Menu
Suivez-nous sur

LEAS - aide à la décision à terre pour les situations de trafic avec des navires hautement automatisés ou autonomes en utilisant l'IA.

Table des matières

Introduction de LEAS

Les voies de transport maritime sont actuellement caractérisées par une numérisation et une automatisation croissantes à bord des navires. Des recherches sont actuellement menées dans le monde entier pour passer de navires partiellement, fortement ou entièrement automatisés et autonomes, et des prototypes sont en cours de développement. Jusqu'à présent, peu d'attention a été accordée à l'intégration technique et opérationnelle de ces navires dans le système existant de navires conventionnels et de services de contrôle du trafic à terre. La fusion des régimes de trafic et de contrôle est particulièrement importante près des côtes à forte densité de trafic, où les décisions doivent parfois être prises dans les plus brefs délais.

Résumé de l'évolution

Le projet LEAS est axé sur la conception, la mise en œuvre et la démonstration de services de soutien à terre basés sur l'intelligence artificielle (IA) pour les navires conventionnels à navigation autonome et éventuellement sans équipage (trafic mixte). Il s'agit donc d'un scénario de transport maritime pour lequel - hormis quelques études de simulation - aucune expérience pratique sur les exigences et procédures opérationnelles n'est disponible. Les composants et modules de conseil développés sont basés sur des éléments fonctionnant avec l'intelligence artificielle (IA) et mis en œuvre dans une interface homme-machine (IHM) innovante. Cette dernière doit indiquer à l'opérateur humain l'intention ou les objectifs poursuivis par le système automatisé et les moyens employés.

Situation exemplaire

L'exemple suivant d'un scénario de sécurité fictif est utilisé pour illustrer la question du soutien à terre pour améliorer la sécurité et l'efficacité du transport maritime côtier pour les situations de trafic impliquant des navires hautement automatisés ou autonomes en relation avec les centres de services de trafic maritime (VTS).

Thomas a récemment terminé avec succès sa formation d'opérateur dans un centre de trafic VTS. Il est l'un des premiers à exercer ce métier sans être lui-même parti en mer. Nous sommes en octobre 2025, une nuit d'automne avec des averses et des rafales de vent approche. En plus de Thomas, deux autres employés sont de service, l'effectif minimum est donc atteint.

Il maîtrise les 12 moniteurs et les divers systèmes de soutien avec confiance car il est bien préparé par la formation. De manière routinière, il observe le trafic jusqu'à ce que l'intensité de la radio vocale augmente. Une alarme apparaît, indiquant qu'un navire a quitté le dispositif de séparation du trafic (TTS) près du parc éolien au nord de Helgoland. Un autre navire, manifestement hautement automatisé, s'approche. Y a-t-il quelqu'un sur le pont ? Le centre de surveillance de la compagnie maritime a-t-il un œil sur la situation ? Un risque de collision commence à se développer avec le navire qui vient de quitter le TTS. Il n'y a aucune preuve d'une manœuvre d'évitement. Le navire automatisé, en tant que détenteur du cap, continue de naviguer conformément aux règles. L'autre navire, comme celui qui est obligé de faire une manœuvre d'évitement, touche maintenant la limite de sécurité du parc éolien. Là, il n'est pas profond, c'est pourquoi l'alarme de risque d'échouage se déclenche. Entre-temps, six alarmes différentes ont été déclenchées dans la zone de surveillance. Laquelle a la plus haute priorité, laquelle est la plus urgente ? C'est à Thomas de décider. Heureusement qu'un système d'aide à la décision basé sur l'IA est désormais à sa disposition.

Objectifs de travail scientifique/technique du LEAS

  1. Les anomalies dans le comportement de conduite des navires peuvent-elles être détectées principalement à partir des données AIS en utilisant des méthodes basées sur l'IA pour la surveillance du trafic ?
  2. Comment l'IA peut-elle être utilisée pour contrer l'escalade du danger dans des situations de trafic complexes ?
  3. Comment l'IA peut-elle être utilisée pour détecter et éliminer l'influence des erreurs qui se produisent lors de la détermination des données de position d'un navire ?
  4. L'IA peut-elle être utilisée pour obtenir une prédiction plus rapide et plus fiable des caractéristiques de manœuvre d'un navire pour la surveillance du trafic ?
  5. Comment concevoir l'interface homme-machine (IHM) d'un système VTS équipé de méthodes basées sur l'IA ?
  6. Comment un système de simulation ou un démonstrateur doit-il être structuré pour intégrer les fonctionnalités de l'IA et être utilisé pour l'évaluation ?
  7. Le cadre juridique actuel est-il suffisant pour utiliser l'IA dans le domaine maritime afin de soutenir les opérateurs VTS ?

Principaux lots de travaux

Surveillance du trafic et flux de données

Les réglementations nationales et internationales et leurs dépendances (par exemple, OMI/IALA) seront résumées et analysées. En particulier, les règlements émergents pour les MASS (Maritime Autonomous Surface Ships) seront considérés. Les activités pour le développement futur des opérations VTS seront comparées dans un contexte international.

