Применение искусственного интеллекта в судовождении для расхождения судов

Введение
1. Общие принципы безопасного расхождения судов
2. Автоматизация процессов управления судном и задача расхождения судов
3. Задача идентификации надводных объектов и определения их характеристик с использованием нейронных сетей
4. Синтез безопасных траекторий расхождения судов с использованием методов искусственного интеллекта
Заключение
Список использованной литературы

Применение искусственного интеллекта в судовождении для расхождения судов

Рассмотрим систему идентификации образов, подготавливаемую в настоящее время к внедрению к внедрению для судов химовозов проекта 95132, запланированных к постройке в АО "Балтийский завод". Разработка системы является совместным продуктом НПО «Аврора» и немецкой компании "Шнейдер Электрик". Она на уровне, соответствующем современным мировым требованиям13.
Формализация задачи идентификации и классификации морских объектов в анализируемой акватории будет выглядеть следующим образом.
Идентифицируемый объект характеризуется параметрами p1..pn. Объекты классифицированы M классами объектов, C1..Cm.
Вектор p характеризует наблюдаемый объект: . На основании вектора p необходимо решить, к какому классу отнести объект, т.е. выбрать ci, к которому принадлежит объект, характеризуемый набором параметров p.
Решение задачи можно представить в виде вектора: , где выполняются условия:
Здесь cm – вероятность, с которой объект относится к классу cm. Если рассматривать cm как вероятности, то должны выполняться условия (1). К примеру, c1=0,9, c2=0,1 означает, что объект с данным набором параметров pс вероятностью 0,9 относится к классу c1 и с вероятностью 0,1 – к классу c2.
Для решения задачи идентификации берутся характеристики ЭДЦ и электронной картографической системы, которые также должны использоваться в программном комплексе на этапе 1 решения задачи безопасного расхождения судов. Параметры, характеризующие морские подвижные объекты, представлены в табл. 114.
Таблица 1.
В качестве характеристик ЭДЦ используются: курс – k, скорость – v, дистанцию обнаружения – d, параметры эхо-сигнала: относительные длина – l и ширина эхосигнала – m (табл. 1).
В качестве расчетных величин дополнительно берутся ускорение – a и угловая скорость – ω, которые рассчитываются как наибольшие изменения скорости и курса за промежуток времени от начала наблюдения и до момента расчета параметра.
Также полезными данными для решения задачи идентификации являются глубина – h в районе обнаружения и дальность до ближайшего берега – b, которые могут быть сняты с электронной карты.
Идентификацию морских объектов в некоторых передовых системах судовождения в настоящее время можно выполнять посредством программного комплекса на базе обученной нейронной сети, где каждый наблюдаемый объект будет характеризоваться вектором параметров, приведенных в табл. 1:

Таблица 215.
Все надводные морские объекты были разбиты на крупные классы, каждый из которых включает большой набор объектов. Деление морских надводных объектов на классы выполнено с учетом поведения, размеров и характера движения объектов. Крупнотоннажные суда с большой скоростью, такие как сухогрузы, танкера, химовозы, газовозы и др., объединены в класс – «грузовые суда». Средние суда с большой скоростью объединены в класс «контейнерные суда», а суда для ловли рыбы – в «рыболовные суда». В табл. 2 приведены характеристики объектов всех классов с описанием входящего в них набора объектов.
Для обучения нейронной сети, решающей задачу идентификации объектов, необходимо собрать и подготовить входные наборы данных для каждого класса. Каждый обучающий набор представляет собой многочисленные наблюдения, для которых указаны значения входных переменных и выходных функций. Размерность набора, как описано в работе, должна быть правильно подобрана. Известен ряд эвристических правил, увязывающих число необходимых наблюдений с размерами сети (простейшее из них гласит, что число наблюдений должно быть в десять раз больше числа связей в сети).
Для большинства реальных задач бывает достаточным несколько сотен наблюдений.
В процессе обучения сеть строит отображение P→C. Целиком извлечь это отображение сеть не позволяет, но можно получить произвольное количество пар (p→c), связанных отображением. Для произвольного вектора p на входе мы можем получить вероятности принадлежности к классам на выходе. При успешном обучении нейронной сети на выходе получается идентификация сети в виде вероятности от 0 до 1, и второе условие (2) выполняется лишь приблизительно:

Неточность – следствие аналоговости нейронных сетей. Большинство результатов, даваемых нейронными сетями, неточно. Кроме того, при обучении сети указанные условия, накладываемые на вероятности, не вводятся в сеть непосредственно, а неявно содержатся во множестве данных, на которых обучается сеть. Это вторая причина некорректности результата.
В качестве наиболее подходящей архитектуры нейронных сетей в опытных образцах системы используются вероятностные нейронные сети (PNN – Probabilistic Neural Networks), основанные на радиально-базисных функциях (RBF – Radial Basis Functions).
Рис. 3. Архитектура вероятностной нейронной сети16
Использование вероятностной нейронной сети позволяет интерпретировать уровни выходного сигнала, считая их вероятностями. При этом сеть сообщает, насколько можно доверять ее решению.
Количество радиальных элементов определяется векторами обучающего множества (по 300 на каждый класс: итого 2700 образцов), причем каждый вектор входа ставится в соответствии одному из классов.
Радиальный элемент сети PNN задается своим центром и «радиусом». Положение точки в N-мерном пространстве определяется N числовыми параметрами и их ровно столько же, сколько весов у линейного элемента. Поэтому координаты центра радиального элемента принимаются как «веса», а его радиус (отклонение) принимается как «порог». Фактически, «веса» и «пороги» радиального элемента принципиально отличаются от весов и порогов линейного элемента. Радиальные веса на самом деле представляют точку, а радиальный порог – отклонение. Вероятностная нейронная сеть типа радиальной базисной функции (RBF) имеет промежуточный слой из радиальных элементов (рис. 4), каждый из которых воспроизводит гауссову поверхность отклика. Поскольку эти функции нелинейные, то нет необходимости брать более одного промежуточного слоя.
Рис. 4. Структурная схема сети17
I1 – I10 – входы нейронной сети;
IW{1,1} – веса со входа на слой 1;
B{1} – пороговые уровни слоя 1;
LW{2,1}– веса со слоя 1 на слой 2;
B{2} – пороговые уровни слоя 2;
┌┘ – функция активации
При моделировании для получения адекватного выхода нейронной сети необходимо взять линейную комбинацию скрытых радиальных элементов (т.е. взвешенную сумму гауссовых функций) и их достаточное количество.
Сеть RBF также имеет выходной слой, состоящий из элементов с линейными функциями активации.
Основной алгоритм обучения сети использует двушаговую стратегию обучения, или смешанное обучение. Алгоритм обучения оценивает позицию и ширину ядра с использованием алгоритма кластеризации «без учителя», а затем алгоритм минимизации среднеквадратической ошибки «с учителем» для определения весов связей между скрытым и выходным слоями. Поскольку выходные элементы сети линейны, то применяется неитерационный алгоритм. После получения этого начального приближения используется градиентный спуск для уточнения параметров сети. Расположение центров соответствует кластерам, реально присутствующим в исходных данных.
В практических разработках были использованы два наиболее часто используемых метода кластеризации18:
− выборка из выборки, где в качестве центров радиальных элементов берутся несколько случайно выбранных точек обучающего множества. В силу случайности выбора они «представляют» распределение обучающих данных в статистическом смысле. Однако, если число радиальных элементов невелико, такое представление может быть неудовлетворительным;
− алгоритм K-средних. Этот алгоритм стремится выбрать оптимальное множество точек, являющихся центроидами кластеров в обучающих данных.
При K радиальных элементах их центры располагаются таким образом, чтобы:
- каждая обучающая точка «относилась» к одному центру кластера и лежала к нему ближе, чем к любому другому центру;
- каждый центр кластера был центроидом множества обучающих точек, относящихся к этому кластеру.
Обучение сети PNN c RBF функциями выполняется достаточно быстро (на порядок быстрее персептрона). Наиболее важные преимущества сетей PNN состоят в том, что выходное значение имеет вероятностный смысл и поэтому его легче интерпретировать. При обучении сети время тратится практически только на то, чтобы подавать ей на вход обучающие наблюдения.
Программный комплекс предназначен для распознавания морских надводных объектов с использованием обученной вероятностной нейронной сети. Каждый класс морских объектов характеризуется параметрами, описанными табл. 1. Значения параметров снимаются с электронной карты и с радара радиолокационной станции (элементы движения цели – ЭДЦ).
Программный комплекс может быть использован для распознавания морских подвижных объектов девяти классов (табл. 2) по определенным признакам. Программный комплекс выполняет классификацию не только при статических, но и при изменяемых во времени характеристиках объекта, которые зачастую имеют место в реальной ситуации.
Рис. 5. Структурная схема приложения19
4. Синтез безопасных траекторий расхождения судов с использованием методов искусственного интеллекта
В настоящее время на практике задача расхождения судов решается с помощью систем автоматической радиолокационной прокладки (САРП), возможности которых ограничиваются вычислением опасных для своего судна (СС) секторов движения. Такой уровень поддержки действий судоводителя уже не соответствует современным требованиям к безопасности судоходства, и поэтому всё активнее в системы автоматизированного управления внедряется траекторный подход.
Подход, использованный при создании опытовой системы управления навигационного автоматизированного комплекса (НАК) «Дата Бридж» норвежской фирмы «Норконтрол» совместно с НПЦ «Аврора», предполагает автоматический синтез для СС траектории расхождения (ТР) со встречными судами (ВС) с учетом навигационных опасностей (НО) на интервале прогноза. На основе этого подхода разработано средство интеллектуальной поддержки судоводителя в виде программного модуля "Расхождение", предназначенного для использования в составе электронной картографической дисплейной информационной системы (ЭКДИС). Программный модуль на основании информации от РЛС и ЭКДИС, а также оперативных данных об условиях плавания, вводимых судоводителем, осуществляет автоматический синтез набора альтернативных ТР. Среди этого набора судоводитель выбирает наилучшую с его точки зрения траекторию. ТР представляет собой линейно ломаную кривую, состоящую из нескольких отрезков. Для упрощения выбора каждая из траекторий сопровождается оценкой безопасности20.
Для того, чтобы своевременно отслеживать изменения, происходящие в оперативной обстановке, предусмотрен текущий анализ складывающейся ситуации, осуществляемый с заданным периодом (например, один раз в минуту), и в случае необходимости пересчет ТР. Если все синтезированные ТР покажутся судоводителю неприемлемыми, он может предложить свою траекторию движения. При этом роль программного модуля будет ограничена проверкой безопасности этой ТР.
В качестве меры безопасности в данном подходе принята вероятность отсутствия столкновения своего судна со всеми ВС и НО. Оценка безопасности траектории рассматривалась во многих работах. Предлагаемый подход принципиально отличается учетом возможных действий всех опасных ВС. Учет осуществляется с использованием модели процесса расхождения, построенной на основе принципов мультиагентного подхода21. В этой модели все ВС представлены в виде интеллектуальных агентов, действующих в соответствии с Международными правилами предупреждения столкновения судов (МППСС).
Постановка задачи синтеза ТР может быть сформулирована следующим образом. Необходимо найти ТР, удовлетворяющую требованиям МППСС, которая является оптимальной в классе линейно ломаных траекторий в смысле минимума критерия:

где y(t) - боковое отклонение СС от исходной программной траектории, Т - интервал прогноза ТР. Этот критерий обеспечивает минимальное отклонение от исходной программной траектории и, как следствие, при возможности возврат СС на нее.
Однако требования к ТР, сформулированные в виде ограничений, а также критерий оптимальности на самом деле являются нечеткими. Для учета этого факта в рассматриваемой реализации программного модуля используется четкое описание критерия и ограничений, но параметры процесса расхождения (допустимая дистанция кратчайшего сближения, момент начала маневра и т.п.) рассматриваются как нечеткие (в простейшем случае интервальные) переменные. Для нечетких переменных при построении ТР осуществляется варьирование значений, приводящее к нечеткости результата, которое выражается в представлении его не в виде единственно возможной ТР, а в виде множества ТР. В простейшей версии алгоритма используется одна нечеткая переменная, отражающая допустимую дистанцию кратчайшего сближения.
Пусть число ВС, находящихся в зоне маневра СС, равно L. Тогда вероятность Р() отсутствия столкновения при движении по рассматриваемой ТР очевидным образом представляется через вероятности P() (i=1,2,..L) отсутствия столкновения с каждым из встречных судов:
=
В свою очередь вероятность Р(i) может быть представлена через множество ситуаций возникающих при расхождении CC с i-ым ВС. Эти ситуаций образуют полную группу событий, а вероятность P()имеет вид:
P() =
где - вероятность ситуации, - условная вероятность отсутствия столкновения при ситуации .
Содержанием j -той ситуации является последовательность возможных действий i-го ВС. Эти действия могут как соответствовать, так и не соответствовать МППСС. Вероятности ситуаций отражают доверие к различным действиям ВС. Причем в принятой концепции оценка доверия к одним и тем же действиям оказывается различной при различных дистанциях до ВС, а именно, при увеличении дистанции доверие уменьшается. В результате возможны случаи, когда, несмотря на то, что прогнозируется опасное сближение, ситуация признается неопасной из-за удаленности точки опасного сближения22.
Справедливость такого подхода к оценке ситуаций представляется достаточно очевидной, поскольку, чем дальше ВС, тем больше вероятность изменения оперативной обстановки (как из-за маневрирования наблюдаемых ВС, так и из-за появления в зоне наблюдения новых ВС) и, как следствие, больше вероятность коррекции ранее составленного прогноза. Механизм учета этого фактора может быть различным. Например, можно воспользоваться представлением доверия к событию в виде интервала значений вероятности. В этом случае о степени доверия свидетельствует не только положение интервала на оси значений вероятности, но и его ширина, что требует использования при сопоставлении оценок доверия правил, принятых для интервальных величин. В частности, может быть использован подход, который проиллюстрируем на следующем примере.
Предположим, что при расхождении с некоторым ВС одним из прогнозируемых событий является маневр этого судна – МBC. Оценим вероятность р(MBC) этого события. Пусть при формировании ТР наблюдается некоторая зона, ограниченная радиусом D с центром в точке текущего местоположения СС (обычно D = 12-16 миль). При этом СС отделено от начала зоны маневрирования при расхождении с некоторым ВС дистанцией D , которую оно пройдет за время t. Введем следующие параметры модели расхождения: p - вероятность непоявления за время t в зоне наблюдения новых ВС, - вероятность выполнения маневра рассматриваемым ВС при условии непоявления в зоне наблюдения за время t новых ВС, - вероятность выполнения маневра рассматриваемым ВС при условии появления в зоне наблюдения за время t новых ВС. Тогда имеем:
p(MBC) = p + (1-p).
При этом для величины р может быть использовано соотношение:
;
значения , размещенные в базе данных, зависят от ситуации и определяются на основании морской практики.