CN110162048A - 一种船舶间运动补偿方法及系统 - Google Patents

Abstract

本发明涉及一种船舶间运动补偿方法及系统，系统包括：补给船、被补给船、Stewart平台、智能装卸设备、位姿传感器、第一测量设备和主控装置。本发明采用传感器融合算法和卷积神经网络算法，结合安装在补给船上的位姿传感器和非接触性测量设备，实现补给船与任意被补给船的相对运动跟踪；在补给船上安装Stewart平台，实现对补给船运动补偿，使安装在Stewart上平台的工业机器人基座位置相对稳定；结合被补给船运动和悬挂载荷的运动，使用运动学求解，控制六自由度智能装卸设备对被补给船进行运动补偿，使转运负载与被补给船运动随动。本发明补偿精度高，安装容易，操作灵活，适用于较高海况和较高要求的海上作业。

Description

一种船舶间运动补偿方法及系统

技术领域

本发明涉及波浪补偿技术领域，尤其涉及一种船舶间运动补偿方法及系统。

背景技术

舰船在海浪作用下会产生横荡、纵荡、升沉、横摇、纵摇和艏摇六自由度的运动，对海上补给作业的安全和精度具有严重影响。随着海洋开发和海军建设的发展，海上补给任务越来越复杂，波浪补偿技术的要求也越来越高。现有的对于六自由度补偿平台研究大多停留在理论研究阶段。为保证海上补给安全、高效的进行，需要通过六自由度波浪补偿技术来实现转运货物姿态和运动不受舰船相对运动和摆动的影响。

现有波浪补偿系统大多只具备升沉运动或横摇、纵摇和升沉运动补偿的功能，不具备六自由度相对运动补偿和摆动抑制功能。少量投入使用的六自由度补偿平台补偿精度较差，应用性差。在恶劣天气下不能进行安全精确地载荷转运，需要等待更好地天气状况来执行补给作业，适用性差，成本较高。且现有船舶间运动补给需要在特定船舶间进行补给，不能实现补给船对任意船舶的补给。

发明内容

为了解决上述问题，本发明提出了一种船舶间运动补偿方法及系统，使船舶间实现更高效安全地补给作业。

具体方案如下：

一种船舶间运动补偿系统，包括：补给船、被补给船、Stewart平台、智能装卸设备、位姿传感器、第一测量设备和主控装置；

所述Stewart平台和位姿传感器固定设置于补给船上；

所述第一测量设备相对于补给船固定设置，用于测量被补给船的位姿信息；

所述智能装卸设备包括固定端和相对于固定端运动的运动端，所述固定端固定设置于Stewart平台的上端，所述运动端根据接受自主控装置的控制信号进行相应的运动；

所述主控装置分别电性连接于Stewart平台、位姿传感器、第一测量设备和智能装卸设备，位姿传感器、第一测量设备分别将测量到的信号发送至主控装置，主控装置根据计算结果控制Stewart平台和智能装卸设备进行相应运动。

进一步的，还包括卷扬机构、悬挂载荷和第二测量设备；所述第二测量设备固定设置于智能装卸设备的运动端,用于测量悬挂载荷的位姿信息；所述悬挂载荷通过卷扬机构连接于智能装卸设备的运动端；所述主控装置还电性连接于第二测量设备和卷扬机构，第二测量设备将测量到的信号发送至主控装置，主控装置根据计算结果控制卷扬机构进行相应运动。

进一步的，所述第一测量设备包括激光雷达和双目视觉。

进一步的，所述第一测量设备固定设置于Stewart平台上部且靠近被补给船的一侧。

进一步的，所述第二测量设备包括双目视觉。

一种船舶间运动补偿方法，基于本发明实施例所述的系统，包括：

步骤1：位姿传感器检测补给船的六自由度运动信息并将其发送至主控装置；

步骤2：主控装置接收到补给船的六自由度运动信息后，进行运动学分析计算Stewart平台中各驱动单元的伸缩量，并控制各驱动单元进行运动，使得Stewart平台的上平台保持恒定；

