1. 课程导入与智能船舶航行感知概览

智能船舶并不是“把驾驶台搬到岸上”这么简单。它本质上是一套围绕“感知—认知—决策—控制”构建的闭环系统，而航行感知位于这条链路的最前端：没有可靠、连续、可解释的环境与自身状态信息，后续的避碰决策、航线优化和远程遥控都无从谈起。本课程聚焦这条链路的前半段——用什么设备感知、感知到什么数据、这些数据如何被组织成“场景”，以及如何判断感知结果是否可信。

一、智能船舶分级：感知需求从哪里来

业界常参照中国船级社《智能船舶规范》与IMO自主船舶（MASS）讨论框架，按自动化程度与人在回路中的位置划分等级。可以把它理解为一条“人逐渐后撤、系统逐渐前移”的谱系：

• 辅助决策型：系统提供感知增强与风险提示，船员决策并操作。感知需求侧重“看得更远、更清、更早报警”，如夜视增强、AR叠加、碰撞风险提示。
• 部分自主型：系统在特定场景（开阔水域、指定航段）内自主完成部分任务，人负责监督与接管。感知需求升级为“可量化、可置信”，必须给出目标距离、方位、相对速度及置信度。
• 高度自主/遥控型：系统在限定条件下自主航行，岸基或船员在异常时接管。感知需求变为“冗余、可诊断、可回溯”，任何单点失效都要能被检测并降级处理。

等级越高，感知系统承担的“证明责任”越重。辅助决策阶段，人可以用眼睛复核雷达回波；到了高度自主阶段，系统必须自己回答三个问题：我看到了什么、我有多确定、如果看错了会怎样。这正是本课程反复强调“感知—场景—置信”三者绑定的原因。

二、感知设备与场景识别的总体关系

航行感知设备可按信息维度分为三类。第一类是外部环境感知：导航雷达、AIS、电子海图（ECDIS）、可见光与红外相机、激光雷达、声呐等，负责发现他船、航标、障碍物与岸线。第二类是自身状态感知：GNSS/RTK、惯性测量单元（IMU）、罗经、计程仪、风速风向仪，回答“我在哪、朝哪走、走多快、受什么扰动”。第三类是融合与计算平台：把多源数据在时间、空间上对齐，输出统一的目标列表与场景描述。

场景识别不是某一台设备的输出，而是融合层对“目标+本船+环境+规则”的综合判断。举例来说，雷达给出目标距离与方位，AIS给出MMSI、船名与航向，相机给出目标外观，ECDIS给出所处航道与禁航区。四者时间戳不同、坐标系不同、误差特性不同，融合层要完成时空配准、航迹关联与一致性检验，才能形成“右前方约1.2海里有一艘对遇船，处于狭水道，需按避碰规则右转”这样的场景结论。设备是“感官”，场景识别是“理解”，二者之间隔着标定、配准、关联、检验四道工序。

三、一个可操作的场景示例

假设某船在长江口狭水道以12节航行，雷达在右舷约15°、距离1.1海里处发现一个回波，AIS同时收到一条MMSI为413xxxxxx的船舶信息，显示其航向约225°、航速10节。融合层需要做几件事：把雷达极坐标（距离、方位）转换到本船船艏坐标系，再结合GNSS与罗经数据转到大地坐标系；用AIS报文中的UTC时间戳与雷达扫描时刻做插值对齐；计算两船最近会遇距离（DCPA）与到达最近点时间（TCPA）。若DCPA小于设定的安全阈值（例如狭水道取0.3海里），系统应输出“对遇局面、需右转让路”的场景结论，并附带置信度。若此时相机因逆光未能识别目标，融合层应降低置信度而非直接丢弃目标——这正是“多源冗余”在工程上的真实价值。

四、课程学习地图与实战项目导入

本课程共30章，整体沿“设备—数据—融合—场景—验证”推进。前段讲清雷达、AIS、视觉、激光雷达、GNSS/IMU等设备的工作原理与输出特性；中段讲时空配准、航迹关联、多源融合与场景分类；后段讲典型场景（开阔水域、狭水道、进出港、能见度不良）的识别方法与置信度评估，并以一个贯穿式实战项目收束。

实战项目设定为：基于多源感知数据的狭水道对遇场景识别与风险提示。给定一段模拟或公开的雷达点迹、AIS报文与相机图像序列（示例数据，非实测），要求完成数据解析、坐标统一、目标关联、DCPA/TCPA计算、场景判定与置信度输出，最终形成一份可复现的处理流程与结果判读说明。项目不追求算法复杂度，而追求“每一步输入输出清楚、每个判断有依据、每个结论可回溯”。

学习建议：每章动手记录一组“输入—处理—输出”的真实参数，哪怕只是手算一次坐标转换或DCPA，也比只看结论更有价值。感知系统的可靠性，最终来自对每一个环节误差的清醒认识。