500 руб
Журнал «Динамика сложных систем - XXI век» №4 за 2026 г.
Статья в номере:
Экспериментальные исследования элементов системы автономной швартовки маломерных судов
Тип статьи: научная статья
DOI: 10.18127/j19997493-202604-02
УДК: 65.011.56, 629.122
Ключевые слова: Экспериментальное исследование автономная швартовка маломерные суда модель динамики машинное обучение
Авторы:

М.П. Фархадов1, А.В. Абдулов2, Ю.О. Дружинин3, Р.Г. Теплухин4, Я.М. Далингер5, В.В. Якунчиков6

1–4 Институт проблем управления им. В.А. Трапезникова РАН (Москва, Россия)
5,6 Российский университет транспорта, РУТ (МИИТ) (Москва, Россия)
1 mais@ipu.ru, 2 ava@ipu.ru, 3 ydruzhin@ipu.ru, 4 tepluhin@ipu.ru, 5 tdalinger@rut-miit.ru, 6 shneider1969@mail.ru

Аннотация:

Постановка проблемы. В настоящее время активно развивается область автономного судовождения. Для разработки современных маломерных автономных судов требуются высокоточные системы анализа окружающей среды, легковесные алгоритмы обработки информации и принятия решений в режиме реального времени. Одним из этапов следования надводного аппарата является швартовка, требующая в настоящее время повышенной концентрации со стороны членов экипажа. В перспективе ожидается внедрение автономных систем швартовки, позволяющих выполнять операции в порту, для снижения вероятности возникновения чрезвычайных ситуаций по вине человека. Имеющиеся в распоряжении научные публикации по теме исследования не в полной мере отражают особенности применения современных технологий при построении систем автономной швартовки.

Цель. Рассмотреть организацию и проведение экспериментальных исследований гетерогенных морских робототехнических комплексов в интересах поиска новых возможностей обеспечения автономной швартовки беспилотных надводных аппаратов на примере маломерных судов.

Результаты. Проведены исследования представленных в научной литературе подходов к разработке систем автономной швартовки для маломерных судов. Рассмотрены возможности применения алгоритмов и моделей машинного обучения для построения маршрута следования, обнаружения препятствий и идентификации инфраструктуры причала. На основе экспериментальных исследований элементов системы автономной швартовки маломерных судов описаны достоинства и недостатки применяемых решений и их ограничения. Обоснованы предложения по учету новых возможностей и перспектив развития технологий автономной швартовки.

Практическая значимость. Результаты исследования могут быть использованы для обоснованного выбора подходов при разработке модуля выполнения швартовки системы автономного управления маломерными судами.

Страницы: 20-36
Для цитирования

Фархадов М.П., Абдулов А. В., Дружинин Ю.О., Теплухин Р.Г., Далингер Я.М., Якунчиков В.В. Экспериментальные исследования элементов системы автономной швартовки маломерных судов // Динамика сложных систем. 2026. Т. 20. № 4. С. 20−36. DOI: 10.18127/j19997493-202604-02

