[논문 리뷰] On Neural Network Identification for Low-Speed Ship Maneuvering Model

Kouki Wakita, Atsuo Maki외 5명|arXiv (Cornell University)|2021. 11. 11.

Fluid Dynamics Simulations and Interactions참고 문헌 38인용 수 6

한 줄 요약

이 논문은 자유 주행 모형 시험을 이용한 저속 선박 항로 제어 모델을 위한 순환 신경망(RNN) 기반 시스템 식별 방법을 제안하며, 측정 노이즈에 대한 강건성을 향상시키는 새로운 손실 함수를 도입한다. 이 방법은 특히 랜덤 항로 시험 데이터를 학습에 포함시킬 경우 도킹 조작에서 뛰어난 예측 정확도를 보이며, 복잡한 저속 상황에서 기존의 MMG 모델을 능가한다.

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.

연구 동기 및 목표

• 노후화된 해사 인력이 많은 환경에서 자동 도킹 제어를 위한 정확한 저속 항로 제어 모델링 문제를 해결한다.
• 레이놀즈 수의 불일치로 인해 단순화된 가정에 의존하고, 고정 모형 시험에 의존하는 기존의 백박스 모델인 MMG 등의 한계를 극복한다.
• 저속 도킹 조작에서의 복잡한 수중역학을 더 잘 포착할 수 있는 블랙박스 신경망 모델을 개발한다.
• 학습 데이터 내 노이즈가 많은 측정 데이터의 영향을 줄여 예측 정확도를 향상시킨다.
• 랜덤 항로 조작 데이터를 학습 데이터셋에 포함시켜 도킹 시나리오에 대한 일반화 능력을 향상시키는 효과를 조사한다.

제안 방법

• M.V. 에소 오사카 스케일 모형의 자유 주행 모형 시험을 통해 실제 항로 데이터를 수집한다.
• 순환 신경망(RNN)을 도입하여 선박의 동적 거동을 모델링하며, 기억 기능을 활용해 시간적 의존성을 포착한다.
• 가속도 직접 평가가 아닌 위치 및 속도 오차를 평가하는 맞춤형 손실 함수를 제안하여 유도 데이터의 노이즈 민감도를 낮춘다.
• 기존 RNN 외에 특정 시간 창 이전의 기억을 버리는 수정된 RNN을 포함한 다양한 RNN 변종을 학습한다.
• 랜덤 조작을 포함한 다양한 조작을 학습 데이터셋에 통합하여 모델의 강건성을 향상시킨다.
• 동일한 테스트 데이터셋을 사용해 제안된 RNN 모델과 기존의 MMG 모델의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 자유 주행 모형 시험 데이터를 이용한 RNN 기반 시스템 식별 방법은 저속 선박 항로 제어 동역학을 정확하게 모델링할 수 있는가?
• RQ2 초기 기억 상태를 무시하는 수정된 RNN은 표준 RNN보다 예측 정확도를 향상시키는가?
• RQ3 제안된 손실 함수는 측정 노이즈의 영향을 줄여 모델 학습에 얼마나 효과적인가?
• RQ4 학습 데이터에 랜덤 항로 조작을 포함시키면 도킹 조작에 대한 예측 성능 향상에 어느 정도 기여하는가?
• RQ5 저속 도킹 상황에서 제안된 RNN 모델은 기존의 MMG 모델보다 성능이 뛰어나기는 한가?

주요 결과

• 이전 상태의 기억을 무시하는 RNN 기반 모델은 표준 RNN보다 도킹 조작에서 예측 정확도가 뚜렷이 향상되어 성능이 향상되었다.
• 가속도가 아닌 위치 및 속도 오차를 평가하는 제안된 손실 함수는 노이즈 민감도를 감소시켜 모델 정확도를 크게 향상시켰다.
• 랜덤 항로 조작 데이터를 학습 데이터셋에 포함시킴으로써 모델의 일반화 능력이 향상되었고, 모든 도킹 테스트(Berthing1, Berthing2, Berthing3)에서 예측 정확도가 향상되었다.
• 학습 데이터에 잘 포함된 랜덤, 회전, 지그재그 조작에 대해서는 RNN 모델(Type-1 및 Type-5)이 MMG 모델보다 더 높은 예측 정확도를 달성했다.
• 반면, 학습 데이터에 충분히 포함되지 않은 도킹 조작에 대해서는 MMG 모델이 RNN 모델보다 더 뛰어난 성능을 보였으며, 이는 데이터 커버리지의 중요성을 시사한다.
• RNN 모델의 예측 성능는 랜덤 시드에 민감하게 영향을 받는 것으로 나타나, 신뢰할 수 있는 일반화를 위해 충분하고 다양한 학습 데이터가 필수적임을 보여준다.