机器学习，安全与保障

LEAS--利用人工智能为高度自动化或自主船舶的交通状况提供岸边决策支持。

介绍LEAS

目前，海上运输路线的特点是船舶上的数字化和自动化程度越来越高。目前世界范围内正在研究从部分到高度到完全自动化和自主的船舶的进一步发展，并在原型开发中实施。到目前为止，很少有人注意到这些船舶在技术和操作上与现有的传统船舶和岸边交通管制服务系统的整合。交通和监测制度的合并在交通密度高的海岸附近特别重要，因为那里有时需要在最短的时间内做出决定。

发展概述

LEAS专注于设计、实施和展示基于人工智能（AI）的岸边支持服务，用于传统的自动导航和可能的无人驾驶船只（混合交通）。因此，除了一些模拟研究外，没有关于操作要求和程序的实际经验，这是对海上运输场景的处理。开发的咨询组件和模块应基于人工智能（AI）的元素，并在一个创新的人机界面（HMI）中实施。后者是为了向人类操作者表明自动化系统所追求的意图或目标以及所采用的手段。

ㄒ唬┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣┣

下面以一个虚构的安全场景为例，说明在涉及高度自动化或自主船舶的交通情况下，与船舶交通服务（VTS）中心有关的岸边支持问题，以提高沿海海上运输的安全和效率。

托马斯最近成功地完成了他作为VTS交通中心操作员的培训。他是第一批没有亲自出海就从事这一职业的人之一。现在是2025年10月，一个有阵雨和大风的秋夜即将来临。除了托马斯，还有另外两名员工在值班，所以满足了最低的人员配置要求。

他满怀信心地掌握了12个显示器和各种支持系统，因为他通过培训做了充分准备。按照惯例，他观察交通情况，直到语音无线电强度增加。一个警报出现了，表明一艘船离开了赫尔戈兰岛北部风力发电厂附近的交通分离计划（TTS）。另一艘明显高度自动化的船正在接近。那里的舰桥上有人吗？航运公司自己的监控中心是否有注意到这种情况？与刚刚离开TTS的船只开始出现碰撞的危险。没有证据表明有回避的动作。作为航线持有者的自动化船舶继续按照规则航行。另一艘船，作为有义务采取规避行动的船，现在已经触及风力发电站的安全界限。在那里它并不深，这就是为什么触发了接地危险的警报。同时，在监测区有六个不同的警报被触发。哪一个是最优先的，哪一个是最紧急的？托马斯必须做出决定。好在现在有一个基于人工智能的决策支持系统供他使用。

LEAS的科学/技术工作目标

使用基于人工智能的方法进行交通监控，是否可以主要从AIS数据中检测出船舶驾驶行为的异常情况？
在复杂的交通情况下，如何利用人工智能来抵御危险的升级？
如何利用人工智能来检测和消除确定船舶位置数据时发生的错误的影响？
人工智能是否可以用来实现更快、更可靠地预测船舶的操纵特性，以进行交通监控？
配备了基于人工智能方法的VTS系统的人机界面（HMI）应该如何设计？
仿真系统或演示器必须如何构建，以纳入人工智能功能并用于评估？
目前的法律框架是否足以在海事领域使用人工智能来支持VTS运营商？

主要工作包

交通监控和数据流

将总结和分析国家和国际法规及其依赖性（例如，IMO/IALA）。特别是，将考虑新出现的MASS（海上自主水面舰艇）的规定。进一步发展VTS业务的活动将在国际范围内进行比较。

交通管理概念和系统架构

混合运输的未来过程被具体化和模型化。此外，还制定了VTS中心处理MASS的建议。这些规格包括数据格式、传输率和距离以及输出格式和数据库模型。此外，制定的数据要求和建议的数据格式将与目前正在制定的准则和标准（如IMO汇编、IALA规格）保持一致。交通情况将被具体化，以验证模块的技术能力。

所有数据流的汇总对于人工智能模块的发展至关重要。安全和结构化的数据记录允许对人工智能模块进行离线训练和后期验证。特别是，数据中的不一致和异常值被识别和删除。此外，将开发一个基于网络的VTS的后端和前端之间的交接概念。

该演示器需要开发一个强大的软件和硬件架构。接口和技术要求将被定义。另外，系统模块将被定义，传感器、态势感知和船舶与岸上的路线信息的交换，以及以后系统与当今VTS解决方案的整合也将被定义。

