CN120096765B 一种绞吸船限高区段多锚缆张力自适应调控系统 （中交天航南方交通建设有限公司）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120096765B(65)同一申请的已公布的文献号(73)专利权人中交天航南方交通建设有限公司地址518126广东省深圳市宝安区航城街道三围置富兆业科创园B栋B725(72)发明人张鼎王朋罗春旺洪明刘斌杨二军周煜旻审查员胡春平(74)专利代理机构北京君宣知识产权代理事务所(普通合伙)16119专利代理师俞红焱一种绞吸船限高区段多锚缆张力自适应调控系统本发明公开了一种绞吸船限高区段多锚缆张力自适应调控系统，涉及智能海洋工程装备技术领域，包括，采集模块，采集船舶环境态势数成多模态环境数据包，模型构建模块，基于多模态环境数据包，利用势场建模引擎构建三维动态势场模型，并通过有限差分法生成势场分布矩阵，同时利用中心差分计算势场分布矩阵的偏导三维势场梯度张量，采用RRT算法迭代生成候选路径节点，并通过三次样条插值算法进行平滑处理，生成初始航行路径，本发明通过构建三维动态势场模型，确保了锚缆张力可以根据实际环境21.一种绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：包括，采集模块，采集船舶环境态势数据，进行时间戳对齐、噪声滤波及坐标系统一，生成多模态环境数据包；模型构建模块，基于多模态环境数据包，利用势场建模引擎构建三维动态势场模型，并通过有限差分法生成势场分布矩阵，同时利用中心差分计算势场分布矩阵的偏导数，生成三维势场梯度张量；路径规划模块，基于三维势场梯度张量，采用RRT算法迭代生成候选路径节点，并通过三次样条插值算法进行平滑处理，生成初始航行路径；指令生成模块，将初始航行路径和实时绞吸船运行数据输入双流神经网络，利用空间流分支提取空间拓扑特征，利用时间流分支提取动态关联特征，将空间拓扑特征和动态关联特征融合后输入策略网络，输出锚缆张力的调整指令集；锚缆张力调控模块，势场建模引擎对锚缆张力的调整指令集进行解析，生成新的势场分布矩阵和三维势场梯度张量，并输入双流神经网络，双流神经网络执行参数更新和路径2.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述船舶环境态势数据包括限高区段的三维点云数据、水下障碍物的声呐数据以及绞吸船运行数据。3.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述生成多模态环境数据包，具体包括如下步骤，通过PTP协议对船舶环境态势数据进行时间戳对齐，并对限高区段的三维点云数据通过矩形信息粒化算法进行离群值滤波，对水下障碍物的声呐数据利用小波阈值去噪，对绞利用ICP算法将预处理后的船舶环境态势数据统一至地理坐标系，并采用分层融合策略进行整合，生成多模态环境数据包。4.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：通过有限差分法生成势场分布矩阵，具体包括如下步骤，基于多模态环境数据包，利用点云体素化降采样法构建三维体素地图，并通过KD-Tree建立空间索引，同时通过动态权重分配策略结合双曲正割函数构建三维动态势场模型；基于三维动态势场模型，通过有限差分法进行空间梯度场计算，获取引力梯度与斥力场强，同时基于引力梯度与斥力场强，通过多物理场耦合叠加算法生成势场分布矩阵。5.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述生成三维势场梯度张量，具体包括如下步骤，采用有限差分法中的中心差分计算势场分布矩阵的一阶偏导数，基于一阶偏导数通过矢量合成算法获取初始梯度矢量场；通过ADMM耦合重构法对初始梯度矢量场进行重构，通过中心差分法交叉计算二阶偏导数，并利用双曲正割函数动态调整二阶偏导数的权重分配比例，同时通过交替方向乘子法进行正则化处理，生成三维势场梯度张量。6.