AP 8100 [BAW]

Innerhalb des Arbeitspakets 8100 werden die AIS-Daten aus dem AP 4300 verwendet. Um die AIS-Daten für die spätere Berechnung der Trajektorien vorzubereiten, werden die Daten zunächst für die unterschiedlichen Schiffstypen separiert und in Abhängigkeit vom Wasserstand getrennt für Berg- und Talfahrt statistisch ausgewertet. Hieraus können revierspezifisch typische Fahrspuren und Handlungsoptionen für den jeweiligen Schiffstyp abgeleitet und die zugehörigen Wahrscheinlichkeiten, wo sich das Schiff voraussichtlich befinden wird, bestimmt werden, wobei die jeweilige Verkehrssituation (Begegnung und / oder Überholung) typisiert berücksichtigt wird. Dieser Arbeitsschritt erfolgt bedarfsweise im Abgleich mit erfahrenen Schiffsführern.

Mit der Methode des maschinellen Lernens wird ein weiterer Ansatz verfolgt. Hierzu wird ein künstliches, neuronales Netz mit einer großen Menge von aufgezeichneten AIS-Daten trainiert, mit dem Ziel die Schiffsbewegungen in einem bestimmten Wasserstraßenabschnitt, also ortsabhängig zu prognostizieren. Neben den Bewegungsdaten der Schiffe werden insbesondere Pegeldaten als Input für das neuronale Netz eingesetzt, da die fahrdynamischen Eigenschaften erheblich von der Strömung und den verfügbaren Wassertiefen bestimmt werden. Die Stellgröße für das maschinelle Lernen ist der Abgleich der prognostizierten Trajektorien mit den aufgezeichneten AIS-Daten. Mithilfe des maschinellen Lernens sollen analog zur statistischen Auswertung der AIS-Daten wahrscheinliche Fahrspuren für typisierte Schiffe ermittelt werden. Ziel dieses zweiten Ansatzes ist es, gegenüber den herkömmlichen statistischen Auswertungen eine weitere Verbesserung der Prognose zu erreichen, indem unbekannte Einflussfaktoren, beispielsweise individuelle Schiffsformen (Heckform, Bugform, usw.) oder vom Schiffsführer abhängige Einflussfaktoren Berücksichtigung finden.

Einen dritten Ansatz verfolgt der Lehrstuhl Steuerung, Regelung und Systemdynamik (SRS) der Universität Duisburg-Essen, der ebenfalls auf der Methode des maschinellen Lernens beruht. Hierfür werden aber anonymisierte (typisierte) AIS-Daten eingesetzt, mit dem Ziel ein ortsunabhängiges Verhaltensmodell von Schiffsführern zu entwickeln, das dann auch in der Lage ist Trajektorien in Wasserstraßenabschnitten zu generieren, für die keine aufgezeichneten AIS-Daten vorliegen. Ein weiterer Aspekt dieses dritten Ansatzes ist die offline-Prognose, damit auch bei Ausfällen der Mobilfunkverbindung, beispielsweise zum BAW-Server, Trajektorien generiert werden können.

In diesem Arbeitspaket werden parallel verschiedene methodische Ansätze zur Prognose von Trajektorien entwickelt, womit die Verlässlichkeit und Ausfallsicherheit dieses elementar wichtigen Bausteins für die automatisierte Steuerung von Binnenschiffen erhöht wird. Die mit den verschiedenen Ansätzen ermittelten Trajektorien müssen in einem finalen Schritt mit Entscheidungs- und Informationsfusionsverfahren zusammengeführt werden, um situativ maximal präzise Vorhersagen zu generieren.