或文字，比如航道标志、港口标志以及船舶的号灯号型等，摄像头可以起到对交通标识识别的作用，通过对船舶航行信号灯的灯光颜色和状态的识别可以判断船舶的航行状态，为后续运动规划提供先验决策。因此，通过对三种设备的取长补短、有机组合，同时借助拖轮体积小，搭载成本低的优势，将是未来拖轮感知技术很好的发展趋势。

3、前端搜索、后端优化的时空联合规划技术

从上述各类规划算法综述可知，每种规划算法都有各自的优点与缺点，这些方法在解决实际问题时往往并非独立使用，而是通过互相“取长补短”，充分利用各种算法的优点来完成运动规划任务。即采取分阶段规划策略，在前端搜索轨迹、在后端优化轨迹。在前端主要考虑避碰和能效，基于图搜索算法的运行速度较快且实施简单，符合拖轮船载设备计算资源有限以及对于实时性要求较高的情况。在后端基于拖轮特性和周围复杂场景，施加各类约束，如船舶的动力学约束、位姿约束、加速度约束、连续性约束等。同时，考虑时间这一维度，为各个路径点间分配时间并配置速度，注重计算效率的提升，最终运动规划输出的结果由路径上各轨迹点和速度组成。

4、多拖轮协同运动规划技术

多拖轮协同运动规划存在复杂的交互和动态障碍物避碰的问题，需要从感知到行为决策全交互协同的角度开展多拖轮协同运动规划的研究，可利用全局路径规划算法与局部运动规划算法相结合的思路，根据顶推点不同为多艘拖轮分配全局路径，并根据迭代优化的思想，在航行途中不断评估环境信息,实时调整多拖轮局部避碰路径。展望未来，船舶智能化时代已然来临，在船舶智能化的浪潮下，拖轮的智能化进程也在不断加快，运动规划技术作为拖轮实现智能航行的标志，是拖轮迈向智能化的重要一步。但目前拖轮运动规划技术还有许多难点问题需要解决，在未来还需要深入研究，注重理论与实践相结合，实现关键技术突破，加快实船的测试验证。相信在不远的将来，拖轮的运动规划技术会迎来新的发展。

作者：武汉理工大学 刘佳仑 刘嘉元 李诗杰

中国船级社 马吉林