如权利要求5所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述3利用RRT算法对三维势场梯度张量进行节点扩展，获取动态方向向量，并通过椭圆采样域转换法将动态方向向量转换为路径扩展方向，同时采用自适应步长策略获取节点扩展步根据路径扩展方向和节点扩展步长通过层次化搜索策略生成候选路径节点；通过三次样条插值算法对候选路径节点进行处理，生成三次样条平滑轨迹；基于三次样条平滑轨迹，通过ADMM算法进行动态正则化优化，生成初始航行路径。7.如权利要求6所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述利用空间流分支提取空间拓扑特征，具体步骤如下，将初始航行路径输入双流神经网络的空间流分支，空间流分支的第一层级进行时-空联合卷积与空间降维，捕获空间结构特征，第二层级进行局部迭代优化与跨层特征融合，获取细化局部特征；第三层级通过通道注意力机制为空间结构特征和细化局部特征动态分配不同尺度权8.如权利要求7所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述利用时间流分支提取动态关联特征，具体步骤如下，将实时绞吸船运行数据输入双流神经网络的时间流分支，其中双向长短期记忆网络的前向TCN通过扩张卷积捕捉长程趋势，后向TCN通过因果卷积建模逆向退化模式；将长程趋势和逆向退化模式通过时间注意力机制进行双向拼接，生成动态关联特征。9.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所述输出锚缆张力的调整指令集，具体步骤如下，将空间拓扑特征与动态时序特征加权融合后输入DDPG策略网络，利用Actor-Critic协同优化框架进行策略梯度更新，生成锚缆张力调整参数向量；基于锚缆张力调整参数向量，通过有限元算法生成锚缆张力的调整指令集。10.如权利要求1所述的绞吸船限高区段多锚缆张力自适应调控系统，其特征在于：所基于锚缆张力的调整指令集，通过有限元张力场耦合算法生成新的势场分布矩阵，并采用隐式欧拉法进行非线性计算，生成新的三维势场梯度张量；将新的势场分布矩阵和三维势场梯度张量输入双流神经网络，利用弹性权重固化正则化法对权重参数进行更新，生成优化后的双流神经网络；基于优化后的双流神经网络，通过滑模控制律修正初始航行路径偏差，生成最终航行路径。4一种绞吸船限高区段多锚缆张力自适应调控系统技术领域[0001]本发明涉及智能海洋工程装备技术领域，特别是一种绞吸船限高区段多锚缆张力自适应调控系统。背景技术[0002]随着海洋开发和港口建设的不断深入，绞吸船作为重要的疏浚工具，在海底挖掘、航道拓宽及维护等方面发挥着重要作用，近年来，为了提升绞吸船在复杂环境下的作业效率与安全性，相关技术领域出现了多种创新方案。[0003]例如，通过传感器融合实现的实时环境监测方法能够显著提高船舶对周围环境的感知能力，而利用机器学习算法优化路径规划过程，实现了更高效、更安全的航行路线设计，传统方法中，绞吸船进行作业时的锚缆张力调整通常依赖于经验丰富的操作员手动调节，不仅效率低下，而且难以保证作业精度和安全性，尽管自动化控制技术的发展使得一些自动化方法被应用于辅助锚缆张力的调控，但往往缺乏灵活性，无法适应动态变化的工作环境，尤其是在遇到限高区段等复杂工况时表现尤为不佳，而且现有自动化控制机制在处理多源异构数据集成以及实现精确路径规划方面也存在明显局限性，具体而言，当前的自动化控制机制在整合多种类型的数据，并据此生成最优航行路径的能力上有所欠缺，此外，由于这些方法大多基于预设规则或静态模型，缺乏对动态环境变化的实时响应能力，导致在实际操作中常常需要人工干预，增加了操作难度和风险。[0004]现有技术主要存在两点不足之处，一方面，传统的自动化控制机制在面对复杂的海洋工程环境时，尤其是涉及到限高区段作业时，表现出明显的不适应性，无法根据实际情况自动调整锚缆张力，从而影响了作业的安全性和效率。另一方面，现有技术在整合多模态环境数据的能力上有所欠缺，限制了后续生成最优航行路径的精度。发明内容[0006]因此，本发明提供了一种绞吸船限高区段多锚缆张力自适应调控系统解决锚缆张力自适应调节能力不足和多源数据融合不充分问题。