Maschinelles Lernen, Sicherheit und Schutz

LEAS - landseitige Entscheidungsunterstützung für Verkehrssituationen mit hochautomatisierten oder autonomen Schiffe unter Verwendung von KI.

Einführung von LEAS

Die maritimen Transportwege sind derzeit durch eine zunehmende Digitalisierung und Automatisierung an Bord von Schiffen gekennzeichnet. Die Weiterentwicklung von teil- über hoch- bis hin zu vollautomatisierten und autonomen Schiffen wird derzeit weltweit erforscht und in Prototypentwicklungen umgesetzt. Die technische und betriebliche Integration solcher Schiffe in das bestehende System aus konventionellen Schiffen und landseitigen Verkehrsüberwachungsdiensten ist bisher wenig beachtet worden. Die Verschmelzung von Verkehrs- und Überwachungssystemen ist besonders wichtig in Küstennähe mit hoher Verkehrsdichte, wo Entscheidungen manchmal in kürzester Zeit getroffen werden müssen.

Zusammenfassung der Entwicklung

LEAS konzentriert sich auf den Entwurf, die Umsetzung und die Demonstration von landseitigen Unterstützungsdiensten auf der Grundlage künstlicher Intelligenz (KI) für konventionelle bis autonom navigierende und möglicherweise unbemannte Schiffe Schiffe (Mischverkehr). Damit wird ein Seeverkehrsszenario adressiert, für das - abgesehen von einigen Simulationsstudien - keine praktischen Erfahrungen zu betrieblichen Anforderungen und Verfahren vorliegen. Die entwickelten Beratungskomponenten und -module sollen auf Elementen basieren, die mit künstlicher Intelligenz (KI) arbeiten und in einer innovativen Mensch-Maschine-Schnittstelle (HMI) implementiert sind. Letztere soll dem menschlichen Bediener die vom automatisierten System verfolgten Absichten oder Ziele und die eingesetzten Mittel anzeigen.

Exemplarische Situation

Das folgende Beispiel eines fiktiven Sicherheitsszenarios veranschaulicht die Frage der landseitigen Unterstützung zur Verbesserung der Sicherheit und Effizienz des Seeverkehrs in der Küstenschifffahrt bei Verkehrssituationen, an denen hochautomatisierte oder autonome Schiffe beteiligt sind, in Verbindung mit Schiff traffic services (VTS).

Thomas hat kürzlich seine Ausbildung zum Operator in einer VTS-Verkehrszentrale erfolgreich abgeschlossen. Er ist einer der ersten, die diesen Beruf ausüben, ohne selbst zur See gefahren zu sein. Es ist Oktober 2025, eine Herbstnacht mit Schauern und böigem Wind steht bevor. Außer Thomas sind noch zwei weitere Mitarbeiter im Dienst, so dass die Mindestbesetzung erfüllt ist.

Er beherrscht die 12 Monitore und die verschiedenen Unterstützungssysteme souverän, denn er ist durch Schulungen gut vorbereitet. Routinemäßig beobachtet er den Verkehr, bis die Intensität des Sprechfunks zunimmt. Ein Alarm erscheint, der anzeigt, dass ein Schiff das Verkehrstrennungssystem (TTS) in der Nähe des Windparks nördlich von Helgoland verlassen hat. Ein weiteres, offensichtlich hochautomatisiertes Schiff nähert sich. Befindet sich dort jemand auf der Brücke? Hat die reedereieigene Überwachungszentrale ein Auge auf die Situation? Es zeichnet sich eine Kollisionsgefahr mit dem Schiff ab, das gerade die TTS verlassen hat. Es gibt keine Anzeichen für ein Ausweichmanöver. Das automatisierte Schiff, das den Kurs hält, fährt weiter nach den Regeln. Das andere Schiff, als derjenige, der zum Ausweichen verpflichtet ist, berührt nun die Sicherheitsgrenze des Windparks. Dort ist es nicht tief, weshalb der Alarm für die Gefahr der Grundberührung ausgelöst wird. In der Zwischenzeit sind im Überwachungsbereich sechs verschiedene Alarme ausgelöst worden. Welcher hat die höchste Priorität, welcher ist der dringendste? Thomas muss sich entscheiden. Gut, dass ihm dafür jetzt ein KI-basiertes Entscheidungsunterstützungssystem zur Verfügung steht.