步骤3：第一测量设备检测被补给船的运动位姿信息并将其发送至主控装置；

步骤4：主控装置根据被补给船的运动位姿信息，计算智能装卸设备运动量，进而控制智能装卸设备运动，使智能装卸设备的运动端的末端与被补给船进行运动随动，实现两船间相对运动补偿。

一种船舶间运动补偿方法，基于本发明实施例所述的系统，包括：

步骤1：位姿传感器检测补给船的六自由度运动信息并将其发送至主控装置；

步骤2：主控装置接收到补给船的六自由度运动信息后，进行运动学分析计算Stewart平台中各驱动单元的伸缩量，并控制各驱动单元进行运动，使得Stewart平台的上平台保持恒定；

步骤3：第一测量设备检测被补给船的运动位姿信息并将其发送至主控装置；

步骤4：第二测量设备检测悬挂载荷的实时位姿信息并将其发送至主控装置；

步骤5：主控装置根据被补给船的运动位姿信息和悬挂载荷的实时位姿信息，计算智能装卸设备和卷扬机构的运动量，进而控制智能装卸设备和卷扬机运动，使智能装卸设备的运动端和悬挂载荷与被补给船实现运动随动。

进一步的，第一测量设备检测的运动位姿信息为激光雷达点云、立体视差和彩色图像。

进一步的，步骤4的具体计算过程为：

主控装置根据被补给船的运动位姿信息进行传感器融合算法融合后，得到被补给船的非接触性运动位姿测量；使用深度卷积神经网络和长短时神经网络结合的算法对被补给船的运动位姿进行短时预测，得到被补给船的短时预测运动位姿；再根据被补给船的短时预测运动位姿对智能装卸设备进行运动学计算，得到智能装卸设备运动量。

进一步的，所述运动学计算为首先进行运动学反解得到运动关节的多解后，进行运动学正解进行验证，得到的运动关节的最优解为智能装卸设备运动量。

本发明采用如上技术方案，并具有以下有益效果：

(1)采用传感器融合算法和卷积神经网络算法，结合安装在补给船上的位姿传感器和非接触性测量系统，实现补给船与任意被补给船的相对运动跟踪；

(2)在补给船上安装Stewart平台，实现对补给船运动补偿，使安装在Stewart上平台的智能装卸设备的基座位置相对稳定；

(3)结合被补给船运动和悬载的运动，使用运动学求解，控制六自由度智能装卸设备对被补给船进行运动补偿，使转运负载与被补给船运动随动；

(4)补偿精度高，安装容易，操作灵活，适用于较高海况和较高要求的海上作业。

附图说明

图1所示为本发明实施例一的系统示意图。

图2所示为该实施例的方法流程示意图。

图3所示为该实施例中Stewart平台的示意图。

图4所示为该实施例中智能装卸设备的结构示意图。

图5所示为该实施例中智能装卸设备的关节点投影旋转的示意图。

图6所示为该实施例中智能装卸设备的平面双连杆肘部结构示意图。

图7所示为该实施例中悬挂载荷基于欧拉角的3D运动模型。

图8所示为该实施例中被补给船实时运动位姿测量算法结构示意图。

图9所示为该实施例中被补给船短时运动位姿预测算法结构示意图。

图10所示为该实施例中悬挂载荷实时位姿测量算法结构示意图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

如图1所示，本发明实施例一提供了一种船舶间运动补偿系统，包括补给船、被补给船、Stewart平台(SPs)、智能装卸设备、卷扬机构、悬挂载荷、位姿传感器、第一测量设备、第二测量设备和主控计算机。