[0008]本发明提供了一种绞吸船限高区段多锚缆张力自适应调控系统，其包括，采集模块，采集船舶环境态势数据，进行时间戳对齐、噪声滤波及坐标系统一，生成多模态环境数据包；[0009]模型构建模块，基于多模态环境数据包，利用势场建模引擎构建三维动态势场模型，并通过有限差分法生成势场分布矩阵，同时利用中心差分计算势场分布矩阵的偏导数，生成三维势场梯度张量；[0010]路径规划模块，基于三维势场梯度张量，采用RRT算法迭代生成候选路径节点，并通过三次样条插值算法进行平滑处理，生成初始航行路径；5[0011]指令生成模块，将初始航行路径和实时绞吸船运行数据输入双流神经网络，利用空间流分支提取空间拓扑特征，利用时间流分支提取动态关联特征，将空间拓扑特征和动态关联特征融合后输入策略网络，输出锚缆张力的调整指令集；[0012]锚缆张力调控模块，势场建模引擎对锚缆张力的调整指令集进行解析，生成新的势场分布矩阵和三维势场梯度张量，并输入双流神经网络，双流神经网络执行参数更新和[0013]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其中：所述船舶环境态势数据包括限高区段的三维点云数据、水下障碍物的声呐数据以及绞吸船运行数据。[0014]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其[0015]通过PTP协议对船舶环境态势数据进行时间戳对齐，并对限高区段的三维点云数据通过矩形信息粒化算法进行离群值滤波，对水下障碍物的声呐数据利用小波阈值去噪，对绞吸船运行数据利用DBSCAN聚类算法进行异常值剔除；[0016]利用ICP算法将预处理后的船舶环境态势数据统一至地理坐标系，并采用分层融合策略进行整合，生成多模态环境数据包。[0017]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其中：通过有限差分法生成势场分布矩阵，具体包[0018]基于多模态环境数据包，利用点云体素化降采样法构建标准化三维体素地图，并通过KD-Tree建立空间索引，同时通过动态权重分配策略结合双曲正割函数构建三维动态势场模型；[0019]基于三维动态势场模型，通过有限差分法进行空间梯度场计算，获取引力梯度与斥力场强，同时基于引力梯度与斥力场强，通过多物理场耦合叠加算法生成势场分布矩阵。[0020]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其[0021]采用有限差分法中的中心差分计算势场分布矩阵的一阶偏导数，基于一阶偏导数通过矢量合成算法获取初始梯度矢量场；[0022]通过ADMM耦合重构法对初始梯度矢量场进行重构，通过中心差分法交叉计算二阶偏导数，并利用双曲正割函数动态调整二阶偏导数的权重分配比例，同时通过交替方向乘子法进行正则化处理，生成三维势场梯度张量。[0023]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其[0024]利用RRT算法对三维势场梯度张量进行节点扩展，获取动态方向向量，并通过椭圆采样域转换法将动态方向向量转换为路径扩展方向，同时采用自适应步长策略获取节点扩展步长；[0025]根据路径扩展方向和节点扩展步长通过层次化搜索策略生成候选路径节点；[0026]通过三次样条插值算法对候选路径节点进行处理，生成三次样条平滑轨迹；[0028]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其6中：所述利用空间流分支提取空间拓扑特征，具[0029]将初始航行路径输入双流神经网络的空间流分支，空间流分支的第一层级进行时-空联合卷积与空间降维，捕获空间结构特征，第二层级进行局部迭代优化与跨层特征融[0030]第三层级通过通道注意力机制为空间结构特征和细化局部特征动态分配不同尺度权重，并通过拼接通道进行融合，生成空[0031]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其中：所述利用时间流分支提取动态关联特征，具[0032]将实时绞吸船运行数据输入双流神经网络的时间流分支，其中双向长短期记忆网络的前向TCN通过扩张卷积捕捉长程趋势，后向TCN通过因果卷积建模逆[0033]将长程趋势和逆向退化模式通过时间注意力机制进行双向拼接，生成动态关联特[0034]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其[0035]将空间拓扑特征与动态时序特征加权融合后输入DDPG策略网络，利用Actor-Critic协同优化框架进行策略梯度更新，生成锚缆张力调整参数向量，基于锚缆张力调整参数向量，通过有限元算法生成锚缆张力调整指令集。