関連リンク |
|
石橋 篤 (イシバシ アツシ) ISHIBASHI Atsushi
|
論文 【 表示 / 非表示 】
-
船舶運航者の操船特性に基づいた着桟操船支援システムの開発に関する研究
石橋 篤 , 2019年12月
学位論文
-
Verification on The Effectiveness of The Support System for Barthing Maneuver From Viewpoint of The Mariner's Information Porcessing
Atsushi ISHIBASHI, Hiroaki KOBAYASHI , 2019年07月
19th Asian Conference on Maritime System and Safety Research , 55 - 64
-
船舶機関室シミュレータを用いたチーム活動に関する訓練手法の検討
小嶋 満夫, 堀木 幸代, 塚本 達郎, 内野 明子, 石橋 篤, 小林 弘明 , 2018年
交通・物流部門大会講演論文集 , 2018 (0) , 1029
-
Concepts of ETM(Engine-Room Team Management) For Safety Operation of Ship Power Plant
Mitsuo Kojima, Sachiyo Horiki, Tatsuro Tsukamoto, Akiko Uchino, Atsushi Ishibashi, Hiroaki Kobbayashi , 2017年11月
Proceedings 17th Asian Conference on Maritime System and Safety Research , 112 - 118
-
Concepts of ETM (engine-room team management) for safety operation of ship engine power plant-suggestion of scenario suitable for competency evaluation
Mitsuo Kojima, Sachiyo Horiki, Tatsuro Tsukamoto, Akiko Uchino, Atsushi Ishibashi And Hiroaki Kobayashi , 2017年11月
Proceedings 13th of The International Conference on Engine Room Simulators (ICERS) , 0 - 0
科研費(文科省・学振)獲得実績 【 表示 / 非表示 】
-
再帰型ニューラルネットワークを用いた操縦運動推定モデルの構築
研究期間: 2021年04月 - 2024年03月 代表者: 古川 芳孝
基盤研究(B) 研究分担者 21H01550
自律航行船舶の開発のためには,船舶の操縦運動を正確に再現可能な操縦運動モデルを用いたシミュレーション計算の実施が不可欠であるが,全ての船舶について操縦運動方程式中に含まれる各種流体力に関する係数が求められているとは限らない。そこで,各種流体力係数を含む運動方程式を解いて船舶の操縦運動を推定する従来の方法に代えて,運航計測データに含まれる操縦運動の情報に対して深層学習技術の一種である再帰型ニューラルネットワークを適用することにより,船体に作用する流体力の数学モデルが不要で,操縦運動方程式を解くことなく船舶の操縦運動を推定可能な操縦運動推定モデルの構築手法の開発を行う。
船舶の操縦運動を表すパラメータである船速,斜航角,回頭角速度の計測データに基づいて,運動方程式や各種流体力係数を必要とせずに船舶の操縦運動を推定するためのモデル構築について基礎的な検討を行った。無外乱状態における操縦運動の推定モデルの入力変数としては,船速,斜航角,回頭角速度に加えて,制御力を与える舵角とプロペラ回転数を時系列データとして取り扱うものとした。
操縦運動推定モデルの構築には,深層学習(Deep Learning)技術の一種であり,一般的な再帰型ニューラルネットワークで用いられるニューロンに代えてメモリセルと入力・忘却・出力ゲートからなるLSTM(Long Short-Term Memory)ブロックを導入することにより,過去の入力情報を記憶した上で誤差を逆伝播可能とした再帰型ニューラルネットワークを適用した。
学習に用いる教師データは操縦運動のシミュレーション計算を実施して生成した。また,教師データとして用いる船舶の操縦運動は定常旋回運動やZigzag運動等の舵角を規則的に変化させる運動とし,時系列データの長さやサンプリング間隔,学習に必要なデータセット数や学習時のバッチサイズとエポック数,さらに再帰型ニューラルネットワークの隠れ層の層数やノード数等の値の影響について検討を行った。
一方,計測データに含まれる誤差やノイズの影響の評価や除去方法に関する基礎的な知見を得ることを目的として,舵角の大きさや継続時間等をランダムに設定した操縦運動のシミュレーション計算結果に仮想のノイズを付加することにより,実船で計測された操縦運動データを模擬した教師データの生成を行った。この教師データを対象として,前述の操縦運動推定モデルの構築手法を適用することにより,実船計測データを利用する上で注意を要する事項や問題点,ハイパーパラメータの選定に及ぼす影響について検討を行った。
当初の計画通り,研究はおおむね順調に進展している。
低速航行時の操縦運動推定モデル構築のための教師データの収集を目的として,九州大学船舶運動性能試験水槽において,模型船を用いて舵角やプロペラ回転数等を変化させた自由航走模型試験を実施する。教師データとして利用するためには,様々な船速や操舵に対する運動状態を含み,かつ長時間にわたる計測が必要となることから,水槽内における模型船の位置や進行方向,船速,回頭角速度等を計測し,進行方向前方の水槽内の航行可能範囲に応じて自動操舵する運動制御プログラムの開発を併せて実施し,効率的かつ自動的に長時間にわたる操縦運動データの計測を実現する。
続いて,自由航走模型試験より得られた教師データに対して再帰型ニューラルネットワークを適用することにより,低速航行時の操縦運動推定モデルの構築について検討を行う。自由航走模型試験によって得られたデータには計測誤差やノイズが含まれることになるため,計測誤差やノイズが操縦運動の推定精度に及ぼす影響ならびにその影響を除去する方法について検討を行う。また,操縦運動状態の違い(通常航行時と低速航行時)が時系列データの長さやサンプリング間隔,各種ハイパーパラメータの設定に及ぼす影響について評価する。
さらに,外乱として風速・風向が一定の定常風と流速・流向が一定の潮流の影響を組み込んだ操縦運動のシミュレーション計算を実施し,定常旋回運動やZigzag運動のような舵角を規則的に変化させた操縦運動と,舵角や操舵の継続時間等をランダムに設定した操縦運動の教師データを生成することにより,外乱の影響を受けた操縦運動に対する再帰型ニューラルネットワークの適用性について検討を行う。
最後に,第3年度に予定している異なる船型の模型船を対象とした通常航行時の操縦運動推定モデルの構築手法の検証に必要となる低速航行時の操縦運動データ収集を目的とした模型試験の予備試験を行う。