[论文解读] 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 6

一句话总结

本文提出一种基于循环神经网络（RNN）的系统辨识方法，用于低速船舶操纵模型，采用自由航行模型试验数据，引入一种新型损失函数以提升对测量噪声的鲁棒性。该方法在靠泊操纵中实现更优的预测精度，尤其在训练数据中包含随机操纵试验时表现更佳，优于传统MMG模型在复杂低速场景下的表现。

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.

研究动机与目标

• 解决老龄化海员队伍在自动靠泊控制中准确建模低速操纵行为的挑战。
• 克服传统白箱模型（如MMG）的局限性，后者依赖简化假设，并通过雷诺数差异显著的约束模型试验获取数据。
• 开发一种黑箱神经网络模型，以更好地捕捉低速靠泊操纵中的复杂水动力特性。
• 通过降低训练数据中噪声测量数据的影响，提升预测精度。
• 探究在训练数据集中包含随机操纵试验对提升模型在靠泊场景下泛化能力的有效性。

提出的方法

• 利用M.V. Esso Osaka比例模型的自由航行试验数据，采集真实世界的操纵数据。
• 采用循环神经网络（RNN）建模船舶动态行为，利用记忆机制捕捉时间依赖性。
• 提出一种自定义损失函数，评估位置和速度误差而非直接加速度，以降低对噪声导数数据的敏感性。
• 训练多种RNN变体，包括一种在特定时间窗口前丢弃记忆的改进型RNN，以提升泛化能力。
• 在训练数据集中引入多样化操纵动作，包括随机操纵，以增强模型鲁棒性。
• 使用相同的测试数据集，将所提RNN模型的性能与传统MMG模型进行对比。

实验结果

研究问题

• RQ1 基于自由航行模型试验数据，RNN-based系统辨识方法能否准确建模低速船舶操纵动力学？
• RQ2 忽略早期记忆状态的改进型RNN是否相比标准RNN能提升预测精度？
• RQ3 所提出的损失函数在降低噪声测量数据对模型训练影响方面的有效性如何？
• RQ4 在训练数据中包含随机操纵试验，能在多大程度上提升模型对靠泊操纵的预测性能？
• RQ5 在低速靠泊场景下，所提RNN模型与传统MMG模型的性能相比如何？

主要发现

• 当忽略早期状态记忆时，基于RNN的模型显著优于标准RNN，提升了靠泊操纵的预测精度。
• 所提出的损失函数（评估位置和速度误差而非加速度）通过降低对噪声的敏感性，显著提升了模型精度。
• 在训练数据中引入随机操纵试验，增强了模型的泛化能力，并在所有靠泊测试（Berthing1、Berthing2和Berthing3）中提升了预测精度。
• 对于在训练数据中充分覆盖的随机、回转和Z型操纵，RNN模型（Type-1和Type-5）的预测精度优于MMG模型。
• 相反，对于训练数据中覆盖不足的靠泊操纵，MMG模型的性能优于RNN模型，表明数据覆盖度至关重要。
• RNN模型的预测性能对随机种子敏感，凸显了充分且多样化训练数据对可靠泛化的重要性。