Algemeen doel:

In het wereldwijde O&O op het gebied van computerondersteunde en autonome navigatie voor zee- en binnenvaart focust de doelstelling van het DDSHIP-project op het ontwikkelen van een nieuwe methodologie die de noodzakelijke data- en procesflow in de kalibratie van een pad controller aantoont en implementeert. Er wordt tegelijkertijd een test (simulatie) platform opgesteld voor validatie en certificering door middel van onderzoek op de volgende domeinen:

• accurate en robuustere perceptie en situationeel bewustzijn (situational awareness) van het schip in een waterweg met druk verkeer en moeilijke weersomstandigheden;
• nauwkeurige modellering van het werkelijke gedrag van het schip in deze complexe waterwegen met kleine kielspelingen en oevers en infrastructuur, dichtbij het schip;
• veilige en vlotte besturing van het schip door AI-getrainde controllers die gebruik maken van voorspellende manoeuvreermodellen die de noodzakelijke botsdetectie (collision avoidance) garanderen (vermijden van aanvaringen).

Aangezien ongelukken op waterwegen voornamelijk te wijten zijn aan menselijk handelen in combinatie met storingen aan het schip of moeilijke (weers)omstandigheden, moet dit onderzoek kapiteins, loodsen of schippers aan boord van het bemande schip of de operator van een onbemand schip vanuit een operationeel centrum ondersteunen. Hiervoor worden de mogelijkheden van bestaande technologieën (camera, sensoren, voorspelling van manoeuvreermodellen, pad planning en sturing en controle) onderzocht en dusdanig uitgebreid en ingezet dat ze leiden tot slimmere - nauwkeurigere en betrouwbaardere – sturing en controle.

Concrete doelstellingen en criteria:

Het algemene doel met de realisatie van een nauwkeurig datagedreven autonoom schip, heeft betrekking op drie kennisdomeinen van (1) sensoren en sensorfusie, (2) manoeuvreren van schepen in ondiep en beperkt water en (3) diepgaand en versterkend leren met de volgende doelstellingen en criteria:

Data en sensoren:

• Met behulp van een multisensor 3D visie data simulator zullen we de robuustheid van verschillende cameratechnologieën (in het zichtbare en infrarode golflengtegebied) onderzoeken voor automatische scheepsdetectie onder verschillende omgevingsomstandigheden (mist, regen, zonlicht). De detectieonzekerheden die we uit de simulaties zullen halen, zullen ons in staat stellen om verschillende sensortypes optimaal te combineren in moeilijke omgevingen. Bovendien kunnen we deze onzekerheden gebruiken als input voor het identificatie- en controleproces van het scheepsgedrag.
• We onderzoeken welke datakwaliteit (nauwkeurigheid en hoeveelheid) in de datapijplijn beschouwd moet worden zodanig dat een nauwkeurige sturing of controle wordt bekomen in de finale stap en welke de invloed is van elke dataset in de volledige datapijplijn.

Domeinkennis:

• Het gebruik van diepgaande domeinspecifieke kennis in de verschillende intelligente componenten:
  • Scheepsmodellering: Het te controleren object (het schip) wordt beïnvloed door de omgeving. Kort gezegd verandert de omgeving de stroming rond het schip, waardoor extra hydrodynamische krachten ontstaan. Als gevolg hiervan gedraagt het schip zich anders dan een menselijke/artificiële operator zou verwachten als hij voor het eerst met dit probleem wordt geconfronteerd (met andere woorden, als hij geen passende training in deze nieuwe omgeving heeft gekregen). De relatie tussen de juiste sturingsacties en het hydrodynamische gedrag wordt dus onvoldoende begrepen.
  • Model predictive reinforcement modellering (inclusief het model van het schip en de omgeving in het Markov beslissingsproces) met prestatieonderzoek van verschillende modeltypes: complexe of vereenvoudigde fysica-gebaseerde modellen of data-gedreven surrogaat-modellen.

Controlestrategieën:

• De invloed van omgevingsomstandigheden onderzoeken doorheen het controleproces van waarneming tot controle.
• End-to-end training (perceptie <-> sturing) in plaats van componenttraining. De huidige stand van de technologie traint component per component (perceptie van het schip/perceptie van de omgeving/sturingsmodel). Met end-to-end training wordt het risico op verlies van belangrijke gegevens door onvolledige representaties tussen componenten verminderd. Dit is vooral belangrijk in moeilijke situaties waar irrelevante gegevens voor perceptie van lage kwaliteit een verschil kunnen maken in de controlefase.
• de sturing op basis van vereenvoudigde óf zeer nauwkeurige manoeuvreermodellen kan de end-to-end training naar een hoger niveau worden gebracht.