[论文解读] Adaptive Probabilistic Tack Manoeuvre Decision for Sailing Vessels

Sébastien Lemaire, Yu Cao+6 more|arXiv (Cornell University)|Mar 15, 2019

Ship Hydrodynamics and Maneuverability参考文献 12被引用 5

一句话总结

本文提出了一种自适应概率决策系统，用于自主航行船只需实时选择最优的迎风航行策略。通过仅使用基本传感器（航向、真风向）在超时时间内动态评估过往成功与失败记录，对迎风操作程序进行排序，该系统显著减少了失败的迎风操作——在1米长的Black Python自主航行机器人上，在风力和海浪条件变化的情况下成功验证了该方法，且对天气或船体状态的先验知识需求极低。

ABSTRACT

To move upwind, sailing vessels have to cross the wind by tacking. During this manoeuvre distance made good may be lost and especially smaller vessels may struggle to complete a tack in averse wind and wave conditions. A decision for the best tack manoeuvre needs to be made based on weather and available tack implementations. This paper develops an adaptive probabilistic tack manoeuvre decision method. The order of attempting different tacking strategies is based on previous success within a timeout, combined with an exploration component. This method is successfully demonstrated on the 1m long sailing vessel Black Python. Four strategies for crossing the wind were evaluated through adaptive probabilistic choices, and the best was identified without detailed sensory knowledge of the actual weather conditions. Based on the positive results, further improvements for a better selection process are suggested and the potential of using the collected data to recognise the impact of weather conditions on tacking efforts is recognised.

研究动机与目标

• 解决小型自主航行船在恶劣风力和海浪条件下难以可靠实现迎风航行的问题，特别是应对迎风操作失败的挑战。
• 开发一种决策系统，可在无需详细了解天气或船体动力学模型的情况下，选择最优的迎风策略。
• 通过从以往表现中自适应学习，减少迎风操作的失败次数和操作过程中损失的距离。
• 仅使用标准船载传感器（GPS、IMU、风向仪）即可实现小型机器人帆船的稳健运行。

提出的方法

• 系统使用一个动态程序列表，包含四种不同的迎风策略：BasicTack、TackSheetOut、TackIncreaseAngleToWind 和 BasicJibe。
• 每种迎风程序根据其在可配置超时窗口内的历史成功率被赋予一个权重。
• 选择顺序通过按加权成功率排序确定，并引入探索系数（0.3）以防止过早收敛。
• 系统在30秒的超时内跟踪每种程序的执行时间及其成功/失败状态，并在每次尝试后更新权重。
• 采用类似贝叶斯的权重更新机制，优先选择快速且稳定成功的程序，同时探索尚未充分测试的选项。
• 该框架在Black Python机器人上实现，使用Raspberry Pi作为主控，通过舵控节点实时管理程序执行与传感器反馈。

实验结果

研究问题

• RQ1 在风力和海浪条件不确定的情况下，如何使自主航行机器人自适应地选择最有效的迎风策略？
• RQ2 哪些传感器数据足以支持可靠的迎风决策，而无需对船体动力学或天气状况进行详细建模？
• RQ3 与固定策略或启发式策略相比，概率性自适应选择机制是否能有效减少迎风失败次数？
• RQ4 探索成分的引入在多大程度上提升了系统实时发现最优迎风方法的能力？
• RQ5 在策略评估过程中引入时间和距离指标，能在多大程度上提升系统性能？

主要发现

• 自适应概率系统在Black Python上成功识别并优先选择了有效的迎风策略，其中TackSheetOut在首次航段中仅用9秒即成功完成。
• 当TackSheetOut失败时，系统正确切换至TackIncreaseAngleToWind，后者在19秒内成功完成，证明了动态权重重分配的有效性。
• 在低风速条件下，横帆转向（BasicJibe）比迎风转向更有效，一次成功横帆转向后，再通过一次BasicTack完成最终转向。
• 系统探索系数（0.3）确保了未充分测试的程序不会因早期尝试而被过早淘汰，即使这些程序在序列中较早被尝试。
• 该方法仅需标准机器人帆船传感器，无需额外硬件，仅依赖航向、风向和GPS数据即实现高效运行。
• 结果表明，未来通过引入自适应超时延长、波浪相位同步以及基于距离的性能评估指标，有望进一步提升系统的鲁棒性与效率。