FleetMon lieferte Binnen-AIS-Daten für das SELECT-Projekt der TU Berlin. In diesem Artikel, der in der Zeitschrift Internationales Verkehrswesen veröffentlicht wurde, wird aufgezeigt, wie datengestützte Ankunftszeitvorhersagen die Zuverlässigkeit von Binnenschifffahrtsverkehren erhöhen können.
Die Beurteilung einer (maritimen) Verkehrssituation erfordert eine fundierte Ausbildung und Berufserfahrung. Entscheidungen können auf der Grundlage dieser Ausbildung und Erfahrung getroffen werden. (Teil-)autonome Schiffe müssen trainiert werden oder benötigen generalisierte Algorithmen, um in jeder Situation angemessen zu reagieren. Ziel ist es, dass Schiffe in der Lage ist, den technischen Manövrierabstand und den erforderlichen persönlichen gefühlten Sicherheitsabstand zu bestimmen.
Dieses Projekt zielt auf die Erhöhung der Sicherheit im Seeverkehr ab und ist im Bereich der Sicherheitsforschung angesiedelt. Durch den Einsatz von künstlicher Intelligenz werden das Schiff Traffic Service Center (VTS), das Fleet Operation Center (FOC) und das Schiff Coordination Center (VCC) technologisch auf das Auftreten von hochautomatisierten Schiffe vorbereitet. Es werden Konzepte entwickelt, um diese Informationen im Human Machine Interface (HMI) zu visualisieren.
Für Seegebiete und Häfen wird eine Methode entwickelt, um die Anzahl der Menschen auf See zu ermitteln. Hierfür werden Informationen aus den Schiffsdatenbanken FleetMon und community gebündelt. Die Anzahl der Personen in einem Seegebiet ist entscheidend für die Bereitstellung ausreichender Seenotrettungsmittel.
In dem Projekt wird eine Methode entwickelt, um Beinahe-Unfälle von Schiffen zu identifizieren. Zu diesem Zweck werden die technischen Grenzen der Schiffe, aber auch der persönliche Sicherheitsbereich der nautischen Offiziere untersucht. Diese können dann für die Entwicklung neuer Richtlinien für den Betrieb von Schiff genutzt werden.
FleetMon ist an einer Vielzahl von Forschungs- und Entwicklungsprojekten beteiligt. Erfahren Sie mehr über unsere neuesten Projekte.