所述补给船和被补给船大致并列停靠。

所述Stewart平台和位姿传感器固定设置于补给船上。该实施例中，所述位姿传感器为惯性测量单元(IMU)，在其他实施例中也可以为其他常用设备，如陀螺仪、加速度计、运动参考单元(MRU)等一种或多种传感器融合的传感器，在此不做限制。

所述第一测量设备固定设置于Stewart平台上。该实施例中，所述第一测量设备优选的包括激光雷达和双目视觉。激光雷达可以提供精确的深度信息，但其点云密度过于稀疏，仅提供不到总数6％的图像点，无法覆盖场景中所有显著物体，且无法获得颜色信息，对理解和感知3D场景非常不利。双目视觉可以提供稠密的深度信息，但其计算复杂且准确度较低。因此使用激光雷达和双目视觉信息进行融合的深度学习方法，对非接触性检测方法进行优点互补，实现对被补给船的运动位姿的精确实时检测。

所述智能装卸设备包括固定端和运动端，所述固定端固定设置于Stewart平台的上端，所述运动端根据接受自主控计算机的控制信号进行相应的运动。该实施例中，所述智能装卸设备为六自由度的，其六自由度的机械臂为运动端。

所述第二测量设备固定设置于所述智能装卸设备的运动端。该实施例中，所述第二测量设备包括双目视觉。

需要说明的是，所述第一测量设备和第二测量设备均可以是引用其他的独立于两船外的非接触性测量设备来代替，如视觉传感器、3D传感器、超声波传感器、激光传感器等。

所述悬挂载荷通过卷扬机构连接于所述智能装卸设备的运动端。该实施例中，所述卷扬机构包括卷扬机和吊绳。

所述主控计算机涉及实时运动控制和大量数据处理和计算，需要使用高性能计算机。

所述主控装置分别电性连接于Stewart平台、位姿传感器、第一测量设备、第二测量设备、卷扬机构和智能装卸设备，位姿传感器、第一测量设备、第二测量设备分别将测量到的信号发送至主控装置，主控装置根据计算结果控制Stewart平台、卷扬机构和智能装卸设备进行相应运动。

参考图2，该系统可以根据用户的需求实现两种功能：

功能一：实现两船间相对运动补偿

当实现该功能时，系统中的卷扬机构、悬挂载荷和第二测量设备则不需要被使用，其实现的运动补偿方法为：

步骤一：位姿传感器获得补给船的六自由度运动信息并将其传递给主控计算机。

使用安装在补给船上的位姿传感器可以实时检测补给船甲板的运动，获得补给船实时的六自由度运动位姿。

步骤二：主控计算机接收到补给船的六自由度运动信息后，进行运动学分析计算得Stewart平台中各驱动单元的伸缩量，并控制各驱动单元实时运动，使得Stewart平台的上平台保持恒定，实现补给船的运动补偿。

所述Stewart平台为并联机器人，其逆解唯一，因此由运动学逆解法可获得各电缸唯一运动解。

所述运动学分析的具体过程为：计算每个驱动单元(该实施例中为电缸)的具体控制目标和平台姿态的位置、速度和加速度之间的对应关系，并根据补给船的六自由度运动信息和期望位姿(保持恒定)，经过运动学反解，获得各驱动单元的控制参数。使用PID控制器实时控制各电缸运动，对补给船运动进行补偿，使stewart平台的上平台保持恒定，实现补给船的运动补偿。

如图3所示，为Stewart平台的结构简图，坐标系W是保持恒定平面的坐标系，坐标系P是在动平面的参考坐标系，该平台坐标系的坐标为原点为p₀(x,y,z)^T。a_i(x,y,z)和b_i(x,y,z)分别为两平台六个绞点相对于W坐标系下的坐标点。

坐标系W相对于坐标系P的位置和方向的六个变量集q＝(x,y,z,φ,θ,ψ)^T，(φ,θ,ψ)是采用ZXZ欧拉角表示姿态的一组欧拉角。可通过查表得到两坐标系的旋转变换矩阵^WR_P。