[0036]作为本发明所述绞吸船限高区段多锚缆张力自适应调控系统的一种优选方案，其[0037]基于锚缆张力的调整指令集，通过有限元张力场耦合算法生成新的势场分布矩阵，并采用隐式欧拉法进行非线性计算，生成新的三维势场梯度张量；[0038]将新的势场分布矩阵和三维势场梯度张量输入双流神经网络，利用弹性权重固化正则化法对权重参数进行更新，生成优化后的双流神经网络；[0039]基于优化后的双流神经网络，通过滑模控制律修正初始航行路径偏差，生成最终航行路径。[0040]本发明有益效果为：利用势场建模引擎生成三维动态势场模型，并基于此生成精确的三维势场梯度张量，确保了锚缆张力可以根据实际环境变化进行动态调整，从而提高了作业过程中的稳定性和安全性。其次，通过高效的时间戳对齐、噪声滤波及坐标系统一等预处理步骤，将多种类型的环境数据(如三维点云数据、水下障碍物声呐数据及绞吸船运行数据)进行无缝整合，生成高质量的多模态环境数据包。这些高精度的数据为后续路径规划提供了坚实的基础，使得生成的航行路径更加精准可靠。附图说明[0041]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。[0042]图1为绞吸船限高区段多锚缆张力自适应调控系统的示意图。[0043]图2为基于三维势场梯度张量生成初始航行路径的流程图。7[0044]图3为路径规划模块工作原理的流程图。[0045]图4为多锚缆张力自适应调控系统架构的示意图。具体实施方式[0046]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。[0047]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。[0049]参照图1~图4,该实施例提供了一种绞吸船限高区段多锚缆张力自适应调控系统，包括以下步骤：[0050]采集模块，采集船舶环境态势数据，进行时间戳对齐、噪声滤波及坐标系统一，生成多模态环境数据包。[0052]首先，对船舶环境态势数据进行采集，船舶环境态势数据具体包括限高区段的三维点云数据、水下障碍物的声呐数据以及绞吸船运行数据；[0053]将激光雷达扫描设备安装在绞吸船上，实时扫描周围环境，通过发射高频率的激光束并接收反射回来的回波信号，以采集限高区段的三维点云数据；[0054]将多波束声呐单元安装在绞吸船的底部，通过在水下同时发射多个声波束，并接收从水下物体返回的回波信号，以采集水下障碍物的声呐数据；[0055]绞吸船运行数据包括发动机转速、燃油消耗、轮子的转速、船舶的速度以及位置的数据，其中发动机转速和燃油消耗通过车载诊断单元(OBD)采集，轮子的转速和船舶的速度通过轮速传感器采集，船舶位置通过GPS[0056]采集完成后，采用PTP协议对船舶环境态势数据进行时间戳对齐，具体操作中，在多传感器单元部署PTP硬件时钟同步单元，并采用主从式时间基准架构，基于P报文交互和往返延迟测量同步多传感器单元，同步完成后，采用线性插值算法和三次样条插值算法实现跨频域时间戳对齐，同时集成时钟偏移补偿机制和异常时钟跳变检测算法，进行跳变检测与动态时间窗滑动验证，确保船舶环境态势数据的时间戳同步；[0057]接下来，对船舶环境态势数据进行噪声滤波，具体操作中，对于限高区段的三维点云数据，采用矩形信息粒化算法将三维点云数据划分为多个小的矩形区域，并计算每个区域内点的统计特征，基于统计特征，通过格拉布斯准则识别离群点，并利用信息粒相似性分析进行剔除，从而提高数据的质量；[0058]对于水下障碍物的声呐数据，利用小波阈值去噪法，通过小波分解在不同的尺度上分析声呐数据的信号特性，并通过自适应阈值调整机制设定去噪阈值，对于超出去噪阈值的高频噪声通过软阈值函数进行去除，以保留有用的信息；[0059]对于绞吸船运行数据，采用DBSCAN聚类算法，通过密度可达性分析生成主要数据8簇，并通过异常度量化分析有效识别远离主要数据簇的异常点，同时通过动态滑动窗口过滤机制进行移除，以确保数据的准确性和可靠性；[