Navegação autônoma e previsão de colisão do canal portuário com base em visão computacional e lidar

Resumo Este estudo tem como objetivo aprimorar a segurança e a eficiência da navegação portuária, reduzindo acidentes de colisão de navios, minimizando riscos ambientais e otimizando vias navegáveis para aumentar a capacidade do porto. Inicialmente, um mapa tridimensional da via navegável do porto, incluindo dados sobre profundidade da água, pedras e obstáculos, é gerado através de escaneamento a laser. A tecnologia de percepção visual é adotada para processar e identificar os dados para a conscientização ambiental. O Single Shot MultiBox Detector (SSD) é utilizado para posicionar navios e obstáculos, enquanto os dados de nuvem de pontos criam um mapa tridimensional abrangente. Para melhorar a abordagem de navegação ideal da Rapidly-Exploring Random Tree (RRT), um método de campo potencial artificial é empregado. Além disso, o modelo de previsão de colisão utiliza agrupamento K-Means para aprimorar o algoritmo Faster R-CNN na previsão dos caminhos de outros navios e obstáculos. Os resultados indicam que o RRT melhorado pelo método de campo potencial artificial reduz a média do comprimento do caminho (de 500 para 430 m), o tempo médio de consumo (de 30 para 22 s) e o maior risco de colisão (de 15 para 8%). Além disso, a precisão, a taxa de recuperação e o F1 score do modelo de previsão de colisão K-Means + Faster R-CNN alcançam 92%, 88% e 90%, respectivamente, superando outros modelos. No geral, estes achados destacam as substanciais vantagens do algoritmo aprimorado proposto na navegação autônoma e na previsão de colisão nas vias navegáveis do porto.