JPWO2020075274A1 - 船舶行動学習方法、船舶行動学習装置、航海状態推定方法および航海状態推定装置 - Google Patents

Abstract

船舶の時系列位置情報から、注目船舶の各時刻における航海状態を安定的に推定するために、航海状態推定装置２０は、船舶行動学習装置１０による学習によって生成されるパラメータを利用して、船舶の航海状態を推定する航海状態推定手段２１を備える。船舶行動学習装置１０は、船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する航跡パターン生成手段と、航跡パターンと船舶の航海状態との関係に基づいて船舶行動を学習するパターン学習手段とを備える。

Description

本発明は、航海状態を推定する航海状態推定方法および航海状態推定装置、ならびに航海状態推定方法および航海状態推定装置のために船舶行動を学習する船舶行動学習方法および船舶行動学習装置に関する。

近年、違法な漁業による環境破壊や資源の枯渇が世界的に問題視されている。違法漁業を抑止するための手段として、船舶自動識別装置（Automatic Identification System: AIS）が注目されている。ＡＩＳは、船舶間で、および、船舶と地上基地局との間で、船舶の識別符号、種類、位置、針路、速力、航海状況（航海状態ともいう。）などの情報を相互通信するための装置である。

航海状態を表すコードには、航行中、錨泊中および係留中などのコードに加えて、漁労中であることを示すコードが含まれる。ＡＩＳが正しく運用されることによって、個々の漁船の行動が把握され、さらに、所定の海域全体での漁業の実態が把握されることが期待される。

船舶に搭載されるＡＩＳには、クラスＡとクラスＢ（簡易型ＡＩＳとも呼ばれる。）との２種類がある。多くの漁船には、クラスＢのＡＩＳが搭載されている。クラスＢでは、航海状態を示すコードは送信されない。クラスＡでは、航海状態を示すコードは送信されるが、航海状態は、船員によって手作業で装置に入力される。したがって、航海状態の偽装がなされる可能性がある。

非特許文献１には、簡易型ＡＩＳでも送信可能であり、かつ、偽装困難なデータを用いて、漁労と漁労以外の船舶行動とを判別する手法が開示されている。具体的には、非特許文献１に記載された手法では、船舶の時系列位置情報から航跡パターンが生成される。より具体的には、離散的なＡＩＳのデータ点間を線で結ぶことによって航跡画像が生成される。航跡パターンに基づいて、漁労と漁労以外の船舶行動が判別される。漁労を行っている船舶は特徴的な航跡を示すことがあるため、漁労と漁労以外の船舶行動が高精度に２値判別される。また、大量に生成された航跡画像がニューラルネットワークで学習される。

特開２００５−９６６７４号公報

Xiang Jiang, Daniel L. Silver, Baifan Hu, Erico N. de Souza, Stan Matwin: "Fishing Activity Detection from AIS Data Using Autoencoders" Canadian Conference on AI 2016: pp. 33-39

非特許文献１に記載された船舶行動解析手法では、航跡パターンの情報のみを用いて漁労と漁労以外の船舶行動が判別される。したがって、通常航行と同じような航跡パターンをもつ漁労の船舶行動を高精度に判別することができない。また、判別できる船舶行動は漁労とそれ以外の２値である。詳細な航海状態（例えば、漁種）を推定することはできない。すなわち、非特許文献１に記載されたような船舶行動解析手法には、船舶が多様な航海状態のうちのどのような状態にあるのかを安定的に推定することができないという課題がある。

なお、特許文献１には、船舶の航跡パターンを求め、求められた航跡パターンとあらかじめ登録されている不審行動パターンとを比較し、航跡パターンと不審行動パターンとが一致または類似している場合に、船舶を不審であると判定する方法が記載されている。

しかし、非特許文献１に記載された方法と同様、特許文献１に記載された方法は、一般船舶（正常船）であるのか不審船であるのかを判定する２値判別方法にすぎない。すなわち、船舶が多様な航海状態のうちのどのような状態にあるのかを安定的に推定することはできない。