可得：a_i＝x+^WR_P ^Pa_i。

其中^Pa_i＝(x_ai,y_ai,z_ai)^T为动平台绞点a_i是相对于坐标系P的坐标向量，x是初始状态下动平台坐标系相对于W坐标系的坐标值。则关节空间坐标向量l定义为l＝(l₁,l₂,l₃,l₄,l₅,l₆)^T，其中，L_i为杆长矢量，l_i为i＝1到6平台六个编号电动缸杆的长度，位置逆解通过上下平台铰点坐标矢量相减求模即可得到六个缸的伸长量：

L_i＝a_i-b_i

将动平台相对于坐标系W的角速度ω＝(ω_x,ω_y,ω_z)^T和角加速度α＝(α_x,α_y,α_z)^T表示为欧拉角和雅可比矩阵的一阶和二阶导数的函数，求解各电动缸杆的逆运动学速度和加速度。

步骤三：第一测量设备获得被补给船的运动位姿信息，并将该运动位姿信息发送至主控计算机。

为了能够对各种船只进行补给，需要研究非接触性测量来检测被补给船的运动位姿。该实施例中采用激光雷达加双目视觉的非接触性测量方式来检测被补给船的运动，使用激光雷达获得3D激光雷达点云，使用双目视觉获得立体视差和彩色图像。

步骤四：主控计算机根据被补给船的运动位姿信息，计算智能装卸设备运动量，进而控制智能装卸设备运动，使智能装卸设备的运动端的末端与被补给船进行运动随动，实现两船间相对运动补偿。

具体为：主控装置根据被补给船的运动位姿信息进行神经网络融合算法，得到被补给船的非接触性运动位姿测量；使用深度卷积神经网络和长短时神经网络结合的算法对被补给船的运动位姿进行短时预测，得到被补给船的短时预测运动位姿；再根据被补给船的短时预测运动位姿对智能装卸设备进行运动学计算，得到智能装卸设备运动量。所述运动学计算为首先进行运动学反解得到运动关节的多解后，进行运动学正解进行验证，得到的运动关节的最优解为智能装卸设备运动量。

该实施例中，根据双目相机生成的立体图像，使用立体匹配算法(例如SGM、MC-CNN)生成密集视差图；根据激光雷达生成的3D激光雷达点云，从稀疏的激光雷达点云获得LIDAR稀疏深度图。采用YOLO算法分别对两个视差图和双目相机左侧彩色图像进行被补给船检测，进行激光雷达-立体视觉传感器融合，经过深度卷积网络进行特征提取和非极大值抑制算法(NMS),输出被补给船实时运动位姿。其神经网络结构如图8所示。

该实施例中采用基于深度卷积长短时神经网络进行被补给船运动短时位姿预测。

在深度卷积CNN和长短期记忆网络(LSTM)结合的算法中，CNN适合提取数据的空间特征，降低数据维度；而多层长短期记忆网络适合获取数据的时间特征，具有长期记忆功能，适合处理时间序列；利用深度卷积和多层长短期记忆网络提高模型的预测能力。

某一时刻t被补给船运动姿态为t(x,y,z,α,β,γ)^T,t为间隔T的某一具体时刻，t+n为t时刻往后n个T间隔的时刻，取(t，…,t+n)时刻的被补给船运动姿态为一组被补给船运动时间序列。T值应小于0.5s，n应大于10。以被补给船运动姿态时间序列作为网络的输入，使用滑动窗口的方式依次将输入的时间序列数据生成特征图，输入的特征图也按时间序列排列，预测频率应低于0.5s。深度卷积CNN设计有5层卷积层，每层包括卷积和池化，最后进行扁平化操作(Flatten)将数据压缩成一维向量数组。多层长短期记忆网络设计有2层，最后通过全连接层输出指定格式的向量，即下一时刻的被补给船运动姿态。其神经网络结构模型如图9所示。

