[0001] 本发明涉及协同导航数据管理技术领域，更具体地说，本发明涉及海洋平台与无人艇间的协同导航数据管理方法。

[0002] 海洋平台和无人艇作为海洋探索与监测的重要组成部分，各自具备独特的功能和优势。在实际任务中，二者的高效协同能够显著提升任务执行效率和效果。海洋平台通常作为固定或半固定的海上作业站，通常配备强大的计算资源，适合处理复杂的数据运算和任务规划，能够同时采集多种类型的海洋环境数据（如洋流、温度、天气等），为任务提供丰富的数据支持。

[0003] 无人艇是一种自主或远程操控的小型海上设备，能够在海洋环境中灵活移动，适应动态任务需求，与海洋环境的接近使得无人艇能够快速获取和处理本地数据，但是由于体积小，计算能力和能量储备相对有限，难以应对复杂或长期任务。

[0004] 海洋平台与无人艇之间的协同关系是实现高效导航和数据管理的关键，海洋平台提供强大的计算能力和能源支持，无人艇提供灵活的机动性和实时感知能力，二者通过协同可以弥补各自的不足，但是海洋平台和无人艇的计算任务分配未能充分利用各自的优势，而且数据处理和路径规划的动态性不足，难以适应多变的海洋环境，影响协同效率。

[0016] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0017] 参照图1得到以下实施例：实施例1：海洋平台与无人艇间的协同导航数据管理方法，包括以下步骤：
对海洋环境数据进行实时采集，得到海洋环境数据集，同时分别获取海洋平台运行数据、无人艇运行数据和协同导航任务数据，得到海洋平台运行数据集、无人艇运行数据集和协同导航任务数据集；实时采集海洋环境数据是协同导航的基础，确保能够获得洋流、天气、温度等实时变化信息，为导航决策提供支持。分别采集海洋平台和无人艇的运行状态（如计算能力、负载率等），为后续判断数据处理位置和任务调度提供依据。协同导航任务数据（如导航路径规划目标、任务实时性要求）用于综合分析任务的需求，确保系统决策的针对性和准确性。将不同类型的数据分类存储，形成多个独立的数据集，便于后续分析和决策操作。

[0018] 基于海洋平台运行数据集、无人艇运行数据集和协同导航任务数据集进行协同分析操作，生成计算性能指数和任务繁琐指数，然后将计算性能指数和任务繁琐指数一同进行模糊推理，根据模糊推理的结果判断海洋环境数据集进行数据处理的位置；通过综合分析运行数据（计算性能、负载率等）和任务需求（任务复杂性、实时性要求等），生成计算性能指数和任务繁琐指数，量化设备能力与任务难度的匹配程度，确保数据分析具有科学性和系统性，为后续决策提供可靠依据。模糊推理根据计算性能指数和任务繁琐指数，推理出数据处理的最优位置（海洋平台、无人艇或云端）。通过模糊规则描述不同场景下的适应性，灵活应对任务需求和运行环境的变化，判断数据处理位置的目的是优化资源使用（如计算性能和通信频率），同时满足任务实时性和复杂性要求，提高协同导航的整体效率。

[0019] 在模糊推理的结果对应的位置，对海洋环境数据集进行数据处理，得到处理数据集，并根据处理数据集进行导航路径规划；根据模糊推理的结果，在最适合的位置（海洋平台、无人艇或云端）对海洋环境数据进行处理，确保处理效率和实时性。通过预设的智能分类和融合策略，将海洋环境数据中的关键信息提取并整理，生成用于导航路径规划的优化数据集。使用处理后的数据集，选择适合任务需求的路径规划算法（基于图、优化或深度学习的算法），为无人艇生成最优导航路径。规划算法根据任务目标（如最短路径、避障或能量最优）设计路线，确保无人艇在动态海洋环境中的安全性和任务完成效率。

[0020] 需要说明的是：数据处理的位置（海洋平台、无人艇或云端）是在模糊推理后决定的。在确定数据处理位置之前，数据还未经过分类和融合，因此不能直接使用尚未处理的数据来完成复杂的计算，如分区分析或障碍物统计。