Список источников
  1. Lv Z., Wang X., Wang G., Xing X., Lv C., Yu F. Unmanned Surface Vessels in Marine Surveil-lance and Management: Advances
    in Communication, Navigation, Control, and Data-Driven Re-search // Journal of Marine Science & Engineering. 2025. V. 13. № 5(969). P. 1–34.
  2. Alexandrov V.A., Farkhadov M.P., Abdulov A.A., Abramenkov A.N., Yakunchikov V.V., Sokolov S.S. Identification of the Translational Dynamics of the Experimental Boat // IFAC-PapersOnLine. 2025. V. 59. № 10. P. 2975–2980.
  3. Гриняк В.М., Иваненко Ю.С., Девятисильный А.С. Визуализация параметров траектории безопасного движения судна // Информационно-измерительные и управляющие системы. 2016. Т. 14. № 8. С. 52–60.
  4. Yan R.J., Pang S., Sun H. B., Pang Y.J. Development and missions of unmanned surface vehicle // Journal of Marine Science and Application. 2010. V. 9. № 4. P. 451–457.
  5. Правила классификации автономных судов автономных судов, освидетельствования технических средств, предназначенных для обеспечения управления автономными судами. Текст: электронный. Российское Классификационное Общество: [сайт]. URL: https://rfclass.ru/uploads/Pravila-klassifikatsii-avtonomnykh-sudov-01.09.2024.pdf (дата обращения: 21.04.2026).
  6. Акт правительства Российской Федерации «Стратегическое направление в области цифровой трансформации транспортной отрасли Российской Федерации до 2030 года» от 19.12.2025 № 3887-р // Официальный интернет-портал правовой информации. 2025.
  7. Chen Z., Bao T., Zhang B., Wu T., Chu X., Zhou Z. Deep reinforcement learning methods for USV control: A review // 2023 China Automation Congress (CAC). IEEE. 2023. P. 1526–1531.
  8. Titov A., Ceccarelli M. Requirements and problems for space berthing system. IFToMM International Symposium on Science of Mechanisms and Machines (SYROM) // Springer International Publishing. 2022. P. 127–135.
  9. Bellingham J.G. Autonomous underwater vehicle docking. Springer Handbook of Ocean Engineering // Springer International Publishing. 2016. P. 387–406.
  10. Системы автоматической швартовки. TAUBER: [сайт]. URL: https://кавотэк.рф/sistemy-avtomaticheskoj-shvartovki/ (дата обращения: 21.04.2026).
  11. AutoMoor: Интеллектуальная революция в области швартовки крупнотоннажных судов. TRELLEBORG MARINE SYSTEMS: [сайт]. URL: https://tlcnovo.ru/app/documents/katalogi/sistema-shvartovki-automoor-trelleborg.pdf (дата обращения: 21.04.2026).
  12. Choi J.H., Jang J.Y., Woo J. A review of autonomous tugboat operations for efficient and safe ship berthing // Journal of Marine Science and Engineering. 2023. V. 11. № 6. P. 1155–1182.
  13. Смоленцев С.В., Брыляков А.В., Сенченко В.Г., Буцанец А.А. Структурный анализ системы обеспечения автономной проводки и швартовки судов через графы состояний // Научно-технический сборник Российского морского регистра судоходства. 2025. № 79. С. 4–13.
  14. Wu G., Zhao X., Sun Y., Wang L. Cooperative maneuvering mathematical modeling for multi-tugs towing a ship in the port environment // Journal of Marine Science and Engineering. 2021. V. 9. № 4(384). P. 1–423.
  15. Wu G., Li D., Ding H., Shi D., Han B. An overview of developments and challenges for unmanned surface vehicle autonomous berthing // Complex & Intelligent Systems. 2024. V. 10. № 1. P. 981–1003.
  16. Lexau S.J.N., Breivik M., Lekkas A.M. Automated docking for marine surface vessels – a survey // IEEE Access. 2023. V. 11. P. 132324–132367.
  17. Cai J., Chen G., Yin J., Ding C., Suo Y., Chen J. A review of autonomous berthing technology for ships // Journal of Marine Science and Engineering. 2024. V. 12. № 7(1137). P. 1–29.
  18. Теплухин Р.Г., Фархадов М.П., Лычков И.И., Санько А.О. Современные методы автономной навигации беспилотных надводных аппаратов // Сб. трудов «Управление большими системами». 2025. Вып. 118. С. 132–207.
  19. Holen M., Ruud E.L.M., Warakagoda N.D., Goodwin M., Engelstad P., Knausgård K.M. Towards using reinforcement learning for autonomous docking of unmanned surface vehicles. International Conference on Engineering Applications of Neural Networks // Springer International Publishing. 2022. P. 461–474.
  20. Pereira M.I., Claro R.M., Leite P.N., Pinto A.M. Advancing autonomous surface vehicles: A 3d perception system for the recognition and assessment of docking-based structures // IEEE Access. 2021. V. 9. P. 53030–53045.
  21. Pereira M.I., Leite P.N., Pinto A.M. Detecting docking-based structures for persistent ASVs using a volumetric neural network // Global Oceans 2020: Singapore–US Gulf Coast. IEEE. 2020. P. 1–6.
