随着军事、资源、科研等领域的需要,人们对海洋的探索意识愈加强烈,无人水面艇(Unmanned Surface Vehicle,USV)是一种在海面上可以进行自主规划决策航行的水面平台,可以自主决策完成对于人来讲比较枯燥和危险的任务。无论在军用、民用还是科研领域都有着广阔的发展前景。船舶碰撞事故是海上交通事故的主要组成部分,而无人艇的自主避碰是海上安全航行的基础。本文以无人艇的海上航行安全作为所要考虑的首要因素,使用机器学习算法对静态障碍物进行聚类对动态障碍物进行轨迹预测,静态障碍物的聚类使原本数量较多需要进行大量计算来进行避碰的障碍变为数量较少的障碍,动态障碍物的轨迹预测,可得出动态障碍物未来一段时间的航行轨迹,减轻无人艇避碰复杂度,提高避碰的准确度,以安全避碰为中心,研究障碍物的位置与航行轨迹,主要完成了以下工作内容:首先,对无人艇规避障碍的知识建立框架。深入研究无人艇对障碍的的避碰过程与无人艇与动静态障碍物之间的会遇态势,确定了规避障碍的基本流程和避碰阶段,并根据会遇态势的不同将会遇细分为不同的角度。建立无人艇运动学模型,对船舶航行中的各种参数进行计算。建立了无人艇碰撞危险度模型,使无人艇在有碰撞危险时,有具体的参数依据判断何时做出反应。其次,利用机器学习算法对无人艇的静态障碍物进行聚类处理。聚类所选择的机器学习算法为密度峰值算法,使用密度峰值算法对静态障碍进行聚类可以使零散分布的礁石、小型岛屿等小面积的障碍分成一类,看作一个障碍,把障碍密集的区域简单化,减轻避碰难度,使无人艇海上航行更加安全。然后,对无人艇的动态障碍物航行轨迹进行预测。预测所选择的机器学习算法为RBF神经网络。深入研究了RBF神经网络的原理,采用K均值算法确定RBF神经网络的径向基函数参数,深入研究狼群算法原理,并对狼群算法提出改进,利用改进的狼群算法优化径向基神经网络学习过程,确定RBF神经网络权值。对非线性的轨迹进行预测,并对改进后与改进之前狼群算法进行对比,说明了改进的作用。对动态障碍物的航行轨迹预测,可以使无人艇避碰对避碰时机与动作更加准确。最后,对无人艇的动静态障碍物进行避碰。研究了无人艇避碰的时机与具体的行动,确定会遇障碍时应该做出的动作。以障碍物的速度进行区分,建立无人艇避碰几何模型,计算出进行避碰动作和恢复航向时的转向角。算法的整个流程均可由无人艇自主完成,实现了无人艇海上航行的智能化。