本発明は、注目船舶の各時刻における航海状態を安定的に推定できる航海状態推定方法および航海状態推定装置を提供することを目的とする。

本発明による船舶行動学習方法は、船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成し、航跡パターンと船舶の航海状態との関係に基づいて船舶行動を学習する。

本発明による航海状態推定方法は、船舶行動学習方法による学習によって生成されるパラメータを利用して、船舶の航海状態を推定する。

本発明による船舶行動学習装置は、船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する航跡パターン生成手段と、航跡パターンと船舶の航海状態との関係に基づいて船舶行動を学習するパターン学習手段とを含む。

本発明による航海状態推定装置は、船舶行動学習装置による学習によって生成されるパラメータを利用して、船舶の航海状態を推定する航海状態推定手段を含む。

本発明による船舶行動学習プログラムは、コンピュータに、船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する処理と、航跡パターンと船舶の航海状態との関係に基づいて船舶行動を学習する処理とを実行させる。

本発明による航海状態推定プログラムは、コンピュータに、船舶の時系列の位置情報および速度情報に基づいて生成される航跡パターンと船舶の航海状態との関係に基づく学習によって生成されたパラメータを利用して、船舶の航海状態を推定させる。

本発明によれば、船舶の時系列位置情報から、注目船舶の各時刻における航海状態を安定的に推定することができる。

船舶行動学習装置の構成例を示すブロック図である。 位置情報のデータと速度情報のデータとを用いて航跡パターン画像を生成する処理を示すフローチャートである。 航跡パターン画像の生成の仕方の一例を示す説明図である。 速度情報に基づいて航跡の描画方法を決定する処理および航跡パターン画像に対応するラベルを設定する処理を示すフローチャートである。 第１の実施形態の航海状態推定装置の構成例を示すブロック図である。 第１の実施形態の航海状態推定装置の動作示すフローチャートである。 船舶行動学習装置の他の構成例を示すブロック図である。 航跡パターン生成部および加速度算出部の処理を示すフローチャートである。 第２の実施形態の航海状態推定装置の構成例を示すブロック図である。 第２の実施形態の航海状態推定装置の動作示すフローチャートである。 ＣＰＵを有するコンピュータの一例を示すブロック図である。 船舶行動学習装置の主要部を示すブロック図である。 航海状態推定装置の主要部を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。

実施形態１．
図１は、航海状態推定装置（船舶行動推定装置）が使用するパラメータを作成するための船舶行動学習装置の構成例を示すブロック図である。なお、船舶行動学習装置は、航海状態推定装置に組み込まれてもよいし、航海状態推定装置とは独立した装置であってもよい。

図１に例示された船舶行動学習装置は、データ入力部１０１と、航跡パターン生成部１０２と、パターン学習部１０３と、データ蓄積部６０１と、パラメータ蓄積部６０２とを備えている。

データ蓄積部６０１は、船舶の航海状態（航海状況）の情報を含む航海情報が蓄積されたデータベースである。具体的には、データ蓄積部６０１は、船舶の航海情報を保持するハードディスクやメモリカードなどの記憶媒体、または、それらが接続されるネットワークなどで実現される。すなわち、データ蓄積部６０１は、船舶の航海情報の蓄積または伝送を行う。航海情報が伝送される場合には、実質的には、伝送先に存在する記憶装置（航海情報を記憶する。）がデータベースに相当する。

データ入力部１０１は、データ蓄積部６０１から、データベースに含まれる各船舶の、時間的に連続する航海状態のデータ、位置情報のデータ、および速度情報のデータを抽出する。データ入力部１０１は、抽出した航海状態のデータ、位置情報のデータ、および速度情報のデータを航跡パターン生成部１０２に出力する。

なお、一般に、ＧＰＳ（Global Positioning System ）受信機やＡＩＳから取得されるデータには速度情報が含まれる。データに速度情報が含まれない場合、データ入力部１０１は、連続する２点間の空間的距離と時間的距離とから速度を算出することが可能である。データ入力部１０１は、時間的距離を、連続する２点間のデータの取得日時から求めることができる。

航跡パターン生成部１０２は、データ入力部１０１から入力されるデータに含まれる速度情報に基づいて描画方法（一例として、船舶の速度に応じて航跡の色を変化させる方法）を決定する。