0060]噪声滤波完成后，将预处理后的船舶环境态势数据统一至地理坐标系，以便于后续的融合和分析，具体操作中，基于ICP算法，采用FPFH特征描述子构建点云局部特征空间，并利用Tukey权重函数去除点云局部特征空间中由遮挡或噪声引起的错误对应点集，以寻找两个对应点集之间的最佳对应关系，并根据最佳对应关系，通过SVD分解调整一个对应点集的位置，使其与另一个对应点集重合，调整完成后，通过七参数坐标转换将船舶环境态势[0061]接下来，将处理完成的船舶环境态势数据进行融合，生成多模态环境数据包，具体操作中，采用分层融合策略进行整合：对限高区段的三维点云数据实施八叉树的空间索引构建，并通过点云体素内特征聚合获取压缩的点云数据；对水下障碍物的声呐数据利用小波包重构法进行信号增强，并通过时域峰值检测和能量积分计算，提取回波时延和强度特征；对船舶运行数据应用卡尔曼滤波进行状态估计，获取船舶状态的最优估计值；将压缩的点云数据、回波时延和强度特征以及船舶状态的最优估计值，通过JSON-LD格式进行多源数据封装，并采用Zstd压缩算法生成标准化的多模态环境数据包，同时通过SHA-256哈希进行[0062]模型构建模块，基于多模态环境数据包，利用势场建模引擎构建三维动态势场模型，并通过有限差分法生成势场分布矩阵，同时利用中心差分计算势场分布矩阵的偏导数，生成三维势场梯度张量。[0064]基于多模态环境数据包，利用点云体素化降采样法构建三维体素地图，并通过KD-Tree建立空间索引，具体操作中，首先，通过JSON-LD解析器从多模态环境数据包中提取高密度的点云数据，并采用点云体素化降采样法，通过体素网格划分和重心法特征保留，将高密度的点云数据转换为均匀分布的体素网格，从而减少数据量并提高后续处理的效率；[0065]基于均匀分布的体素网格，通过八叉树递归分割，进行空值体素剪枝与多分辨率三维体素地图建立空间索引，以便快速查询和访问特定区域的数据，KD-Tree能够在大规模数据集中迅速定位目标点，大大提升了数据检索的速度；[0066]接下来，基于三维体素地图，利用动态权重分配策略结合双曲正割函数构建三维动态势场模型，具体操作中，首先，通过欧氏距离变换算法对三维体素地图进行多尺度空间卷积，获取障碍物距离；其次，通过贝叶斯概率推理算法对三维体素地图进行混合聚类，获取航道概率分布；最后，通过特征提取算法对三维体素地图进行光流场动态追踪，以提取动态目标聚类特征；[0067]采用双曲正割函数，通过自适应衰减系数量化障碍物距离，生成障碍物排斥势场；采用梯度场映射，通过概率密度函数对航道概率分布进行归一化处理，以生成航道势场；利用时间滑动窗口法，通过指数加权处理动态目标聚类特征，获取动态目标影响域；[0068]应说明的是，自适应衰减系数基于障碍物距离并结合双曲正割函数定义，取值范围通常为[0.01,1.5];[0069]基于障碍物排斥势场、航道势场以及动态目标影响域，通过特征张量拼接构建初9始环境特征集，并利用熵权法进行反比加权计算，获取初始环境特征集的静态权重，同时利用BPTT算法通过时序梯度反向传播，获取初始环境特征集的动态权重；[0070]利用改进的Log-Sum-Exp函数，对静态权重和动态权重进行多势场融合，生成连续可导的三维动态势场，并基于李雅普诺夫指数，通过相空间轨迹发散率计算验证三维动态势场的稳定性；[0071]基于三维动态势场，建立基于ROS节点的实时维护机制，并利用增量式KD-Tree快速响应环境变化，同时借助OpenGL可视化渲染进行校验，形成兼具距离敏感性和环境自适应性的三维动态势场模型，动态权重分配策略和双曲正割函数结合的方法，不仅提高了三维动态势场模型的适应性，还增强了在复杂环境下表现的稳定性；[0072]基于构建好的三维动态势场模型，通过有限差分法生成势场分布矩阵，具体操作中，基于有限差分法，通过等间距体素划分法建立网格点，包括中心点及26个邻域点，并基于中心差分格式，通过对各网格点进行三方向同步梯度求解，以获取势场梯度；[0073]采用Tikhonov正则化处理势场梯度中的边界奇异点，并利用Jacobi迭代法对势场梯度进行泊松方程分离求解，生成引力梯度，同时通过高斯核密度估计，对势场梯度进行卷[0074]通过多物理场耦合叠加算法对引力梯度与斥力场强进行Log-Sum-Exp加权融合，以生成势场分布矩