研究方向 - 船艇智能航行研究小组

智能感知 (Intelligent Perception)

利用深度学习技术，对内河环境下的各类船舶、航标等水面目标进行高精度检测。通过改进的检测算法（如YOLO系列改进版），实现复杂光照、遮挡条件下的鲁棒识别。结合视觉跟踪算法，对动态目标进行持续跟踪，为后续的避碰决策提供可靠的感知输入。

研究异构传感器数据的时空同步与融合算法。将激光雷达的精确距离信息、摄像头的丰富纹理信息以及AIS的身份信息有机结合，构建船舶周围环境的全景态势感知模型，显著提升在恶劣天气（如雾霾、雨雪）下的环境感知能力。

深入解析《国际海上避碰规则》（COLREGs），将其转化为计算机可执行的数学约束模型。研究基于深度强化学习（DRL）与规则库相结合的混合决策机制，使无人船在面对多船会遇、交叉相遇等复杂场景时，能够自主生成符合规则且安全高效的避碰策略。

针对内河受限水域，研究基于A*、RRT*及其改进算法的全局路径规划，以及考虑船舶动力学约束的局部动态避障算法。重点解决动态环境下的实时路径重规划问题，确保航行路径的平滑性与可执行性。

研究GNSS/INS/视觉SLAM/激光SLAM等多源融合定位技术。在GNSS信号受限区域（如桥梁下、港口密集区），利用SLAM技术实现厘米级的高精度自身定位与定姿，保障船舶航行安全。

建立精确的船舶运动数学模型（如MMG模型），研究模型预测控制（MPC）、滑模控制等先进控制算法。实现对设定航迹的精确跟踪控制，有效克服风、浪、流等外界环境干扰，提升航行控制的稳定性与鲁棒性。

利用Unity3D、UE5等引擎构建高保真的内河航道虚拟环境与船舶数字孪生体。通过实时数据通信，实现虚拟船舶与物理船舶的虚实同步与交互，为智能航行算法提供低成本、高效率的测试验证平台。

自主设计并搭建多艘无人测试船艇，配备完善的感知、计算与通信设备。在真实水域开展大量实船试验，验证感知、决策、控制等关键算法的实际性能，形成“算法设计-仿真测试-实船验证”的闭环研发体系。