Kan sikre skipsfarten med kunstig intelligens

Vi gjør oppmerksom på at denne artikkelen er over to år gammel, og kan ha innhold som er utdatert.

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

Det er derfor veldig viktig at navigatører har en god situasjonsforståelse og et godt overblikk over trafikken i området, slik at de kan minimere risikoen for å havne i uheldige situasjoner.

Uansett hvor flinke navigatører vi har om bord i fartøyene hevdes det at menneskelige feil er årsaken til mer enn tre av fire ulykker til havs. Innføringen av systemer basert på kunstig intelligens, som kan støtte navigatørene, pekes derfor på som en mulig løsning for å bedre sikkerheten.

Kunstig intelligens – i lomma

Kunstig intelligens og maskinlæring er i full utvikling, og de fleste av oss har eksempler på dette i lomma allerede, i form av Siri eller Google-assistant på mobiltelefonen.

Mange moderne biler har også førersystemer som bygger på dette, og etter hvert som de utvikles vil det sannsynligvis være vanlig med selvkjørende (autonome) kjøretøy i fremtiden.

– I det siste har det vært en del fremgang innen maskinlæring som kan bidra til å gjøre autonome biler mer oppnåelig. Dette er også overførbart til det maritime, og slike systemer er på full fart inn i sjøfarten, sier Brian Murray.

Han har vært stipendiat ved UiT Norges arktiske universitet og avla nylig sin doktorgradsavhandling der temaet var bruk av maskinlæring som et middel for å støtte skipsnavigatørene til å forutsi potensielt farlige situasjoner.

Maskinene etterligner menneskehjernen

På samme måte som mennesker lærer av å observere omverdenen, lar maskinlæring datamaskiner lære av data. Dette har gjort det mulig å utvikle flere teknologier som datasyn og talegjenkjenning. Fremgangen innen maskinlæring skyldes i stor grad det som kalles deep learning.

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

Deep learning er avhengig av tilgang til store datamengder, og modellene vil forbedre seg jo mer data man har. Vi lever i et informasjonssamfunn og siden det nå eksisterer mye data innen ulike prosesser, ser man store muligheter for utvikling i årene som kommer.

Første steg på veien mot selvgående fartøy

Nå vil det fortsatt gå en del tid før det blir vanlig å se selvgående fartøy på sjøen, men de som forsker på dette ser for seg en gradvis utvikling der kunstig intelligens i stadig større grad støtter mannskapet som fører fartøyene.

FNs organisasjon for sikker og trygg skipsfart heter International Maritime Organization (IMO). De 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 å bruke maskinlæring for å forsterke situasjonsforståelsen og støtte navigatøren i å tolke risikobildet. Systemet skal ikke ta avgjørelsene, det er det fortsatt navigatøren som gjør, 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. Dette gjør at man unngår risikofylte situasjoner, samt at trafikken flyter mer optimalt, sier Murray.

Det å predikere skipsbaner kan være komplisert. Det som brukes i dag er lineære metoder der du forutser skipets bevegelse basert på nåværende fart og retning, så estimerer du i en rett linje hvor det er om en viss tid.

Murray peker på at dette er robuste teknikker, men at de ikke tar hensyn til fremtidige manøvrer – og er derfor ikke særlig godt egnet til å redusere risiko for kollisjoner hvis den fremtidige banen er kompleks.

– Et slikt system jeg beskriver er bare tenkt som et tillegg. Du trenger fortsatt systemene som finnes i dag, men dette kan være en bedre måte å forutsi fremtidige faresituasjoner og som kan hjelpe til med å minimere risikoen, sier Murray.

Murray ser for seg at et slikt system kan presenteres i et kartsystem, der navigatøren visuelt vil kunne se relevante fremtidige skipsbaner, usikkerhetsfaktorer og mulige farlige situasjoner som kan oppstå. Navigatøren kan da ta bedre og raskere avgjørelser. Et slikt system kan også støtte operatører i sjøtrafikksentraler, samt fremtidige autonome skip.

