Neuroevolutionary approach to COLREGs ship maneuvers

• Autorzy: Łącki M.

Identyfikatory

DOI

10.12716/1001.13.04.06

• Języki publikacji: EN

Abstrakty

EN

The paper describes the usage of neuroevolutionary method in collision avoidance of two power-driven vessels approaching each other regarding COLREGs rules. This may be also be seen as the ship handling system that simulates a learning process of a group of artificial helmsmen - autonomous control units, created with artificial neural networks. The helmsman observes an environment by its input signals and according to assigned CORLEGs rule, he calculates the values of required parameters of maneuvers (propellers rpm and rudder deflection) in a collision avoidance situation. In neuroevolution such units are treated as individuals in population of artificial neural networks, which through environmental sensing and evolutionary algorithms learn to perform given task safely and efficiently. The main task of this project is to evolve a population of helmsmen which is able to effectively implement chosen rule: crossing or overtaking.

Słowa kluczowe

EN

collision avoidance; colregs; neuroevolutionary approach to colregs; ship handling system; artificial helmsman; Artificial Neural Network (ANN); evolutionary algorithms; ship manoeuvering

• Wydawca: Faculty of Navigation, Gdynia Maritime University
• Czasopismo: TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
• Rocznik: 2019
• Tom: Vol. 13. no. 4
• Strony: 745--750
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Łącki M.

• Gdynia Maritime University, Gdynia, Poland

Bibliografia

• 1. Demirel, E. & Bayer, D. 2015. The Further Studies On The  COLREGs  (Collision  Regulations),  TransNav,  the  International Journal on Marine Navigation and Safety of Sea  Transportation, vol. 9, 17–22. 
• 2. Łącki,  M.  2007.  Machine  Learning  Algorithms  in  Decision  Making  Support  in  Ship  Handling.  ,  Katowice‐Ustroń:  WKŁ, p. 
• 3. Larkin,  D.,  Kinane,  A.  &  O’Connor,  N.  2006.  Towards  hardware  acceleration  of  neuroevolution  for  multimedia  processing  applications  on  mobile  devices  ,  Hong  Kong,  China. 
• 4. Lee, S., Yosinski, J., Glette, K., Lipson, H. & Clune J 2013.  Evolving gaits for physical robots with the HyperNEAT  generative  encoding:  the  benefits  of  simulation,  Applications of Evolutionary Computing,. 
• 5. Naeem, W., Irwin, G.W. & Aolei, Y. 2012. COLREGs‐based  collision avoidance strategies for unmanned surface vehicles ,  Oxford, ROYAUME‐UNI: Elsevier.
• 6. Nowak,  A.,  Praczyk,  T.  &  Szymak,  P.  2008.  Multi‐agent  system  of  autonomous  underwater  vehicles  ‐  preliminary report, Zeszty Naukowe Akademii Marynarki  Wojennej, vol. 4, 99–108. 
• 7. Pietrzykowski, Z. & Małujda, R. 2012. Applicability of fuzzy  logic  to  the  COLREG  rules  interpretation,  Zeszyty  Naukowe/Akademia Morska W Szczecinie, 109–114.
• 8. Stanley,  K.O.  &  Risto,  M.  2002.  Efficient  Reinforcement  Learning Through Evolving Neural Network Topologies. 
• 9. Stanley,  K.O.,  Bryant,  B.D.  &  Risto,  M.  2005.  Real‐time  neuroevolution  in  the  NERO  video  game,  IEEE  Transactions on Evolutionary Computation, vol. 9, 653–668.
• 10. Szłapczyński, R. & Szłapczyńska, J. 2012. Evolutionary Sets  of  Safe  Ship  Trajectories:  Evaluation  of  Individuals,  TransNav, the International Journal on Marine Navigation  and Safety of Sea Transportation, vol. 6, 345–353. 
• 11. Wang, T., Yan, X.P., Wang, Y. & Wu, Q. 2017. Ship Domain  Model  for  Multi‐ship  Collision  Avoidance  Decisionmaking  with  COLREGs  Based  on  Artificial  Potential  Field,  TransNav,  the  International  Journal  on  Marine  Navigation and Safety of Sea Transportation, vol. 11, 85–92