基于人工智能的VTS支持的人机界面

其基础是ISO 9241-210 "人与系统交互的人机工程学--第210部分。以人为本的互动系统设计"。设计过程是一个反复的过程，在以用户为中心的评价的基础上不断优化和调整设计方案。设计过程是一个反复的过程，在以用户为中心的评价的基础上不断优化和调整设计方案。用户的参与是以研讨会和访谈的形式进行的。

基于人工智能的决策支持系统和模块

该工作包提供开发人工智能模块所需的所有必要数据。此外，人工智能算法也被开发和验证。因此，这代表了LEAS的主要工作包。
此外，该项目基于网络的部分所需的人工智能模块也将在此开发。

AI模块1--选择位置数据的决策支持

训练和测试数据集的定义
实现基于经典统计方法的比较模型，例如：。直方图的密度确定，高斯混合模型或单类支持向量机
对参数空间中不同投影的数据集进行分析，如：。仰角、方位角、信噪比、卫星类型（GPS Block 2/3）、卫星编号、船舶位置、船舶方向。
选择至少两种深度学习的方法，例如，将流量正常化
通过超参数优化对模型进行迭代改进
关于所有模型的一致性，与经典比较模型的比较
实现与人机界面的接口

AI模块2--危险升级和情况评估

提取历史上的相遇情况
在船舶领域和推导出的极限值的帮助下，确定某种情况的危险性
确定干预的最后可能时刻
通过深度学习的机动性预测解决危险情况
后期处理中学习程序的验证
复杂交通状况的识别和安全管理

AI模块3--智能异常检测

识别各种条件下的异常船舶运动和情况
关于航向和速度的轨迹调查
确定船舶航线上最早的可能干预点
后期处理中学习程序的验证

AI模块4--自主船舶的运动预测

将船舶分类作为人工智能发展的基础。
基于历史和统计AIS数据和其他数据源，使用深度学习对船舶类别进行参数估计
核实船舶等级的参数集

基于人工智能的决策支持模块示范机，具有创新的人机界面。

在这部分工作中，两个演示器被开发出来。人机界面的模拟将被实现，人工智能模块和人机界面前端之间的接口将被实现并集成到模拟系统中，以创造一个可以被评估的真实的用户环境。
为此目的，人工智能模块被汇集到演示器中。这包括将人工智能模块整合到仿真系统中，在实时数据或仿真器和人工智能原型之间建立接口，以提供真实的传感器数据和位置信息。
此外，基于网络的VTS基础设施的基本结构已经产生。

在三个地方，LEAS的研究结果将被整合为一个样板

MSCW基础设施 (Maritime Simulation Center Warnemünde | HSW | 德国)
弗劳恩霍夫物流中心（CML | 汉堡 | 德国）的仿真器系统
FleetMon (Rostock | 德国) 的全网络VTS。

在这个工作包中，计划继续对基于网络的VTS基础设施进行网络安全负载测试。

示范者｜成果

随着项目的完成，有可能评估MASS在交通中心的效果。还可以就未来高度自动化的船舶必须如何在前端显示提出行动建议。这些特殊船舶的驾驶行为将使用人工智能进行预测，为操作员提供可靠的情况图。

活动/状况会议

02-2022年举行的数字启动会议

2022年2月11日，星期五，LEAS的正式启动会议举行了。由于Corona的原因，这次会议必须以数字方式进行。在5个小时内，大家讨论了各自的工作内容，并从中得出了下一步的计划。所有的合作伙伴、所有相关的合作伙伴和项目执行机构都出席了会议。总共有25人参加了会议。在未来几周内，会谈将继续进行小规模的回合。总而言之，这是一次非常成功的会议。

在Warnemuende举办的关于HSW 05-2022的KI研讨会

人工智能的应用工作是该项目中必不可少的工作内容之一。对于AP4中评估的活动，在DLR Neustrelitz的领导下，于2022年5月19日举行了一次研讨会。为此，所有积极参与开发的合作伙伴和人员在瓦内明德会面。在介绍了各个人工智能部分后，讨论了实施战略。还审查了与演示器的接口，并从中得出进一步的工作步骤。显然，设定的目标非常雄心勃勃，但同时又似乎可以实现。经过七个小时的紧张讨论，研讨会宣布圆满结束。