阵；[0075]基于势场分布矩阵，生成三维势场梯度张量，具体操作中，采用有限差分法中的中心差分进行三方向同步计算，执行2次计算后加权平均，生成初始差分结果，基于初始差分结果，通过Richardson外推补偿进行误差修正，以生成势场分布矩阵的一阶偏导数；[0076]利用四元数球面线性插值处理法，对一阶偏导数进行方向连续性修正，生成方向梯度分量，并通过高斯-赛德尔平滑滤波，对方向梯度分量进行噪声抑制与异常值剔除，同时通过矢量合成算法对方向梯度分量进行叠加，以获取初始梯度矢量场，初始梯度矢量场描述了环境中各个位置的势场变化趋势；[0077]为进一步提高初始梯度矢量场的质量，采用ADMM耦合重构法对其进行重构，具体于Huber函数的混合正则化去除初始梯度矢量场中的不规则部分，使其更加平滑和精确，以生成重构后的梯度矢量场；[0078]基于重构后的梯度矢量场，继续使用中心差分法交叉计算二阶偏导数，具体操作中，基于中心差分法，对重构后的梯度矢量场进行Hessian矩阵元素计算，生成原始二阶微分结果，基于原始二阶微分结果，通过Richardson外推补偿进行截断误差消除，以生成二阶偏导数，其中中心差分法的使用不仅提高了梯度计算的精度，还增强了对复杂地形特征的[0079]接下来利用双曲正割函数动态调整二阶偏导数的权重分配比例，具体操作中，采用双曲正割函数，对原始二阶微分结果进行重新加权，生成自适应二阶微分场，并基于自适应二阶微分场，通过主成分分析进行特征空间投影，为二阶偏导数的权重重新分配比例，实现基于地形特征的动态权重调整；[0080]最后，通过交替方向乘子法进行正则化处理，生成最终的三维势场梯度张量，具体[0083]利用RRT算法对三维势场梯度张量进行节点扩展，获取动态方向向量，具体操作[0091]其中，粗粒度搜索层通过八叉树空间划分算法对路径扩展方向进行可行性筛选，并通过势场强度阈值分割法进行二值化标记，以获取障碍物碰撞高风险区域，同时采用11[0092]中粒度优化层基于初始候选节点集，通过势场梯度引导的Metropolis-Hastings采样法进行概率重筛选，生成优化节点分布；基于优化节点分布，采用B样条插值进行局部[0093]精粒度验证层基于曲率约束路径段，利用并行化射线检测法通过多分辨率体素穿透测试，验证节点可达性，并结合动态窗口法通过时域轨迹模拟法，评估节点动力学可行可行的路径选项，在微观尺度上，则可以避免潜在的障碍物和优化路径的平滑性；[0094]生成候选路径节点后，通过三次样条插值算法进行处理，生成三次样条平滑轨迹，具体操作中，首先基于候选路径节点集，通过最小二乘拟合，采用正则化最小二乘法构建候选路径节点间的参数化映射关系，并采用三对角矩阵求解法，通过Thomas计算，获取样条系数矩阵；接着，通过分段连续性约束算法，采用C²连续性边界条件使一阶和二阶偏导数连[0095]基于优化后的样条系数矩阵，利用L-BFGS优化器调整候选路径节点的位置；调整完成后，采用Fritsch-Carlson单调性保持算法，通过分段三次Hermite插值生成三次样条平滑轨迹；同时利用自适应节点加密法，通过RANSAC异常点剔除确保三次样条平滑轨迹的精度；具体操作中，首先将三次样条轨迹通过等弧长采样离散化为密集路径点集，并通过多目标加权融合法构建优化目标函数，基于优化目标函数通过交替方向乘子法迭代求解：[0097]首先，用投影梯度法，通过Chebyshev多项式逼近加速曲率计算，生成曲率优化路径段；[0098]其次，基于曲率优化路径段，通过近端梯度法处理非光滑项，并结合Nesterov加速法提升势场适配子的收敛速度，获取势场相容路径；[0099]最后，基于势场相容路径，通过二次规划进行动力学约束求解，以获取动力学可行[0100]在交替方向乘子法的每轮迭代中，通过Schur补分解法对动力学可行解进行条件数优化，生成协调后的全局解；基于协调后的全局解，通过B样条重参数化法生成初始航行路径，其中ADMM算法的应用可以有效解决大规模优化问题，确保生成的初始航行路径具有较高的可行性和安全性。[0101]指令生成模块，将初始航行路径和实时绞吸船运行数据输入双流神经网络，利用空间流分支提取空间拓扑特征，利用时间流分支提取动态关联特征，将空间拓扑特征和动态关联特征融合后输入策略网络，输出锚缆张力的调整指令集。