功能二：除功能一外，还包括实现被补给船的货物防摇功能

为实现该功能，需要使用到该系统中的所有装置，其实施步骤中前三步骤与功能一的前三步骤相同，从第四步骤开始有差异，即：

步骤四：第二测量设备获得悬挂载荷的实时位姿信息，并传递至主控计算机。

该实施例中，使用双目视觉获得悬挂载荷的实时位姿信息。

步骤五：主控装置根据被补给船的运动位姿信息和悬挂载荷的实时位姿信息，利用运动学逆解法计算智能装卸设备和卷扬机构的运动量，进而控制智能装卸设备和卷扬机运动，使智能装卸设备的运动端和悬挂载荷与被补给船实现运动随动，实现两船间相对运动补偿及悬挂载荷的摆动抑制，即实现被补给船的货物防摇功能。

在该步骤中，根据双目相机生成的立体图像，使用立体匹配算法(例如SGM、MC-CNN)生成密集视差图。采用YOLO算法分别对视差图和双目相机左侧彩色图像进行悬挂载荷检测，经过深度卷积网络进行特征提取和非极大值抑制算法(NMS),输出悬挂载荷实时位姿。其神经网络结构如图10所示。

主控计算机结合被补给船的短时预测运动位姿，计算得到智能装卸设备和悬挂载荷的期望位姿，进行智能装卸设备和悬挂载荷的运动学反解，然后进行运动学正解验证，得到最优运动解，利用PID控制器控制智能装卸设备的关节转动和卷扬机构的线绳收放，使智能装卸设备末端与被补给船实现运动随动，实现两船相对运动补偿，且使悬挂载荷摆动快速衰减，实现悬载摆动抑制。

由于智能装卸设备是串联机器人，其运动学反解有多解，正解有唯一解。因此，对运动学反解得到的运动关节的多解后进行运动学正解验证，可以得到最优关节运动解。

下面对智能装卸设备运动学分析过程进行说明：

采用六自由度智能装卸设备，其原理与六自由度机械臂相似，完全满足海上装卸设备精度和自由度要求。可以将智能装卸设备的后三个关节锁定，从而移除三个自由度，使得设备与海上起重机更加相似。对三自由度串联机构进行运动学分析，对于装卸设备末端期望位姿，采用逆运动学空间几何法进行求解，采用D-H参数法进行正运动学验证，使智能装卸设备实时准确快速地补偿两船间相对运动。

A)正向运动学

正向运动学是根据各关节角度确定末端执行器的位姿。对于工业机器人，需要找到一组方程，这些方程可以使用关节的角位置，速度和加速度作为输入来描述关节点的位置，速度和加速度。通常使用Denavit-Hartenberg(DH)法来用于串联机器人的正向运动学分析，其是用基于关节角度描述关节点位姿的常用方法。

参考图4，在各关节设定局部右手坐标系来构造DH参数表，其中z轴与关节的旋转轴对齐。然后可以通过用四个基本变换的乘积表示每个齐次变换矩阵Ai来构造参数表：

A_i＝R_z(θ_i)T_z(d_i)T_x(a_i)R_x(α_i)

式中，θ_i是关节i的旋转角度，d_i，a_i，α_i分别是连杆偏距，连杆长度和连杆转角。c和s分别是cos和sin表达式的缩写。这4个D-H参数是通过两个选定的坐标系(通常是放置在关节角上)之间关系决定的，由此组成了D-H参数表，用L＝d4+d6+dt代替前臂长度，得到机器人关节点相对于全局坐标系的变换矩阵为：

变换矩阵包含机器人关节点相对于全局坐标系的方向信息，其前三行前三列元素构成旋转矩阵

变换矩阵最后一列的前三个元素描述了机器人关节点是相对于全局坐标系的位置，即得到了关节点位置的正向运动学方程。

对正运动学公式求导可得用雅可比矩阵和关节角速度表示的关节点位置的速度分量。引入雅可比矩阵的导数，可以得到关节点位置的加速度，从而通过正运动学求解得到关节点的位置、速度和加速度信息。

