在广阔的海洋环境中，无人水面艇（USV）正日益成为搜索、巡逻和资源勘探等任务的重要工具。然而，这些体积相对较小的船舶在航行中极易受到海浪的扰动，产生显著的横摇运动。剧烈的横摇不仅威胁船舶的航行安全，也严重影响其搭载设备的正常工作效能。因此，能够准确预测船舶未来的横摇运动，对于提高USV的自主控制能力和任务执行可靠性至关重要。
长期以来，研究人员致力于开发能够预测船舶运动的模型。这些方法大致可分为两类：一类是基于流体动力学方程建立的物理模型，另一类是从观测数据中学习规律的数据驱动模型。物理模型虽然具有明确的物理意义，但在面对复杂的非线性波浪力时，往往计算成本高昂，难以满足实时预测的需求。传统的数据驱动方法，如自回归（AR）模型，计算效率高，但在捕捉横摇运动强烈的非线性动态特性方面能力有限。近年来，人工智能技术的进步，尤其是像长短期记忆网络（LSTM）这样的深度学习模型，因其强大的时间序列建模能力，在船舶运动预测领域展现出巨大潜力。然而，现有的研究大多基于静态海况假设，即模型在固定不变的航行条件下进行训练和预测。一旦USV的航速、航向或外部海况发生变化，导致横摇运动的内在规律发生改变（这种现象在机器学习中被称为“概念漂移”），先前训练的离线模型预测精度就会显著下降。
为了解决这一问题，来自上海大学人工智能研究所的王梓浩、屈廷军、周曦、宋瑞、段飞和李正林等研究人员在《Journal of Ocean Engineering and Science》上发表了一项研究，探讨了一种能够适应动态变化环境的在线学习预测方法。该研究聚焦于在变化的海况、航速和波浪遭遇角下，对USV的横摇运动进行短期预报。
为了回答USV在动态环境中如何实现精准的横摇预测这一核心问题，研究团队提出了一个基于增量学习的LSTM（I-LSTM）算法框架。该研究的核心思想是，不将模型固定不变，而是让其能够随着新数据的不断流入，持续地、高效地更新自身参数，从而适应因航行状态改变而引起的横摇动力学特性变化。研究人员将这种方法与另一种在线策略——基于滑动窗口重训练的LSTM（R-LSTM）模型进行了对比。R-LSTM方法会定期收集最新数据，丢弃旧数据，然后在整个新的数据集上重新训练模型；而I-LSTM方法则是在原有模型参数的基础上，利用新的流式数据进行小幅度的增量更新，避免了完整的再训练过程，理论上计算效率更高。
研究采用了两种数据来源进行验证：一是通过计算流体动力学（CFD）模拟生成的高保真仿真数据，二是从中国南海实船海试中采集的真实USV航行数据。通过设计四个不同的测试案例，系统地评估了模型在多种状态转换场景下的性能，例如从三级海况的横浪航行转变为四级海况的斜浪航行，或者从高速顶浪航行转变为低速横浪航行等。
本研究运用的几个关键技术方法包括：1）长短期记忆网络（LSTM） ：利用其门控机制（遗忘门、输入门、输出门）和细胞状态来捕捉时间序列中的长期依赖关系，克服传统循环神经网络（RNN）的梯度消失/爆炸问题，是进行时间序列预测的核心模型。2）增量学习（Incremental Learning） ：模型更新策略，使用随机梯度下降（SGD）算法，基于连续到达的新数据流对预训练的LSTM模型参数进行微调，无需存储大量历史数据，实现模型的在线自适应。3）基于滑动窗口的重训练（Retraining） ：作为对比方法，设定固定长度的数据窗口，当新数据达到一定量时，用窗口内的最新数据完全重新训练LSTM模型。4）多步预测策略 ：采用直接多步预测方法，一次性预测未来多个时间步（如2, 4, 7步）的横摇角，以避免单步递归预测的误差累积。
案例1：基于仿真数据的海况与浪向角变化
通过CFD模拟数据验证模型从三级海况横浪到四级海况斜浪转变下的预测能力。研究结果 表明，离线LSTM模型在条件变化后预测误差急剧增大，甚至出现超过50度的非物理预测值。而两种在线模型（I-LSTM和R-LSTM）均能通过更新较好地适应新条件，预测曲线更贴近真实值。在各项误差指标（RMSE, MAE, MAPE）上，在线模型显著优于离线模型。同时，I-LSTM模型的单次更新时间远低于R-LSTM模型，显示出更高的计算效率。
案例2：基于海试数据的浪向角变化（顶浪转横浪）
利用真实海试数据，分析USV在恒定中速下从顶浪航行转为横浪航行时的横摇预测。研究结果 显示，航行条件改变后，离线模型的预测出现明显滞后和误差。在线模型同样表现出更好的适应性。值得注意的是，在短时预测（如2步、4步）中，I-LSTM模型略优于或与R-LSTM模型相当；而在更长的预测步（7步）上，R-LSTM模型有时表现出更低的误差。这表明不同在线策略在不同预测视野下各有优势。
案例3：基于海试数据的航速变化（高速顶浪转低速顶浪）
考察航速变化对横摇运动特性及预测模型的影响。研究结果 表明，即使浪向角不变，仅航速降低也会导致横摇动力学特性发生变化。离线模型在此变化下预测性能下降。在线模型能够捕捉到这种因航速改变带来的变化，虽然预测精度随预测步长增加而降低，但其整体性能仍优于离线模型，验证了在线学习策略对于航速变化的有效性。
案例4：基于海试数据的航速与浪向角同时变化（高速顶浪转中速横浪）
这是最复杂的场景，同时改变了航速和浪向角。研究结果 表明，这种复合变化对横摇运动影响显著，离线模型的预测与真实值偏差较大。在线模型，特别是I-LSTM，在短时预测中表现出快速适应能力，而R-LSTM在较长预测步中稳定性更好。该案例进一步证明了在复杂的动态航行环境下，采用在线学习策略对于维持预测模型可靠性的必要性。
综上所述，本研究通过系统的实验分析表明，基于增量学习的LSTM方法能够有效应对USV横摇运动预测中的概念漂移问题。在船舶航速、航向或海况发生变化时，I-LSTM模型能够通过在线更新快速适应新的运动特性，在保持与重训练方法（R-LSTM）相近的预测精度的同时，大幅降低了模型更新的计算成本和时间开销。这对于计算资源有限且要求实时响应的USV平台而言，具有重要的实际应用价值。该研究为动态海洋环境下智能船舶的运动预报提供了一种高效、可行的在线学习解决方案，为提升USV在复杂任务中的自主性和安全性奠定了技术基础。未来工作可考虑引入更多环境感知信息（如波浪雷达数据）以进一步提升长期预测的可靠性，并将该框架扩展至其他船舶运动模态（如纵摇、垂荡）的预测中。
打赏
