Dynamic Collision Avoidance for Maritime Navigation Using UKF Based Predictive Probability and Velocity Obstacle Framework
Notice bibliographique
Résumé
Abstract This study proposes a collision avoidance algorithm based on predictive probability using the Unscented Kalman Filter (UKF) to address the challenges of dynamic and uncertain maritime navigation. Previous UKF-based approaches relied on fixed time steps to extrapolate future positions from a single application, leading to progressively increasing uncertainties. In contrast, the proposed algorithm integrates ship dynamics into the UKF framework, allowing real-time recalibration and tailoring prediction horizon based on the ship’s physical characteristics and speed, ensuring a relevant and physically meaningful duration for enhanced accuracy and reliability regarding future positions. The algorithm integrates predictive probabilities into a Velocity Obstacle (VO) framework, ensuring adherence to maritime navigation rules (COLREGs) while enabling optimal path planning via a Nonlinear Model Predictive Controller (NMPC). By accurately calculating the Time to Closest Point of Approach (TCPA) and Distance to Closest Point of Approach (DCPA), it effectively prevents unexpected maneuvers, facilitating smoother, safer, and more reliable navigation in dynamic maritime environments. The effectiveness of the proposed method is demonstrated through comprehensive simulations, showcasing its ability to plan optimal paths and accurately track trajectories across various collision scenarios, such as head-on, overtaking, and crossing. The results emphasize the Unscented Kalman Filter’s robustness in estimating ship positions with precision, maintaining computational stability, and effectively mitigating collision risks ensuring enhanced safety and reliability in dynamic maritime environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».