[0102]具体包括如下步骤，[0103]首先，进行双流神经网络的构建和训练，具体操作中，构建异构双分支架构：空间流分支使用ResNet-50作为主干网络，通过加载ImageNet预训练权重进行初始化，专门处理静态势场特征；时间流分支则采用3DConvNet结构，通过TV-L1算法生成的10帧光流序列作[0104]训练过程采用三阶段交替训练策略：第一阶段进行空间流分支的训练，使用交叉熵损失函数进行多类别势场特征分类，并采用Adam优化器在多样本的静态势场数据集上进行微调，期间冻结批量归一化层的统计量以保持特征分布稳定，其中，批量归一化层的统计量指的是训练过程中，基于每个小批量的输入数据，通过滑动平均法动态计算得出的均值和方差；[0105]第二阶段进行时间流分支的训练，采用triplet损失进行时序特征嵌入学习，并使用带动量的SGD优化器在多样本的动态势场特征上训练，同时利用3级时序金字塔池化来增强时序特征表达能力；[0106]第三阶段通过可学习的自适应融合层进行双流特征拼接，并采用分级学习率策略进行端到端微调，输出融合特征分类结果，同时设置早停机制防止双流神经网络的过拟合；[0107]双流神经网络训练完成后，将初始航行路径输入双流神经网络，利用空间流分支提取空间拓扑特征，具体操作中，将初始航行路径通过多源数据融合法转化为三维地形张量，并将三维地形张量通过三维卷积输入双流神经网络的空间流分支；[0108]空间流分支包括三级特征提取层级、跨尺度特征融合层以及通道注意力增强层，其中，第一级特征提取层级利用三维卷积层进行空间上下文感知卷积，以生成初级特征图；基于初级特征图，通过最大池化层进行多尺度空间下采样，以捕获空间结构特征；时-空联合卷积通过对空间结构特征进行时序维度卷积，使得空间流分支可以更好地理解路径的空间分布及其随时间的变化趋势；空间降维则通过1×1×1卷积，减少空间结构特征的维度，实现在保留关键信息的同时提高计算效率；[0109]第二级特征提取层级利用三维卷积层进行局部特征细化卷积，以生成中级特征图，基于中级特征图，通过残差连接层进行跨层特征增强，以获取细化局部特征；局部迭代优化法通过梯度累积对细化局部特征进行多次优化，以提升特征的质量；而跨层特征融合通过通道注意力门控机制，对细化局部特征进行自适应加权融合，以生成更加丰富的特征[0110]第三级特征提取层级利用全局池化层进行特征压缩聚合，生成全局上下文描述符；基于全局上下文描述符，通过全连接层进行高阶语义编码，以获取紧凑特征表示；基于紧凑特征表示，通过通道注意力机制为空间结构特征和细化局部特征动态分配不同尺度权重，具体操作中，首先对空间结构特征采用全局平均池化，生成全局通道统计量；对细化局部特征采用3×3深度可分离卷积，生成局部通道统计量；基于全局通道统计量和局部通道统计量，通过2层全连接层为空间结构特征和细化局部特征分配不同尺度的权重；[0111]基于不同尺度权重，通过拼接通道和特征重标定技术.对空间结构特征和细化局部特征进行融合，生成空间拓扑特征，其中，通道注意力机制能够根据特征的重要性自动调整各通道的权重，从而增强重要特征并抑制不相关特征；[0112]与此同时，将实时绞吸船运行数据输入时间流分支，提取动态关联特征，具体操作中，基于实时绞吸船运行数据，采用时频同步编码法构建时间序列张量；[0113]接下来，基于时间序列张量，构建双向长短期记忆网络，具体操作中，利用时间序列张量，通过扩张因果卷积构建前向TCN(时间卷积网络)与后向TCN,每个TCN层各包含32个捉长程趋势，后向层通过逆序时间卷积滞后关联模式；[0114]训练阶段采用三阶段优化策略：预训练阶段，基于时间序列张量，使用Wasserstein生成对抗网络生成训练样本；[0115]主训练阶段，采用时序焦点损失函数对训练样本进行动态难样本加权，并通过Adam优化器对训练样本进行多轮迭代，每轮迭代应用梯度裁剪法防止梯度爆炸；[0116]微调阶段，利用全连接层进行混合注意力机制优化，输出训练好的双向长短期记忆网络。