[0021] 为了避免逻辑冲突，在此明确数据处理前后的职责分工：数据处理前（寻找处理位置之前）：在模糊推理阶段，需要依赖的数据应该是基本、粗粒度的统计信息，而不是经过复杂处理后的结果。可以调整为以下逻辑：使用海洋环境数据的原始统计信息，如：洋流速度的最大值、最小值、标准差等。障碍物的初步检测数量，导航区域的粗略边界范围。根据这些简单统计信息，配合海洋平台和无人艇的运行数据集、任务数据集，计算模糊推理所需的输入（如计算性能指数和任务繁琐指数）。模糊推理阶段只能使用简单统计信息，如原始洋流速度、障碍物初步检测数量等，这些信息不依赖智能分类和融合。

[0022] 数据处理后（确定处理位置之后）：在处理位置确定后，执行数据处理，包括：智能分类：将海洋环境数据按类别（如洋流数据、障碍物数据）进行详细划分。智能融合：根据任务需求整合多源数据，生成优化的数据集，例如：细化的导航区域分区；精确的障碍物分布统计；洋流变化的局部趋势分析。基于优化后的数据集，使用路径规划算法（图算法、优化算法或深度学习算法）生成最优路径。

[0023] 基于计算性能指数和任务繁琐指数，对通信路径的通信频率进行优化调节。通信频率决定了海洋平台、无人艇和云端之间的数据交互效率。在高实时性任务中，频率过低会导致决策延迟，而频率过高可能造成带宽浪费或链路拥堵，调节通信频率不仅提高了资源利用效率，还增强了本发明对动态环境的适应能力，确保导航任务顺利完成。

[0024] 对海洋环境数据集进行数据处理指的是：按照预设处理策略对海洋环境数据集中的各项海洋环境数据进行智能分类和融合。以下通过一个具体的举例来说明如何利用预设处理策略完成这些操作：场景假设：任务是基于实时采集的海洋环境数据（如洋流速度、温度、障碍物数据等），为无人艇生成一个优化的导航路径。

[0025] 数据智能分类：分类目的：将不同类型的海洋环境数据分门别类地组织，便于后续融合与分析。示例数据：洋流数据：包括速度、方向、变化趋势。温度数据：包括水面温度和垂直温度梯度。障碍物数据：包括障碍物位置、大小、移动速度。

[0026] 分类策略：基于规则的分类：利用数据的预定义结构（如字段名、数据格式）进行直接分类。例如，将字段中包含“velocity”的数据划归为洋流数据，将“temperature”开头的数据划归为温度数据。

[0027] 基于机器学习的分类：使用分类算法（如决策树、支持向量机）对非结构化数据（如传感器日志）进行分类。示例：通过摄像头采集的影像数据通过目标检测算法（如YOLO或FasterR‑CNN）识别障碍物，提取出障碍物位置、大小等特征。

[0028] 数据智能融合：融合目的：整合多源数据（如不同传感器、不同时间采集的数据），生成更全面且一致的数据集。示例操作：洋流数据融合：将多个传感器在同一时间段采集的洋流速度数据进行加权平均，去除噪声。利用卡尔曼滤波算法，根据历史洋流速度数据预测当前缺失的数据点。

[0029] 温度数据融合：将不同深度传感器采集的温度数据通过插值算法生成垂直温度剖面。使用基于时间序列的融合技术（如ARIMA模型）处理温度的时间变化数据。

[0030] 障碍物数据融合：将无人艇雷达和摄像头的障碍物检测数据进行融合，通过数据关联（如位置和时间的相似性）消除冗余信息。示例：如果雷达检测到某位置有障碍物，而摄像头在同一位置发现同样的物体，可以将两者的尺寸信息加权平均，得到更精确的障碍物尺寸。

[0031] 分类与融合的技术工具的大数据处理工具：Apache Spark：可以对海量实时采集的数据进行分布式分类与融合操作。TensorFlow/PyTorch：用于深度学习算法的实现，如影像分类和目标检测。算法示例：DBSCAN（密度聚类）：对障碍物数据进行空间聚类，标记高密度区域中的障碍物群。卡尔曼滤波：用于处理洋流速度数据的时间序列预测和数据平滑。贝叶斯融合：用于多传感器数据的概率融合，生成障碍物位置和属性的综合信息。