Wissenschaftliche/technische Arbeitsziele von LEAS

Können Anomalien im Fahrverhalten von Schiffen mit Hilfe von KI-basierten Methoden zur Verkehrsüberwachung primär aus AIS-Daten erkannt werden?
Wie kann KI eingesetzt werden, um einer Eskalation der Gefahr in komplexen Verkehrssituationen entgegenzuwirken?
Wie kann KI eingesetzt werden, um den Einfluss von Fehlern zu erkennen und zu beseitigen, die bei der Bestimmung der Positionsdaten eines Schiffes auftreten?
Kann KI eingesetzt werden, um eine schnellere und zuverlässigere Vorhersage der Manövriereigenschaften einer Schifffür die Verkehrsüberwachung zu erreichen?
Wie sollte die Mensch-Maschine-Schnittstelle (HMI) eines mit KI-basierten Methoden ausgestatteten VTS-Systems gestaltet sein?
Wie muss ein Simulationssystem oder ein Demonstrator strukturiert sein, um KI-Funktionen einzubinden und für die Evaluation zu nutzen?
Ist der derzeitige Rechtsrahmen ausreichend, um KI im maritimen Bereich zur Unterstützung von VTS-Betreibern einzusetzen?

Wichtigste Arbeitspakete

Verkehrsüberwachung und Datenströme

Die nationalen und internationalen Vorschriften und ihre Abhängigkeiten (z.B. IMO/IALA) werden zusammengefasst und analysiert. Dabei werden insbesondere die sich abzeichnenden Regelungen für MASS (Maritime Autonomous Surface Ships) betrachtet. Die Aktivitäten zur Weiterentwicklung des VTS-Betriebs werden im internationalen Kontext verglichen.

Verkehrsmanagementkonzept und Systemarchitektur

Die zukünftigen Prozesse für gemischte Verkehre werden spezifiziert und modelliert. Weiterhin werden Vorschläge für VTS-Zentren im Umgang mit MASS entwickelt. Die Spezifikationen umfassen Datenformate, Übertragungsraten und Entfernungen sowie Ausgabeformate und ein Datenbankmodell. Darüber hinaus werden die entwickelten Datenanforderungen und vorgeschlagenen Datenformate mit derzeit in Entwicklung befindlichen Richtlinien und Standards (z.B. IMO-Kompendium, IALA-Spezifikationen) abgeglichen. Es werden Verkehrsszenarien spezifiziert, um die technischen Möglichkeiten der Module zu überprüfen.

Die Aggregation aller Datenströme ist für die Entwicklung der KI-Module unerlässlich. Eine sichere und strukturierte Datenerfassung ermöglicht das Offline-Training der KI-Module und die spätere Verifizierung. Dabei werden insbesondere Inkonsistenzen in den Daten und Ausreißer identifiziert und beseitigt. Weiterhin wird ein Konzept für die Übergabe zwischen Back- und Frontend für das webbasierte VTS entwickelt.

Der Demonstrator erfordert die Entwicklung einer robusten Software- und Hardware-Architektur. Schnittstellen und technische Anforderungen werden definiert. Außerdem werden die Systemmodule definiert und der Austausch von Sensor-, Situationserkennungs- und Routeninformationen zwischen Schiff und Land sowie die spätere Integration des Systems in die heutigen VTS-Lösungen festgelegt.

Mensch-Maschine-Schnittstelle für KI-basierte VTS-Unterstützung

Grundlage ist die ISO 9241-210 "Ergonomie der Mensch-System-Interaktion - Teil 210: Menschenzentrierte Gestaltung interaktiver Systeme". Der Gestaltungsprozess ist ein iteratives Verfahren mit kontinuierlicher Optimierung und Anpassung von Gestaltungslösungen auf der Basis von nutzerzentrierten Evaluationen. Der Entwurfsprozess ist ein iteratives Verfahren mit kontinuierlicher Optimierung und Anpassung von Entwurfslösungen auf der Basis nutzerzentrierter Evaluationen. Die Einbindung der Nutzer findet in Form von Workshops und Interviews statt.

