Триполец Олег Юрьевич — аспирант
Научный руководитель: Дерябин Виктор Владимирович — доктор технических наук, доцент
198035, Санкт-Петербург, ул. Двинская, 5/7
Tripolets, Oleg Y. — Postgraduate
Supervisor: Deryabin, Viktor V. — Dr. of Technical Sciences, associate professor
5/7 Dvinskaya Str., St. Petersburg, 198035
В статье проанализирована эффективность использования нейронных сетей для решения задачи безопасного расхождения группы автономных судов в море. Выполнено сравнение эффективности двух алгоритмов расхождения групп автономных судов: традиционного (на основе геометрического анализа сближения судов и минимизации функции стоимости для вычисления безопасного манёвра) и алгоритма с нейронной сетью. Оба алгоритма предполагают внешнее управление группой судов в определенной акватории с помощью системы управления движением судов и совместное маневрирование опасно сближающихся судов. Приведено описание этих алгоритмов и даны их упрощенные блок-схемы. Для решения задачи безопасного расхождения группы судов предлагается выполнять последовательный анализ всех возможных пар судов в группе и изменение их курсов. Выполнено описание процесса создания трех тестовых наборов данных, два из которых составлены с помощью программы и включали по 100 сценариев, третий, составленный человеком, и включал по 30 сценариев для разных вариантов сближения групп судов. В ходе тестирования нейросетевого алгоритма были использованы две нейронных сети, обученные прогнозированию безопасных курсов для пар судов. Используемая в алгоритме нейронная сеть, обученная на 743 671 образце, позволила обработать тестовые сценарии сближения судов с точностью, сравнимой с традиционным алгоритмом. В зависимости от количества опасно сближающихся судов в акватории алгоритм с нейронной сетью справился с обработкой тестовых сценариев в 2–14 раз быстрее, чем традиционный. В работе отмечаются ограничения описанных алгоритмов, а также планируемые улучшения для последующих исследований, среди которых оптимизация методики выбора безопасных маневров, а также дообучение нейронной сети на основе более значительных объемов данных.
This article analyzes and compares the effectiveness of two algorithms for collision avoidance in groups of autonomous vessels: one based on geometric analysis of vessel approach and cost function minimization for calculating a safe maneuver (traditional algorithm), and an algorithm utilizing a neural network. Both algorithms assume external control of a group of vessels within a specific area using a vessel traffic management system and coordinated maneuvering of dangerously approaching vessels. Descriptions of these algorithms are provided along with their simplified block diagrams; to solve the task of safely maneuvering a group of vessels, a sequential analysis of all possible vessel pairs in the group and changes in their courses is proposed. The process of creating three test datasets is described, two of which were generated using a program and included 100 scenarios each, while the third was manually composed and included 30 scenarios for different vessel group approach variations. During the testing of the neural network algorithm, two neural networks trained to predict safe courses for vessel pairs were utilized. The neural network used in the algorithm, trained on 743671 samples, allowed the processing of test vessel approach scenarios with an accuracy comparable to the traditional algorithm. Depending on the number of dangerously approaching vessels in the area, the neural network algorithm processed test scenarios 2–14 times faster than the traditional algorithm. The paper highlights the limitations of the described algorithms and outlines planned improvements for subsequent research, including the optimization of the safe maneuver selection methodology and further training of the neural network on larger data volumes.
The authors declare that there are no conflicts of interest present.