Denne artikkelen er produsert og finansiert av UiT Norges arktiske universitet - les mer.

– Klarer du å se 30 minutter frem i tid, så vil det ofte være nok tid til å unngå store unnamanøvrer. Dette gjør at man unngår risikofylte situasjoner, samt at trafikken flyter mer optimalt, sier Murray.
– Klarer du å se 30 minutter frem i tid, så vil det ofte være nok tid til å unngå store unnamanøvrer. Dette gjør at man unngår risikofylte situasjoner, samt at trafikken flyter mer optimalt, sier Murray.

Skipsfarten kan bli tryggere med kunstig intelligens

Teknologien kan hjelpe skipsnavigatørene til å beregne hva som kommer til å skje. Det kan redusere risikoen for kollisjoner.

Kunstig intelligens og maskinlæring er i mobiltelefoner og selvkjørende bilder.

– Maskinlæring kan bidra til å gjøre autonome biler mer oppnåelig. Dette er også overførbart til det maritime. Slike systemer er på full fart inn i sjøfarten, sier Brian Murray.

Han har forsket på maskinlæring som kan støtte skipsnavigatørene til å forutsi potensielt farlige situasjoner. Nylig tok han doktorgraden ved UiT Norges arktiske universitet på dette arbeidet.

Menneskelig svikt

Det er god plass på sjøen, men en navigatør må hele tiden ta hensyn til andre skip. Store fartøy manøvrerer langsomt. De trenger lang tid på å øke og senke farten. Oppdages faren for sent, kan det få alvorlige konsekvenser.

Den som styrer båten må ha en god situasjonsforståelse, et godt overblikk over trafikken i området. Navigatøren må hele tiden minimere risiko for uheldige situasjoner.

Menneskelige feil er årsaken til de fleste ulykker til havs. Forskere mener at systemer med kunstig intelligens kan gi bedre sikkerhet.

Maskinene etterligner menneskehjernen

Mennesker lærer av å observere omverdenen. Maskinlæring lar datasystemer lære av data.

– I de siste årene har de fleste fremskrittene innen maskinlæring skjedd innen deep learning. Metodene baserer seg på nevrale nettverk som i utgangpunktet var tenkt å etterligne hvordan hjernen vår fungerer, forklarer Murray.

Deep learning er avhengig av tilgang til store datamengder. Modellene vil forbedre seg jo mer data man har.

Første steg på veien mot selvgående fartøy

Han tror det blir lenge til det blir vanlig å se selvgående fartøy på sjøen. Først vil kunstig intelligens i stadig større grad støtte mannskapet som fører fartøyene.

FNs organisasjon for sikker og trygg skipsfart, International Maritime Organization, ser for seg fire nivåer av selvgående fartøy:

  1. Fartøy med støttesystemer: Mannskapet opererer og styrer skipet med støtte fra intelligente systemer som letter styring og navigasjon.
  2. Fjernstyrte fartøy – med mannskap om bord: Fartøyet styres fra en annen plass, men mannskapet kan ta over ved behov.
  3. Fjernstyrte fartøy – uten mannskap om bord: Fartøyet styres helt og holdent fra en annen plass, uten mannskap om bord.
  4. Helautomatiserte fartøy: Fartøyet tar avgjørelser på egen hånd og styrer seg selv.

Vil hjelpe navigatøren til å se inn i fremtiden

Forskningen til Murray ser på det første nivået.

– Jeg har sett spesielt på hvordan vi kan lage systemer som kan forutse fremtidige skipsbaner til fartøyene i et gitt område, sier Murray.

Tanken er at maskinlæring skal forsterke forståelsen av risikosituasjoner. Systemet skal ikke ta avgjørelsene. Navigatøren er fortsatt sjefen, men ved å se litt inn i fremtiden blir alt mer forutsigbart.

– Klarer du å se 30 minutter frem i tid, så vil det ofte være nok tid til å unngå store unnamanøvrer. Man unngår risikofylte situasjoner. Trafikken flyter mer optimalt, sier Murray.

Han ser for seg et system som et lag over kart for navigasjon. Den som styrer vil se relevante fremtidige skipsbaner, usikkerhetsfaktorer og mulige farlige situasjoner som kan oppstå. Navigatøren kan ta bedre og raskere avgjørelser.

Et slikt system kan også støtte operatører i sjøtrafikksentraler, samt fremtidige autonome skip.

Løsningen kan på sikt integreres i et kartverktøy navigatørene kan bruke.
Løsningen kan på sikt integreres i et kartverktøy navigatørene kan bruke.

Henter erfaring fra faktisk skipsfart

Smarte systemer må bli matet med et erfaringsgrunnlag.

Alle større fartøy bruker Automatisk identifikasjonssystem (AIS). Det skal hindre kollisjoner. Det gir også offentlige myndigheter oversikt over skipstrafikken

AIS-data blir logget i databaser. Dataene gir et bilde av historiske skipsbevegelser i et gitt område over tid. Murray har foret dataprogrammet med et stort og omfattende erfaringsgrunnlag fra AIS.

– En navigatør får erfaring over tid og blir flinkere til å gjenkjenne situasjoner og forutse fremtidige løsninger. Et system som har erfaringen fra historiske AIS-data, kan vise hvordan fartøy i et gitt område faktisk har beveget seg. Tanken er at vi kan bruke dette til å forutse hvordan de vil oppføre seg i fremtiden, sier Murray.

Maskinen vil få mer og mer erfaring over tid.

Kan vi stole på dette?

En utfordringen med maskinlæring er at forskerne ikke helt forstår hva som skjer og hvordan systemet tar avgjørelser.

– Hvorfor gjør datamodellen det den gjør? Det må trolig mer forskning til for å forstå mer om hvordan den tenker og tar beslutninger før vi tør å stole på at den skal ta viktige beslutninger og brukes i kritiske beslutningssystemer, sier Murray.

Han tror det vil ta tid før vi kan stole på at slike systemer kan handle på egen hånd. Dette er en av grunnene til at dette bør være et støttesystem til å begynne med.

Brian Murray skal nå videreutvikle arbeidet sitt ved forskningsinstituttet Sintef Ocean. Han tar del i EU-prosjektet Vessel-AI der målet er å finne ut mer om hvordan kunstig intelligens kan støtte fremtidens skipsfart.

Referanse:

Brian Murray: Machine Learning for Enhanced Maritime Situation Awareness: Leveraging Historical AIS Data for Ship Trajectory Prediction. Doktorgradsavhandling ved UiT Norges arktiske universitet, 2021.

Powered by Labrador CMS