PC-skjerm — Løsningen kan på sikt integreres i et kartverktøy navigatørene kan bruke. Foto: Jonatan Ottesen, UiT

Henter erfaring fra faktisk skipsfart

Mens en navigatør tar sine avgjørelser basert på lang erfaring, har i utgangspunktet ikke et dataprogram den erfaringen. Før det kan begynne å fungere og «tenke selv» må det mates med et erfaringsgrunnlag.

Alle større fartøy skal bruke et system som heter Automatisk identifikasjonssystem eller på engelsk Automatic Identification System, forkortet AIS. Dette er i utgangspunktet et antikollisjonshjelpemiddel for skipsfarten, og det gir offentlige myndigheter oversikt over skipstrafikken i forskjellige farvann.

Denne oversikten kan du blant annet se via nettsiden Marine Traffic.

AIS-data logges i databaser og gir et bilde av historiske skipsbevegelser i et gitt område over tid. Ved å hente ut disse dataene har Murray kunnet fore dataprogrammet med det som da blir et stort og omfattende erfaringsgrunnlag.

– Mens en navigatør får erfaring over tid og blir flinkere til å gjenkjenne situasjoner og forutse fremtidige løsninger, kan den erfaringen bli representert gjennom historiske AIS-data – som da viser hvordan fartøy i et gitt område faktisk har beveget seg. Tanken er at vi kan bruke denne infoen, om hvordan skip har beveget seg historisk, til å predikere hvordan de vil oppføre seg i fremtiden, sier Murray.

Og jo mer data du gir maskinen, jo større erfaring får den. Potensialet er stort.

– Men erfaringsgrunnlaget til modellen, er datasettet den er trent på. Hvis modellen ikke har sett noe før, så er det vanskelig for den å predikere det. Men har det skjedd før, så klarer vi mest sannsynlig å predikere det, forklarer Murray.

Kan vi stole på dette?

Noe av utfordringen med systemer basert på maskinlæring er at vi ikke helt forstår hva som skjer og hvordan systemet tar avgjørelser.

– Det som er krevende med slike metoder, er at de blir oppfattet som det vi kaller for «black box approaches». 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.

Murray tror det vil ta tid før vi kan stole på at slike systemer kan handle på egen hånd, og dette er en av grunnene til at han ser for seg at det er fornuftig å starte med å anvende dette som et støttesystem til å begynne med.

Kan fore datamodellen med værdata

Murray ser for seg at det å øke datasettet vil være en naturlig måte å utvikle systemet videre på.

– Det å inkludere værdata hadde vært interessant, fordi da kan modellen selv lære hva det er som er viktig å fokusere på. Vindretning, vindstyrke, bølgehøyde, strømningsforhold – alt dette kan gjøre at ting blir mer presist, sier han.
Først etter at systemet er mer utviklet og finpusset kan det være aktuelt å teste ut en prototype på navigatørene.

– Da kan vi se på brukertesting, teste det i simulator og kanskje se på eksempler med og uten systemet – hvordan tar navigatørene valg, har dette effekt? spør Murray.

Nå som Murray er ferdig med stipendiatet er han på vei over for å jobbe hos forskningsinstituttet SINTEF Ocean. Der skal han videreutvikle arbeidet sitt i EU-prosjektet Vessel-AI. Her skal SINTEF forske med flere partnere på hvordan kunstig intelligens kan støtte fremtidens skipsfart. Blant partnerne er Marine Traffic, Kongsberg Norcontrol og Massterly.

Murray er den første ph.d.-studenten ved UiT som fullfører graden sin i et doktorgradsprogram som ble opprettet i 2016. Studiet i nautiske operasjoner er en fellesgrad mellom UiT, NTNU, Høgskulen på Vestlandet (HVL) og Universitetet i Sørøst-Norge (USN).

Maritim Kompetanse mot 2020 (MARKOM2020) er viktigste nasjonale prosjekt for å heve kvaliteten på norsk maritim profesjonsutdanning. Ny og oppdatert kunnskap og forskning er avgjørende for at Norge fortsetter som en verdensledende havnasjon – og sikrer velstand og vekst i norsk økonomi.

UiT har vært en del av dette samarbeidet.

Rolland, Tomas tomas.rolland@uit.no Strategisk seniorrådgiver

Publisert: 29.06.21 09:39 Oppdatert: 29.06.21 10:10

Hav Teknologi Tromsø