Concept de gestion du trafic et architecture du système

Les processus futurs pour les transports mixtes sont spécifiés et modélisés. En outre, des propositions sont élaborées à l'intention des centres VTS pour le traitement des MASS. Les spécifications comprennent les formats de données, les taux et distances de transmission ainsi que les formats de sortie et un modèle de base de données. En outre, les exigences en matière de données et les formats de données proposés seront alignés sur les directives et les normes en cours d'élaboration (par exemple, le compendium de l'OMI, les spécifications de l'AISM). Des scénarios de trafic seront spécifiés pour vérifier les capacités techniques des modules.

L'agrégation de tous les flux de données est essentielle pour le développement des modules d'IA. L'enregistrement sécurisé et structuré des données permet l'entraînement hors ligne des modules d'IA et leur vérification ultérieure. En particulier, les incohérences dans les données et les valeurs aberrantes sont identifiées et supprimées. En outre, un concept pour le transfert entre le back-end et le front-end pour le VTS basé sur le web sera développé.

Le démonstrateur nécessite le développement d'une architecture logicielle et matérielle robuste. Les interfaces et les exigences techniques seront définies. Les modules du système seront également définis, ainsi que l'échange d'informations sur les capteurs, la connaissance de la situation et la route entre le navire et la terre, et l'intégration ultérieure du système dans les solutions VTS actuelles.

Interface homme-machine pour le soutien VTS basé sur l'IA

La base est la norme ISO 9241-210 "Ergonomie de l'interaction homme-système - Partie 210 : Conception centrée sur l'homme pour les systèmes interactifs". Le processus de conception est une procédure itérative avec optimisation et adaptation continues des solutions de conception sur la base d'évaluations centrées sur l'utilisateur. Le processus de conception est une procédure itérative avec une optimisation et une adaptation continues des solutions de conception sur la base d'évaluations centrées sur l'utilisateur. La participation des utilisateurs prend la forme d'ateliers et d'entretiens.

Systèmes et modules d'aide à la décision basés sur l'IA

Le paquet de travail fournit toutes les données nécessaires au développement des modules d'IA. En outre, les algorithmes d'IA sont développés et vérifiés. Il s'agit donc du principal lot de travail du projet LEAS.
Les modules d'intelligence artificielle requis pour la partie du projet basée sur le Web seront également développés ici.

Module AI 1 - Aide à la décision pour la sélection des données de position

  • Définition des ensembles de données de formation et de test
  • Mise en œuvre de modèles de comparaison basés sur des méthodes statistiques classiques, par exemple : Détermination de la densité dans les histogrammes, modèles de mélange gaussien ou machines à vecteurs de soutien à classe unique.
  • Analyse de l'ensemble des données pour différentes projections dans l'espace des paramètres tels que : Élévation, angle d'azimut, rapport de densité signal/bruit, type de satellite (GPS Block 2 / 3), numéro de satellite, position du navire, orientation du navire.
  • Sélection d'au moins deux méthodes d'apprentissage profond, par exemple la normalisation des flux.
  • Amélioration itérative des modèles par optimisation des hyperparamètres
  • Comparaison avec les modèles de comparaison classiques concernant la cohérence de tous les modèles
  • Mise en œuvre de l'interface avec l'IHM

Module 2 de l'IA - Escalade du danger et évaluation de la situation

  • Extraction de situations de rencontre historiques
  • Détermination du danger d'une situation à l'aide des domaines du navire et des valeurs limites dérivées
  • Détermination du dernier moment possible d'une intervention
  • Résolution de situations dangereuses par la prédiction de manœuvres avec le Deep Learning.
  • Vérification de la procédure d'apprentissage en post-traitement
  • Identification et gestion en toute sécurité des situations de trafic complexes

Module AI 3 - Détection intelligente des anomalies

  • Identification des mouvements et des situations anormales des navires dans diverses conditions
  • Etude de la trajectoire par rapport au cap et à la vitesse
  • Détermination du point d'intervention le plus précoce possible sur la route du navire.
  • Vérification de la procédure d'apprentissage en post-traitement

Module AI 4 - Prévision du mouvement des navires autonomes

  • La classification des navires comme base du développement de l'IA.
  • Estimation des paramètres pour les classes de navires sur la base des données historiques et statistiques de l'AIS et d'autres sources de données à l'aide de l'apprentissage profond.
  • Vérification des ensembles de paramètres pour les classes de navires

Démonstrateur de modules d'aide à la décision basés sur l'IA avec une IHM innovante.

Dans cette partie du travail, les deux démonstrateurs sont développés. Les maquettes d'IHM seront mises en œuvre, les interfaces entre les modules d'IA et les frontaux d'IHM seront réalisées et intégrées dans le système de simulation afin de créer un environnement utilisateur réaliste qui pourra être évalué.
À cette fin, les modules d'IA sont réunis dans les démonstrateurs. Cela comprend l'intégration des modules d'IA dans le système de simulation, la création d'interfaces entre les données en temps réel ou le simulateur et les prototypes d'IA pour fournir des données de capteurs et des informations de position réalistes.
En outre, la structure de base d'une infrastructure VTS basée sur le web est générée.