  22. Tranos T., Chaysri P., Spatharis C., Blekas K. An advanced deep reinforcement learning framework for docking unmanned surface vessels in variable environmental conditions and amid moving ships // Proceedings of the 13th Hellenic Conference on Artificial Intelligence. 2024. P. 1–10.
  23. Wave Adaptive Modular Vehicle (WAM-V). Текст: электронный. OPT: [сайт]. URL: https://oceanpowertechnologies.com/products/unmanned-surface-vehicles/ (дата обращения: 21.04.2026).
  24. Fujimoto S., Hoof H., Meger D. Addressing function approximation error in actor-critic methods // International conference on machine learning. PMLR. 2018. P. 1587–1596.
  25. Haarnoja T., Zhou A., Abbeel P., Levine S. Soft actor-critic: Off-policy maximum entropy deep reinforcement learning with a stochastic actor // International conference on machine learning. Pmlr. 2018. P. 1861–1870.
  26. Seo J.Y., Choi H., Nam B.W. Auto-Docking for Leisure Boats Using Deep Reinforcement Learning with Action Masking. International Conference on Offshore Mechanics and Arctic Engineering // American Society of Mechanical Engineers. 2025. V. 88926. P. 1–10.
  27. Xu C., Chu Y., Gao Q., Wu Z., Wang J., Yue Y., Dominik W., Zhu X. Autonomous unmanned surface vehicle docking using large language model guide reinforcement learning // Ocean Engineering. 2025. V. 323. P. 1–39.
  28. Volden Ø., Stahl A., Fossen T.I. Vision-based positioning system for auto-docking of unmanned surface vehicles (USVs) // International Journal of Intelligent Robotics and Applications. 2022. V. 6. № 1. P. 86–103.
  29. Wu G., Zhao M., Cong Y., Hu Z., Li G. Algorithm of berthing and maneuvering for catamaran unmanned surface vehicle based on ship maneuverability // Journal of Marine Science and Engineering. 2021. V. 9. № 3(289). P. 1–22.
  30. Chen G., Yin J., Yang S. Ship autonomous berthing simulation based on covariance matrix adaptation evolution strategy // Journal of Marine Science and Engineering. 2023. V. 11. № 7(1400). P. 1–19.
  31. Yoshimura Y. Study on Mathematical Model of Steering Motion in Shallow Water (Part 2): Fluid Forces Acting on Main Hull du­ring Low-speed Steering. J. Kansai Shipbuild // Ocean. Eng. 1988. P. 77–84.
  32. Zhang M., Cai W., Chen H. Automatic docking trajectory design-based time-varying-radius Dubins for unmanned surface vessel // Applied Sciences. 2023. V. 13. No. 3(1583). P. 1–17.
  33. Kockum S. Autonomous docking of an unmanned surface vehicle using model predictive control. Lund University. Sweden. 2022. 63 p.
  34. Fossen T.I. Handbook of marine craft hydrodynamics and motion control. John Wiley & Sons. 2011. 579 p.
  35. Zhou Y., Wu N., Yuan H., Pan F., Shan Z., Wu C. PDE formation and iterative docking control of USVs for the straight-line-shaped mission // Journal of Marine Science and Engineering. 2022. V. 10. № 4(478). P. 1–19.
  36. de Oliveira D. A. Control for Docking of Autonomous Surface Vehicle: дис. Porto. 2025. 79 p.
  37. Volden Ø., Stahl A., Fossen T.I. Development and experimental validation of visual-inertial navigation for auto-docking of unmanned surface vehicles // IEEE Access. 2023. V. 11. P. 45688–45710.
  38. Wang H., Yin Y., Dong L., Lai H. Integrated LiDAR-Based Localization and Navigable Region Detection for Autonomous Berthing of Unmanned Surface Vessels // Journal of Marine Science and Engineering. 2025. V. 13. № 11. P. 2079–3003.
  39. Torr P., Zisserman A. Robust computation and parametrization of multiple view relations // Sixth International Conference on Computer Vision. IEEE. 1998. P. 727–732.
  40. Baek S., Woo J. Model reference adaptive control-based autonomous berthing of an unmanned surface vehicle under environmental disturbance // Machines. 2022. V. 10. № 4. P. 244–263.
  41. Скосырев В.Н., Степанов Р.О., Голов Н.А., Савченко В.П., Усачев В.А. Комплексный подход к информационному обеспечению судовождения в Арктической зоне РФ на основе современных радиолокационных и навигационных технологий // Наукоемкие технологии. 2021. Т. 22. № 3. С. 10–21. DOI: 10.18127/j19998465-202103-02
  42. Куприков О.Д., Соколов В.В., Теплухин Р.Г., Васьковский С.В., Керимов С.С. Исследование перспективных методов частотной модуляции для передачи информации в гидроакустическом канале в условиях нестационарности водной среды // Динамика сложных систем – XXI. 2026. Т. 20. № 4. С. 48–62. DOI: 10.18127/j19997493-202604-04
Дата поступления: 18.05.2026
Одобрена после рецензирования: 28.05.2026
Принята к публикации: 30.07.2026