[0032] 综合示例：完整分类与融合流程：分类：从传感器A获取洋流速度和方向数据，标记为“洋流数据”。从传感器B获取温度数据，标记为“温度数据”。从传感器C获取障碍物的激光雷达点云数据，标记为“障碍物数据”。

[0033] 融合：使用卡尔曼滤波对传感器A的洋流速度数据进行平滑处理，得到每个时间窗口内的洋流趋势。利用贝叶斯融合方法，将激光雷达和摄像头的障碍物数据进行位置和属性的联合估计。对多传感器温度数据使用时间序列插值方法，生成温度剖面。

[0034] 输出：整合后的数据集包括精确的洋流趋势、垂直温度剖面，以及障碍物的准确位置和大小，这些数据将直接用于导航路径规划。

[0035] 进行导航路径规划时，选择基于图的路径规划算法、基于优化的路径规划算法，以及基于深度学习的路径规划算法，其中一种规划算法使用。

[0036] 基于图的路径规划算法如A*算法是一种启发式搜索算法，利用代价函数f(n)=g(n)+h(n)进行路径规划，其中：g(n)为从起点到节点n的实际代价。h(n)为节点n到目标点的估算代价（启发式函数）。适合在已知海洋地图的情况下规划最短路径，能够高效搜索具有较低代价的路径。适用场景：已知海域，存在详细地形或障碍物信息，目标为找到最短路径且需要一定的实时性。

[0037] 基于优化的路径规划算法如遗传算法（GA）模仿自然选择的进化过程，通过种群初始化、交叉、变异和选择，寻找最优路径。能在复杂和非线性环境中优化路径，可以加入多目标优化（如路径长度、能耗和安全性）。适用场景：海域复杂，需要综合优化多个目标（如避障、能量效率等），时间允许情况下的离线优化路径。

[0038] 基于深度学习的路径规划算法如深度强化学习算法结合深度学习和强化学习，模型通过环境交互学习最优导航策略。适合动态环境中的连续决策，可处理高维状态空间，适应复杂的海洋环境。常用方法：DDPG（深度确定性策略梯度）：适用于连续动作空间。PPO（近端策略优化）：适用于高动态变化的任务场景。适用场景：海域环境复杂且动态变化明显（如潮汐和洋流实时变化），需在历史数据和实时数据结合下训练导航策略。

[0039] 计算性能指数的获取逻辑为：获取海洋平台计算性能并标记为Pplatform，无人艇计算性能并标记为Pdrone，海洋平台的计算负载占用率并标记为Lplatform，无人艇的计算负载占用率并标记为Ldrone，Pplatform和Pdrone分别表示海洋平台和无人艇的计算性能，例如CPU性能、内存容量等硬件能力，用于衡量每个设备处理数据的计算能力大小，计算性能越高，设备在数据处理中的适配性越强。Lplatform和Ldrone分别表示海洋平台和无人艇当前的计算负载占用率（范围为0～1），用于反映当前设备的工作负载情况，计算负载越高，设备处理新任务的能力越低。

[0040] 代入以下计算公式：； 表示
计算性能指数， 表示动态负载调整因子， 表示资源均衡因子；
资源均衡因子通过以下计算得到： ；资源
均衡因子反映海洋平台和无人艇之间资源分配的均衡程度，平台和无人艇的计算性能差异越大，资源均衡因子越高，表明资源分配不平衡，引入资源均衡性，确保计算性能较弱的设备不会被过度使用。

[0041] 计算性能指数用于量化海洋平台与无人艇的计算能力适配性，为数据处理位置的选择提供依据。计算性能指数直接用于模糊推理，判断数据处理的位置（海洋平台、无人艇或云端）。公式通过动态负载调整因子和平衡因子，综合考虑计算性能和负载分布，使得任务能够均衡分配，避免单个设备超负荷工作。