B)逆向运动学

逆向运动学即给定期望的机器人关节点位置对关节角度进行推导。使用几何解耦法来推导逆运动学。三自由度机械臂各关节坐标系以及空间点投影关系如图5所示，其中将关节点坐标Z_t投影到全局坐标系(x₀，y₀，z₀)的XY平面。

根据投影关系，机器人底座相对于全局坐标系(x₀，y₀，z₀)的旋转角为θ₁，其大小可以表示为：

θ₁＝-a tan2(y_t，x_t)

根据工业机器人的结构可知，由于其前臂相对于肘关节有一个偏距，且考虑到工业机器人多以肘部以上模式工作，故该实施例中以肘部以上模式为例进行分析，其具体结构如图6所示，可得定长

工具坐标点向量相对于肩关节坐标系(x₂，y₂，z₂)的分量表示为(x_t′，y_t′)：

可得：

由余弦定理可知，在三角形BCa₂中：C²＝a₂ ²+B²-2a₂B cos(π-α)

又因为：cos²α+sin²α＝1

解得：α＝atan2(sinα，cosα)

从而可推导出θ_A和θ_B的角度：

θ_A＝atan2(y_t′，x_t′)

θ_B＝atan2(B sinα，a₂+B cosα)

进而可得关节2的角度：

同理，可根据几何关系推导求解关节角θ₃。

3悬挂载荷3D建模分析：

悬挂载荷通过卷扬机构的线绳连接到智能装卸设备末端。使用以下假设来构造悬挂载荷的三维运动模型。基于此模型进行悬浮载荷基于位置、速度、加速度等的运动学分析与推导。

·有效载荷被假定为具有已知重量的质点。

·假设线是无质量的刚性杆。

·线的偏转和伸长被忽略。

·忽略线绳和关节点之间的摩擦。

图7显示了悬挂载荷基于欧拉角的3D运动模型。具有质量m的悬挂载荷p₁通过线绳L连接到智能装卸设备末端P0。在运动时，悬挂载荷将启动围绕x轴的旋转角度并在轴旋转角度和是由第一个旋转角度创建的新坐标系。

基于图7所示的3D运动模型来表达悬挂载荷的位置p₁和速度

通过推导悬挂载荷的动能，使用拉格朗日算符制定悬挂载荷动态运动方程。通过欧拉角和来表示和控制悬挂载荷的位姿。

本实施例的有益效果：

1)目前投入使用的船舶间运动补偿系统多为升沉补偿系统且自动化程度、精度不高，在较高作业要求和较高海况下，不能进行船舶间补给作业。本实施例使用Stewart平台对补给船进行运动补偿，使用六自由度智能装卸设备对被补给船进行运动补偿，实现较高作业要求和较高海况下的船舶间作业。

2)现有船舶间补给作业只适用于特定船只，本专利使用非接触性测量方法获得被补给船的运动位姿，实现任意被补给船的运动检测。

3)使用双目视觉与激光雷达传感器融合与神经网络算法获得被补给船的实时运动位姿，通过深度卷积和长短时结合的神经网络算法对被补给船运动姿态进行短时预测，实现高效实时的被补给船运动姿态非接触性检测。

4)使用双目视觉和卷积神经网络算法获得悬挂载荷的实时位姿，使悬挂载荷的摆动检测更加快速精确，对悬挂载荷的摆动抑制研究有重要意义。

5)本实施例还适用于在船舶间运动补偿系统中开发防撞急停等安全功能。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种船舶间运动补偿系统，其特征在于，包括：补给船、被补给船、Stewart平台、智能装卸设备、位姿传感器、第一测量设备和主控装置；

