Kontextsensitive Verhaltensprädiktion von Schiffen

Kurzfassung

Schiffskollisionen sind vergleichsweise selten, aber stets mit verheerenden Auswirkungen auf die Meeresumwelt, die Menschen an Bord und die Maschine verbunden. Zur Prävention solcher Unfälle ist die vorrausschauende Kollisionsvermeidung eine elementare Aufgabe der Brückenbesatzung. Unterstützt wird sie hierbei durch Assistenzsysteme, die das zukünftige Verhalten der anderen Schiffe prädizieren und auf Basis dieser Prädiktion potenziell kritische Schiff-zu-Schiff-Begegnungen detektieren. Allerdings müssen die daraus resultierenden Alarme stets manuell von der Besatzung überprüft werden, weil bei der Verhaltensprädiktion ein linearer Bewegungsvektor genutzt wird. Jegliche verhaltensbeeinflussende Faktoren, wie zum Beispiel das Seewetter oder der Verlauf von Wasserstraßen (hier: Kontext), werden nicht berücksichtigt. Die so entstehenden Fehlalarme müssen manuell identifiziert und korrigiert werden. Insbesondere in küstennahen Gewässern mit einer hohen Verkehrsdichte steigt die Arbeitsbelastung für die Besatzung, was wiederum den Raum für menschliche Fehler größer werden lässt. Als Resultat steigt das Kollisionsrisiko in diesen Gebieten an. Diese Arbeit untersucht somit die Forschungsfrage, inwiefern zukünftiges Schiffsverhalten unter Berücksichtigung der kontextuellen Gegebenheiten in prädiziert werden kann. Hierfür wird in der Arbeit unter Anwendung des ingenieurswissenschaftlichen Vorgehens eine Methode zur kontextsensitiven Verhaltensprädiktion entwickelt. Der Grundgedanke der Methode ist die Kombination von Bewegungsdaten mit Informationen über die aktuellen Gegebenheiten (Kontext) um das Schiff herum. Für die eigentliche Verhaltensprädiktion wird ein Long ShortTerm Memory Neural Network (LSTM) genutzt, das basierend auf einer beobachteten Bewegungssequenz das zukünftige Verhalten in Abhängigkeit des Kontexts vorhersagt. Die Methode wird mit historischen Bewegungsdaten in der Jade, Weser und Elbe evaluiert. Als Referenzwert dient das Vorgehen zur linearen Verhaltensprädiktion. Insgesamt zeigt die Evaluation, dass die kontextsensitive Verhaltensprädiktion geringere Prädiktionsfehler produziert. Die abschließende Diskussion über den Abdeckungsgrad der Anforderungen hebt den wissenschaftlichen Beitrag der kontextsensitiven Verhaltensprädiktion hervor.