[0042] 动态负载调整因子 通过以下计算得到：；为防止分母为零而设置的常数。动态负载调
整因子用于调整计算性能在负载动态变化情况下的适应性，若平台负载高于无人艇，动态负载调整因子提高，表明平台计算性能受到较大限制，若无人艇负载高于平台，动态负载调整因子降低，无人艇性能的相对权重下降，可以动态反映不同设备因负载变化对计算能力的影响。

[0043] 任务繁琐指数的获取逻辑为：将整个导航区域划分为多个子区域，获取每个子区域内洋流速度的历史数据和实时数据，对于每个子区域，先计算当前洋流速度与上一个时间窗口的洋流速度值差值的绝对值，然后将该绝对值除以上一个时间窗口的洋流速度值，得到洋流速度的变化幅度值，接着将所有子区域的变化幅度值进行加权平均，得出整个导航区域的环境复杂度系数，加权平均计算时，各子区域的权重系数定义为子区域中心点坐标与无人艇当前坐标的欧几里得距离的平方的倒数；欧几里得距离的平方倒数随着距离减小迅速增大，反映了与无人艇位置更接近的子区域对任务的影响更大，使用平方倒数的形式，权重随距离增加而快速减小，合理地限制了远距离子区域对整体计算的影响，与简单的倒数相比，平方倒数的衰减速度更快，更适合导航任务面临的海洋动态场景。

[0044] 将整个导航区域的障碍物数量除以整个导航区域，得到障碍物复杂度系数；反映了障碍物的密集程度，值越高，说明区域内障碍物越密集，路径规划需要更高的精确性和复杂性。

[0045] 获取无人艇当前坐标与目的地坐标的直线路程长度并标记为LL，整个导航区域内需要经过的途经点数量并标记为TJ，预设的路径规划容忍更新延迟时长值并标记为YC，然后进行计算：； 表示任务容忍度系数，表示任务对路径更新延迟和路径
规划容忍程度的度量，反映任务对于导航路径的长度、复杂性和时间容忍度的要求，值越高说明任务对实时性的要求越高，w1、w2均为预设的比例系数，用于平衡路径长度和途经点数量的影响；
最终将任务容忍度系数 、障碍物复杂度系数、环境复杂度系数一同代入预先训练完成的神经网络模型中，神经网络模型的输出结果为任务繁琐指数。将环境复杂度系数、障碍物复杂度系数和任务容忍度系数一同输入预先训练好的神经网络模型，由模型输出任务繁琐指数，卷积神经网络将多个维度的复杂性综合为单一指标，便于量化评估任务难度，为导航路径规划和通信频率调节提供依据。

[0046] 模糊推理的逻辑为：将计算性能指数和任务繁琐指数均作为输入变量，将进行数据处理的位置作为输出变量，对输入变量模糊化处理，将输入变量的值转换为模糊集合，对输出变量模糊化处理，将输出变量转换为模糊集合，制定模糊规则，描述不同数据种类组合下的数据处理适配程度，将模糊化后的输入变量通过模糊规则进行推理，得到对海洋环境数据集进行数据处理的位置，对海洋环境数据集进行数据处理的位置为海洋平台、无人艇、云端中的其中一个。

[0047] 计算性能指数和任务繁琐指数是用于描述海洋平台与无人艇计算能力及任务复杂度的量化指标。这些指标在实际数值上可能呈现连续变化，因此将其模糊化处理为模糊集合。例如计算性能指数可以划分为“高适配”、“中适配”和“低适配”，任务繁琐指数可以划分为“简单”、“中等复杂”、“复杂”等模糊集合。

[0048] 输出变量模糊化：数据处理的位置（海洋平台、无人艇或云端）作为输出变量，也被模糊化处理为模糊集合。例如“海洋平台适配度高”、“无人艇适配度中”等，表示数据处理在不同位置的适配性。

[0049] 根据不同的计算性能指数和任务繁琐指数组合，制定模糊规则。例如当计算性能指数为“高适配”，任务繁琐指数为“简单”时，优先选择无人艇进行数据处理。当计算性能指数为“中适配”，任务繁琐指数为“复杂”时，优先选择海洋平台。当计算性能指数为“低适配”，任务繁琐指数为“复杂”时，选择云端进行数据处理。

