随着内河水运业的快速发展,运输船舶日渐增加,船舶航行安全受到越来越多的关注。船舶避碰作为船舶航行安全的核心问题,逐渐成为当前众多学者研究的热点。深度强化学习是一种通过与环境交互学习得到优秀策略的算法,目前在车辆自动驾驶领域研究中取得了突破性的进展。船舶避碰的过程与车辆的自动驾驶具有很高的相似性,部分在车辆驾驶领域的研究成果可以应用到船舶避碰研究中。本文主要采用了基于深度确定性策略梯度(Deep Deterministic Policy Gradient,简称DDPG)的强化学习算法,并结合船舶航行特征,对船舶的智能避碰路径规划开展了研究。本文通过构建“天地图”与船舶自动识别系统融合的狭窄水域船舶领域数学模型,建立了高度真实的船舶避碰仿真环境,开展基于DDPG算法的船舶避碰路径规划研究。为提高游船船舶领域的精确度,本文基于周庄水域实际航道环境,并结合AIS数据和人为观测数据构建了改进的游船船舶领域模型。为搭建基于DDPG算法的船舶避碰路径规划框架,本文设计了 DDPG算法的状态、动作、奖励值以及神经网络结构;通过在训练中模拟船舶的各种会遇场景,实现了船舶在不同会遇场景下的避碰路径规划;针对DDPG算法探索效率和样本利用效率不足的问题,本文提出了失败区域重点学习的改进策略。该策略通过在失败区域的反复探索学习,增加经验池中该区域数据的多样性,提高算法的学习效率和学习速度。仿真实验表明,基于失败区域重点学习的改进DDPG算法在学习速率和学习效果上都优于原始DDPG算法。本文将船舶避碰路径规划模型应用于周庄旅游水上航线,实现对游船路径的智能规划,降低了游船与货船共线航行时的碰撞风险,进一步提高了游船航行时的安全,切实保障游客的生命财产安全。