所述Stewart平台和位姿传感器固定设置于补给船上；

所述第一测量设备相对于补给船固定设置，用于测量被补给船的位姿信息；

所述智能装卸设备包括固定端和相对于固定端运动的运动端，所述固定端固定设置于Stewart平台的上端，所述运动端根据接受自主控装置的控制信号进行相应的运动；

所述主控装置分别电性连接于Stewart平台、位姿传感器、第一测量设备和智能装卸设备，位姿传感器、第一测量设备分别将测量到的信号发送至主控装置，主控装置根据计算结果控制Stewart平台和智能装卸设备进行相应运动。

2.根据权利要求1所述的系统，其特征在于：还包括卷扬机构、悬挂载荷和第二测量设备；所述第二测量设备固定设置于智能装卸设备的运动端,用于测量悬挂载荷的位姿信息；所述悬挂载荷通过卷扬机构连接于智能装卸设备的运动端；所述主控装置还电性连接于第二测量设备和卷扬机构，第二测量设备将测量到的信号发送至主控装置，主控装置根据计算结果控制卷扬机构进行相应运动。

3.根据权利要求1所述的系统，其特征在于：所述第一测量设备包括激光雷达和双目视觉。

4.根据权利要求1所述的系统，其特征在于：所述第一测量设备固定设置于Stewart平台上部且靠近被补给船的一侧。

5.根据权利要求2所述的系统，其特征在于：所述第二测量设备包括双目视觉。

6.一种船舶间运动补偿方法，其特征在于：基于权利要求1～5中任一所述的系统，包括：

步骤1：位姿传感器检测补给船的六自由度运动信息并将其发送至主控装置；

步骤2：主控装置接收到补给船的六自由度运动信息后，进行运动学分析计算Stewart平台中各驱动单元的伸缩量，并控制各驱动单元进行运动，使得Stewart平台的上平台保持恒定；

步骤3：第一测量设备检测被补给船的运动位姿信息并将其发送至主控装置；

步骤4：主控装置根据被补给船的运动位姿信息，计算智能装卸设备运动量，进而控制智能装卸设备运动，使智能装卸设备的运动端的末端与被补给船进行运动随动，实现两船间相对运动补偿。

7.根据权利要求6所述的方法，其特征在于：步骤4的具体计算过程为：

主控装置根据被补给船的运动位姿信息进行传感器融合算法融合后，得到被补给船的非接触性运动位姿测量；使用深度卷积神经网络和长短时神经网络结合的算法对被补给船的运动位姿进行短时预测，得到被补给船的短时预测运动位姿；再根据被补给船的短时预测运动位姿对智能装卸设备进行运动学计算，得到智能装卸设备运动量。

8.根据权利要求7所述的方法，其特征在于：所述运动学计算为首先进行运动学反解得到运动关节的多解后，进行运动学正解进行验证，得到的运动关节的最优解为智能装卸设备运动量。

9.一种船舶间运动补偿方法，其特征在于：基于权利要求2或5中所述的系统，包括：

步骤1：位姿传感器检测补给船的六自由度运动信息并将其发送至主控装置；

步骤2：主控装置接收到补给船的六自由度运动信息后，进行运动学分析计算Stewart平台中各驱动单元的伸缩量，并控制各驱动单元进行运动，使得Stewart平台的上平台保持恒定；

步骤3：第一测量设备检测被补给船的运动位姿信息并将其发送至主控装置；

步骤4：第二测量设备检测悬挂载荷的实时位姿信息并将其发送至主控装置；

步骤5：主控装置根据被补给船的运动位姿信息和悬挂载荷的实时位姿信息，计算智能装卸设备和卷扬机构的运动量，进而控制智能装卸设备和卷扬机运动，使智能装卸设备的运动端和悬挂载荷与被补给船实现运动随动。

10.根据权利要求6或9所述的方法，其特征在于：第一测量设备检测的运动位姿信息为激光雷达点云、立体视差和彩色图像。