[0050] 模糊推理：模糊化后的输入变量通过模糊规则进行推理，得到不同数据处理位置的适配度。适配度较高的位置被认为是当前数据处理的最优位置。

[0051] 去模糊化：将模糊推理的结果去模糊化，输出一个明确的处理位置（海洋平台、无人艇或云端）。

[0052] 海洋平台、无人艇和云端的计算能力和任务负载不同，选择合适的数据处理位置可以避免资源浪费。例如当无人艇的计算能力充足且任务复杂性较低时，可以直接在无人艇上完成处理，而无需占用云端或海洋平台的资源。

[0053] 数据处理的位置会直接影响处理效率和响应速度。例如复杂任务需要高性能计算时，优先选择云端；而对实时性要求高的任务，选择就近的无人艇进行处理能降低通信延迟。

[0054] 通过动态选择数据处理位置，可以灵活应对环境变化和任务复杂度的调整。例如当海洋平台的负载率较高时，可以将数据处理任务转移到无人艇或云端。

[0055] 海洋平台优势：计算能力强、通信延迟低；适合处理复杂任务，特别是需要整合多种数据源时。适用场景：任务繁琐指数较高且海洋平台负载率较低时，优先选择海洋平台处理数据。

[0056] 无人艇优势：实时性强，与传感器距离近，可减少数据传输时间；适合处理轻量级任务。适用场景：任务繁琐指数较低且无人艇计算负载较小时，优先选择无人艇。

[0057] 云端优势：计算能力几乎无限，适合处理大规模复杂任务。劣势：通信延迟较高，依赖稳定的网络连接。适用场景：当任务复杂性高且海洋平台和无人艇计算能力均不足时，选择云端。

[0058] 基于计算性能指数和任务繁琐指数，对通信路径的通信频率进行优化调节指的是：如果对海洋环境数据集进行数据处理的位置为海洋平台或无人艇，则进行如下调节：
； 为任务繁琐指数， 为基础通
信频率，为预设的调节系数一， 表示海洋平台和无人艇之间的通信链路在调整后的通信频率；
如果对海洋环境数据集进行数据处理的位置为云端，则进行如下调节：
； 为预设的任务质量标准值，为预设
的调节系数二， 表示海洋平台和云端之间的通信链路，以及无人艇和云端之间的通信链路在调整后的通信频率。

[0059] 调节通信频率的核心目的是根据任务需求（任务繁琐指数）和计算性能指数动态调整通信链路的使用效率，以满足任务实时性和复杂性要求，同时避免资源浪费。公式通过以下逻辑实现动态调节：任务越复杂，通信需求越高，需要提高通信频率以保证实时性。如果设备计算性能较强，可以更高效地处理通信数据，适当提高通信频率以支持复杂任务；相反，性能较弱时需适当降低通信频率，避免设备过载。

[0060] 当数据处理位置为海洋平台或无人艇时，通信频率需要根据任务繁琐指数和计算性能指数的相对大小进行动态调整。如果计算性能指数较高（设备计算适配性强）或任务繁琐指数较低（任务简单），频率的调整幅度较小。如果计算性能指数较低或任务繁琐指数较高，频率的调整幅度较大，以确保通信资源能够满足复杂任务的需求。

[0061] 当数据处理位置为云端时，通信频率的调整主要依赖于任务繁琐指数（任务复杂性）和任务质量标准值的比值。任务繁琐指数高：需要提高通信频率以满足任务的复杂性。

[0062] 通过分别调整海洋平台与无人艇，以及与云端之间的通信频率，能够根据数据处理位置的特点进行针对性优化：海洋平台与无人艇：更注重计算性能的适配性和任务繁琐程度，确保在本地处理时资源分配高效。云端：考虑到云端计算能力强大，更多关注任务对通信质量和任务复杂性的需求，确保高质量的远程数据处理，通信频率的调整不仅能满足任务需求，还能通过降低不必要的通信频率，节约带宽资源，减少能耗，优化系统的整体运行效率。

[0063] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

[0064] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0065] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0066] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0067] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。