En trois endroits, les résultats de l'étude LEAS seront intégrés sous forme de prototype.

  • Infrastructure MSCW (Maritime Simulation Center Warnemünde | HSW | Allemagne)
  • Système de simulation au Fraunhofer Center for Mairitme Logistics (CML | Hambourg | Allemagne)
  • VTS entièrement basé sur le web à FleetMon (Rostock | Allemagne)

Dans le cadre de ce paquet de travail, il est prévu de poursuivre les tests de charge de cybersécurité pour l'infrastructure VTS basée sur le web.

Le démonstrateur | Résultat

Avec l'achèvement du projet, il est possible d'évaluer l'effet du MASS dans les centres de trafic. Des recommandations d'action peuvent également être formulées quant à la manière dont les futurs navires hautement automatisés doivent être affichés dans le front-end. Le comportement de conduite de ces navires spéciaux sera prédit à l'aide de l'IA afin de fournir aux opérateurs une image fiable de la situation.

Événements / Réunion d'étape

Réunion de lancement de la numérisation tenue en 02-2022

Photo de la réunion en ligne

Le vendredi 11 février 2022, la réunion officielle de lancement de LEAS a eu lieu. En raison de Corona, cette réunion a dû se dérouler de manière numérique. En 5 heures, les contenus des travaux individuels ont été discutés et les prochaines étapes en ont été déduites. Tous les partenaires, tous les partenaires associés et l'agence d'exécution du projet étaient présents. Au total, 25 personnes ont participé à la réunion. Dans les semaines à venir, les discussions se poursuivront en plus petits groupes. Dans l'ensemble, ce fut une réunion très réussie.

Atelier KI à Warnemuende sur le HSW 05-2022

Le travail sur l'application de l'intelligence artificielle est l'un des aspects essentiels du projet. Pour les activités évaluées dans l'AP4, un atelier a été organisé le 19 mai 2022 sous la direction du DLR Neustrelitz. À cette fin, tous les partenaires et les personnes activement impliquées dans le développement se sont réunis à Warnemünde. Après avoir présenté les différentes parties de l'IA, les stratégies de mise en œuvre ont été discutées. Les interfaces des démonstrateurs ont également été examinées et des étapes de travail supplémentaires en ont été déduites. Il est apparu que les objectifs fixés sont très ambitieux, mais semblent en même temps réalisables. Après sept heures de discussions très intenses, l'atelier a été déclaré terminé avec succès.

Blog et publications

Communiqué de presse 02-2022

Powered By EmbedPress

Table des matières

Coordinateur de projet

Fraunhofer FKIE

Institut de la communication, du traitement de l'information et de l'ergonomie

Partenaire du projet

JAKOTA Cruise Systems GmbH

FleetMon | Suivre les sept mers

Fraunhofer-Center für Maritime Logistik und Dienstleistungen CML (Centre Fraunhofer pour la logistique maritime et les services)
Fraunhofer CML

Centre pour la logistique maritime

Deutsches Zentrum für Luft und Raumfahrt (Centre allemand pour l'aviation et le vol)
DLR - KN

Institut des communications et de la navigation

Deutsches Zentrum für Luft und Raumfahrt (Centre allemand pour l'aviation et le vol)
DLR - MI

Institut pour la protection des infrastructures maritimes

Hochschule Wismar
HSW - Université de Wismar

Département des études maritimes, de l'ingénierie des systèmes et de la logistique

Bergmann Marine
BM - Bergmann Marine

Consultants et conseillers maritimes

Partenaire associé allemand

BMDV

Ministère fédéral allemand des affaires numériques et des transports

Verband deutscher Reeder
VDR

Association des armateurs allemands

IBM Allemagne

Développement de l'IA et analyse maritime

IN - innovative navigation GmbH
IN - Navigation innovante

in-innovative navigation GmbH

WSV
WSA

Weser-Jade-Nordsee, Office des voies navigables et de la navigation de la République fédérale d'Allemagne

GWDS

Direction générale des voies navigables et de la navigation

Partenaire de coopération internationale

NRSI
NSRI | ZA

Institut national de sauvetage en mer

ZPA
ZMA | TZ

Autorité maritime de Zanzibar

Puerto Bahia Blanca | ARG

Fonctionnement du port

SANBORN Analytics | USA

Une société de surveillance maritime

Fournisseur d'équipement

JULIUS Marine GmbH

aides à la navigation, bouées, lanternes marines et systèmes de signalisation des écluses

Ministère fédéral de l'Éducation et de la Recherche (Bundesministerium für Bildung und Forschung)
Financé par

BMBF - Ministère fédéral de l'éducation et de la recherche

Cadre du projet

Programme de recherche sur la sécurité civile

Promoteur

VDI/VDE Innovation + Technik

Profil officiel du projet

Durée du projet

Jan 2022 - Dez 2024

Volume de financement

3 800 000 euros

Contacter le coordinateur du projet

Contact à FleetMon

Logo du projet (.png, transparent)

Partager ce projet