KI-basierte Systeme und Module zur Entscheidungsunterstützung

Das Arbeitspaket liefert alle notwendigen Daten, die für die Entwicklung von KI-Modulen erforderlich sind. Außerdem werden die KI-Algorithmen entwickelt und verifiziert. Somit stellt dies das Hauptarbeitspaket von LEAS dar.
Auch die KI-Module, die für den webbasierten Teil des Projekts benötigt werden, werden hier entwickelt.

AI Modul 1 - Entscheidungshilfe für die Auswahl von Positionsdaten

Definition von Trainings- und Testdatensatz
Implementierung von Vergleichsmodellen auf der Basis klassischer statistischer Methoden, z.B.: Dichtebestimmung in Histogrammen, Gaussian Mixture Models oder Single Class Support Vector Machines
Analyse des Datensatzes für verschiedene Projektionen im Parameterraum, wie z. B.: Elevation, Azimutwinkel, Signal-Rausch-Dichte-Verhältnis, Satellitentyp (GPS Block 2 / 3), Satellitennummer, Schiff Position, Schiff Ausrichtung.
Auswahl von mindestens zwei Methoden des tiefen Lernens, z. B. Normalisierung von Flüssen
Iterative Verbesserung der Modelle durch Optimierung der Hyperparameter
Vergleich mit klassischen Vergleichsmodellen hinsichtlich der Konsistenz aller Modelle
Implementierung der Schnittstelle zum HMI

AI Modul 2 - Gefahreneskalation und Lagebeurteilung

Extraktion von historischen Begegnungssituationen
Bestimmung der Gefährlichkeit einer Situation mit Hilfe von Schiffsdomänen und abgeleiteten Grenzwerten
Bestimmung des letztmöglichen Zeitpunkts für einen Eingriff
Auflösung von Gefahrensituationen durch Manövervorhersage mit Deep Learning
Überprüfung des Lernverfahrens im Post-Processing
Erkennung und sichere Bewältigung komplexer Verkehrssituationen

AI Modul 3 - Intelligente Erkennung von Anomalien

Identifizierung von anomalen Schiffsbewegungen und Situationen unter verschiedenen Bedingungen
Untersuchung der Flugbahn in Bezug auf Kurs und Geschwindigkeit
Bestimmung des frühestmöglichen Eingriffspunktes in den Kurs des Schiffes
Überprüfung des Lernverfahrens im Post-Processing

AI Modul 4 - Bewegungsvorhersage von autonomen Schiffe

Klassifizierung von Schiffe als Grundlage für die Entwicklung von KI.
Parameterschätzung für Schiff Klassen auf der Grundlage historischer und statistischer AIS-Daten und anderer Datenquellen mittels Deep Learning
Überprüfung von Parametersätzen für Schiffsklassen

Demonstrator KI-basierte Entscheidungsunterstützungsmodule mit innovativer HMI.

In diesem Teil der Arbeit werden die beiden Demonstratoren entwickelt. Die HMI-Mockups werden implementiert, Schnittstellen zwischen den KI-Modulen und den HMI-Frontends werden realisiert und in das Simulationssystem integriert, um eine realistische Benutzerumgebung zu schaffen, die evaluiert werden kann.
Zu diesem Zweck werden die KI-Module in den Demonstratoren zusammengeführt. Dies beinhaltet die Integration der KI-Module in das Simulationssystem, die Schaffung von Schnittstellen zwischen Echtzeitdaten bzw. Simulator und KI-Prototypen zur Bereitstellung realistischer Sensordaten und Positionsinformationen.
Darüber hinaus wird die Grundstruktur für eine webbasierte VTS-Infrastruktur geschaffen.