[0117]进一步的，利用训练好的双向长短期记忆网络提取动态关联特征：其中，前向TCN包括扩张卷积层和门控激活层，扩张卷积层通过空洞卷积生成多尺度时序特征；基于多尺度时序特征通过残差连接捕捉长程趋势，以降低梯度消失风险；[0118]后向TCN包括因果卷积层和反向门控层，因果卷积层通过时间逆向卷积生成逆向时序特征；基于逆向时序特征，通过退化模式检测器建模逆向退化模式，识别潜在的船舶性其潜在的逆向变化模式，确保提供的时间序列特征更加全面准确；[0119]接着，将长程趋势和逆向退化模式输入时空融合层，并利用时间注意力机制进行特征融合，以生成动态关联特征，具体操作中，时空融合层将长程趋势特征和逆向退化模式特征进行时间对齐和双向拼接，并输入时间注意力机制进行处理；时间注意力机制通过多头注意力算法计算查询、键和值矩阵的交互关系，获取时序依赖特征；将时序依赖特征通过膨胀时间卷积层进行残差连接后，输出动态关联特征；整个过程采用预层归一化结构和可学习融合权重进行优化，在保证训练稳定性的同时显著提升了特征相似度，其中，时间注意力机制的应用突出了重要时间段的数据，从而使生成的动态关联特征更具代表性；[0120]完成空间拓扑特征和动态关联特征的提取后，将两者加权融合后输入DDPG策略网络，输出锚缆张力调整指令集，具体操作中，将空间拓扑特征和动态关联特征通过自适应特征门控融合机制进行融合，生成1152维联合特征向量，并通过特征归一化法输入DDPG策略网络；[0121]基于DDPG策略网络，通过深度确定性策略梯度算法调用Actor-Critic协同优化框架，Actor-Critic协同优化框架中的Actor部分，通过三层全连接网络进行高斯策略参数化，以生成初始动作分布；利用Tanh激活函数，通过动态动作边界映射对初始动作分布进行缩放，生成锚缆张力调整策略；Critic部分则通过双四层全连接网络结合Q值函数评估张力调整策略的好坏，例如，Critic部分会根据Actor生成的动作分布通过贝尔曼最优方程计算一个Q值，Q值反映了在当前状态下采取该动作的预期回报，如果Q值超过0.8,说明张力调整策略在当前环境下表现较好；反之，如果Q值低于0.5,则说明张力调整策略需要改进；[0122]基于Critic评估后的锚缆张力调整策略，通过0rnstein-Uhlenbeck过程法进行动作探索和策略优化，以生成锚缆张力调整参数向量，其中，ADDPG策略网络结合了值函数方法和策略梯度方法的优点，能够在连续动作空间中高效地学习最优策略；[0123]基于锚缆张力调整参数向量，通过有限元算法生成锚缆张力调整指令集，具体操作中，采用非线性有限元求解器(ANSYSAPDL)对锚缆张力调整参数向量进行瞬态动力学仿真，以计算各节点受力分布；基于受力分布，通过约束优化算法对锚缆张力调整参数向量进行迭代调整，并通过李雅普诺夫指数计算验证锚缆张力调整参数的稳定性；基于迭代调整后的锚缆张力调整参数，通过三次样条插值和PID控制器输出锚缆张力调整指令。[0124]锚缆张力调控模块，势场建模引擎对锚缆张力的调整指令集进行解析，生成新的势场分布矩阵和三维势场梯度张量，并输入双流神经网络，双流神经网络执行参数更新和路径重规划，生成最终航行路径。[0125]具体包括如下步骤，[0126]势场建模引擎对锚缆张力的调整指令集进行解析，生成新的势场分布矩阵和三维势场梯度张量，具体操作中，基于锚缆张力的调整指令集，通过非线性有限元求解器，将锚缆张力离散为50个Timoshenko梁单元，并采用有限元张力场耦合算法对Timoshenko梁单元进行结构场与流体场的双向耦合，同时采用Fixed-Stress分裂算法保证耦合稳定性；耦合完成后，通过有限元算法提取位移-张力耦合场数据，并通过Paraview后处理软件对位移-张力耦合场数据进行可视化验证；[0127]基于验证后位移-张力的耦合场数据，采用基于FEniCS框架的Helmholtz方程求解器进行势能重分布计算：其中，首先使用Gmsh通过Delaunay三角剖分算法生成非结构化四面体网格；其次，采用PETSc线性代数库的GMRES迭代求解器对非结构化四面体网格进行动提取势能梯度；最后，基于势能梯度，通过双三[0128]接下来，采用隐式欧拉法，生成新的三维势场梯度张量，具体操作中，基于锚缆张力的调整指令集，通过隐式欧拉法对非线性势场演化方程进行数值求解：首先，在FEniCS框架下，通过变分形式转换法建立离散弱形式方程；基于离散弱形式方程，采用PETSc的SNES非线性求解器处理非线性项，获取数值解；基于数值解，通过ILU(3)预处理技术加速Krylov子空间迭代计算，输出瞬态势场分布；[0129]