[論文レビュー] On Neural Network Identification for Low-Speed Ship Maneuvering Model

Kouki Wakita, Atsuo Maki+5 more|arXiv (Cornell University)|Nov 11, 2021

Fluid Dynamics Simulations and Interactions参考文献 38被引用数 6

ひとこと要約

本論文は、自由走行模型試験を用いた低速船の操舵モデルの再帰的ニューラルネットワーク（RNN）ベースのシステム同定手法を提案し、測定ノイズに対するロバスト性を向上させるために新しい損失関数を導入している。この手法は、特にランダム操舵試験を訓練データに含めた場合、ドッキング操作における予測精度が優れており、複雑な低速状況下での従来のMMGモデルを上回っている。

ABSTRACT

Several studies on ship maneuvering models have been conducted using captive model tests or computational fluid dynamics (CFD) and physical models, such as the maneuvering modeling group (MMG) model. A new system identification method for generating a low-speed maneuvering model using recurrent neural networks (RNNs) and free running model tests is proposed in this study. We especially focus on a low-speed maneuver such as the final phase in berthing to achieve automatic berthing control. Accurate dynamic modeling with minimum modeling error is highly desired to establish a model-based control system. We propose a new loss function that reduces the effect of the noise included in the training data. Besides, we revealed the following facts - an RNN that ignores the memory before a certain time improved the prediction accuracy compared with the "standard" RNN, and the random maneuver test was effective in obtaining an accurate berthing maneuver model. In addition, several low-speed free running model tests were performed for the scale model of the M.V. Esso Osaka. As a result, this paper showed that the proposed method using a neural network model could accurately represent low-speed maneuvering motions.

研究の動機と目的

• 高齢化する海事作業員の自動ドッキング制御に向けた正確な低速操舵モデル化の課題に取り組む。
• レイノルズ数の差異がある簡易仮定とキャプティブモデル試験に依存する従来のホワイトボックスモデル（MMG）の限界を克服する。
• 低速ドッキング操舵における複雑な水動力学をよりよく捉えるブラックボックス型ニューラルネットワークモデルを開発する。
• 訓練データにおけるノイズの多い測定データの影響を低減することで、予測精度を向上させる。
• ランダム操舵試験を訓練データセットに含めることで、ドッキングシナリオへの汎化性能が向上するかを検証する。

提案手法

• M.V. エッソ・オサカスケールモデルの自由走行模型試験を用いて、実世界の操舵データを収集する。
• 再帰的ニューラルネットワーク（RNN）を採用し、時間的依存性を捉えるために記憶機能を活用して船の動的挙動をモデル化する。
• 加速度の直接評価ではなく、位置誤差と速度誤差を評価する独自の損失関数を提案し、微分データのノイズに敏感になるのを軽減する。
• メモリを特定の時間窓より前には破棄するように変更したRNNを含む、複数のRNNバージョンを訓練する。
• ランダム操舵を含む多様な操舵パターンを訓練データセットに組み込み、モデルのロバスト性を向上させる。
• 同一のテストデータセットを用いて、提案されたRNNモデルと従来のMMGモデルの性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 自由走行模型試験データを用いたRNNベースのシステム同定手法は、低速船の操舵動的挙動を正確にモデル化できるか？
• RQ2 初期メモリ状態を無視するように変更したRNNは、標準RNNと比較して予測精度が向上するか？
• RQ3 提案された損失関数は、訓練データにおけるノイズの多い測定データの影響をどれほど低減できるか？
• RQ4 訓練データにランダム操舵試験を含めることで、ドッキング操作の予測性能がどの程度向上するか？
• RQ5 低速ドッキングシナリオにおいて、提案されたRNNモデルは従来のMMGモデルと比較してどの程度優れているか？

主な発見

• 初期状態のメモリを無視するRNNアーキテクチャは、標準RNNと比較して、ドッキング操作における予測精度が著しく向上した。
• 加速度ではなく位置と速度の誤差を評価する提案損失関数は、ノイズへの感受性を低減させ、モデル精度を顕著に向上させた。
• 訓練データにランダム操舵試験を組み込むことで、モデルの汎化能力が向上し、すべてのドッキング試験（Berthing1, Berthing2, Berthing3）における予測精度が向上した。
• 訓練データに十分に含まれていたランダム操舵、旋回、ジグザグ操舵のシナリオでは、RNNモデル（Type-1およびType-5）がMMGモデルを上回る予測精度を達成した。
• 一方、訓練データに十分に含まれていなかったドッキング操舵シナリオでは、MMGモデルがRNNモデルを上回った。これは、データカバレッジの重要性を示している。
• RNNモデルの予測性能はランダムシードに敏感であり、信頼できる汎化性能を得るためには、十分で多様な訓練データの確保が不可欠であることが示された。