An drei Stellen werden die Ergebnisse von LEAS als Prototyp integriert

MSCW-Infrastruktur (Maritimes Simulationszentrum Warnemünde | HSW | Deutschland)
Simulatorsystem im Fraunhofer-Center für Mairitme Logistik (CML | Hamburg | Deutschland)
Vollständig webbasiertes VTS unter FleetMon (Rostock | Deutschland)

Im Rahmen dieses Arbeitspakets ist geplant, die Cybersicherheitstests für die webbasierte VTS-Infrastruktur fortzusetzen.

Der Demonstrator | Ergebnis

Mit dem Abschluss des Projekts ist es möglich, die Wirkung von MASS in Verkehrszentren zu bewerten. Es können auch Handlungsempfehlungen gegeben werden, wie zukünftige hochautomatisierte Schiffe im Frontend dargestellt werden müssen. Das Fahrverhalten dieser Spezialschiffe soll mit Hilfe von KI vorhergesagt werden, um den Betreibern ein verlässliches Lagebild zu liefern.

Status-Sitzungen

Digitales Kickoff-Meeting in 02-2022

Am Freitag, den 11. Februar 2022, fand das offizielle Kickoff-Meeting für LEAS statt. Aufgrund von Corona musste dieses digital durchgeführt werden. In 5 Stunden wurden die einzelnen Arbeitsinhalte besprochen und daraus die nächsten Schritte abgeleitet. Anwesend waren alle Partner, alle assoziierten Partner und der Projektträger. Insgesamt waren 25 Personen an dem Treffen beteiligt. In den kommenden Wochen werden die Gespräche in kleineren Runden fortgesetzt. Alles in allem war es ein sehr erfolgreiches Treffen.

KI-Workshop in Warnemünde am HSW 05-2022

Die Arbeit an der Anwendung von künstlicher Intelligenz ist einer der wesentlichen Arbeitsaspekte im Projekt. Für die in AP4 bewerteten Aktivitäten wurde am 19. Mai 2022 ein Workshop unter der Leitung des DLR Neustrelitz durchgeführt. Dazu trafen sich alle an der Entwicklung aktiv beteiligten Partner und Personen in Warnemünde. Nach der Vorstellung der einzelnen KI-Teile wurden Strategien zur Umsetzung diskutiert. Auch die Schnittstellen zu den Demonstratoren wurden besprochen und daraus weitere Arbeitsschritte abgeleitet. Es zeigte sich, dass die gesteckten Ziele sehr ehrgeizig sind, aber gleichzeitig auch erreichbar erscheinen. Nach einer sehr intensiven siebenstündigen Diskussion wurde der Workshop für erfolgreich beendet erklärt.

2. Jahrestagung 2022 vom 16. bis 17. November in Rostock und Warnemünde

Vom 16. bis 17. November fand an der Hochschule Wismar mit ihrem Campus in Rostock-Warnemünde das zweite LEAS-Jahrestreffen für 2022 statt. Auf dem Programm der beiden Tage standen Workshops und Präsentationen von Projektmitgliedern und Projektpartnern sowie eine von FleetMon organisierte Abendveranstaltung im Radisson Blu Hotel in Rostock.

Unter dem Thema "Entwicklungen im VDES als Nachfolge des AIS- und S100 / S200-Standards für hochautomatisierte oder autonome Schiffe Schiffe" präsentierte Carsten Hilgenfeld (Leiter Forschung & Entwicklung FleetMon) die Entwicklung des "Full Web Based VTS (Schiff Traffic Service)" von FleetMon für die Zanzibar Maritime Authority. Michael Bergmann (Executive Advisor bei BM Bergmann-Marine) sprach über den rechtlichen Status von VDES (VHF Data Exchange System) und die Auswirkungen auf den AIS-Markt, und Sebastian Belz (Generalsekretär der European Platform of Transport Sciences, EPTS Foundation) schloss den Workshop mit seiner Präsentation über die internationale VTS-Konferenz mit Unterstützung der European Platform of Transport Sciences im Jahr 2024.

Für die Projektbeteiligten und die interessierten Anwesenden aus der Industrie war der Abend eine hervorragende Gelegenheit, sich persönlich kennen zu lernen und sich über die aktuellen Entwicklungen der neuen VDES-Standards auszutauschen.