なお、本明細書において、「描画方法」は、描画対象（点や線分）の属性（例えば、色や太さや線の属性）を意味する。換言すれば、「描画方法」には、描画対象の属性の概念が含まれている。

航跡パターン生成部１０２は、入力されるデータに含まれる時系列の位置情報に基づいて航跡パターン画像を生成する。航跡パターン生成部１０２は、航跡パターン画像を生成するときに、離散的な位置情報間を補間する。そして、航跡パターン生成部１０２は、データ入力部１０１から入力されるデータに含まれる航海状態のうち、当該航跡パターン画像に対応する航海状態を本航跡パターンの正解ラベルとして設定する。さらに、航跡パターン生成部１０２は、生成された航跡パターン画像とラベル情報とを、パターン学習部１０３に出力する。

パターン学習部１０３は、航跡パターン生成部１０２から入力される航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態をクラス分類するための航海状態分類器（航海状態モデル）のパラメータを最適化する。そして、パターン学習部１０３は、最適化したパラメータをパラメータ蓄積部６０２に保存する。

パラメータ蓄積部６０２は、パターン学習部１０３で生成された航海状態分類器のパラメータを保持するハードディスクやメモリカードなどの記憶媒体、または、それらが接続されるネットワークなどで実現される。すなわち、パラメータ蓄積部６０２は、航海状態分類器のパラメータの蓄積または伝送を行う。パラメータが伝送される場合には、伝送先に存在する記憶装置（航海情報を記憶する）がパラメータを保持する。

次に、航跡パターン生成部１０２の動作をより詳しく説明する。

位置情報と速度情報とから航跡パターン画像を生成する処理と、当該航跡パターン画像に対応するラベルを設定する処理とを、図２および図４のフローチャートならびに図３の説明図を参照して説明する。

図２は、位置情報のデータと速度情報のデータとを用いて航跡パターン画像を生成する処理を示すフローチャートである。図３は、航跡パターン画像の生成の仕方の一例を示す説明図である。図４は、速度情報に基づいて航跡の描画方法を決定する処理および航跡パターン画像に対応するラベルを設定する処理を示すフローチャートである。

航跡パターン生成部１０２は、連続する時系列位置情報p_i、速度情報v_i、航海状態s_iのデータセットの中から、基準となる任意の時刻のデータを１つ選択する（ステップＳ１１）。基準となる時刻（基準時刻）をT とする。また、p_iは緯度経度等の絶対的な位置情報であり、緯度をlng_i、経度をlat_iとすると、p_iは、（１）式で表される。

航跡パターン生成部１０２は、表示装置（図１において図示せず）の画面または装置内のメモリに、各点p_iを描画する（ステップＳ１２）。各点p_iは、例えば、図３（ａ）に例示するような離散点の集まりとして描画される。

次に、基準時刻T の前後のｍ個のデータの基準時刻T に対する相対的な位置情報p_i' を下式の（２）式で算出する。

p_i' ＝round(α×p_i) ・・・（２）

round(・) は、整数値への丸め処理を示す。αは、所定のスカラ値である。

そして、航跡パターン生成部１０２は、図３（ｂ）に示すように、基準時刻T の点が所定のサイズの複数の区画のうちの中心の区画に位置するようにして、各点p_i' を区画にマッピングする（ステップＳ１３）。グリッド間の１区画の分解能をr とすると、αはα＝１／r で表される。

次に、航跡パターン生成部１０２は、時間的に連続する点を直線でつなぎ、図３（ｃ）に例示するような航跡パターン画像を生成する（ステップＳ１４）。なお、図３（ｃ）には、各点が直線でつながれた例が示されているが、直線でつなぐことは一例である。航跡パターン生成部１０２は、スプライン補間等を用いて、各点がつながれるようにしてもよい。

また、航跡パターン生成部１０２は、位置情報のデータの時間間隔および速度情報のデータの時間間隔が不均一の場合には、船舶ごとのデータの時間間隔を一定に揃える処理を行ってもよい。

次に、速度情報に基づいて航跡パターン（航跡パターン画像）を生成する方法を説明する。航跡パターン生成部１０２は、速度情報v_iを、所定の最高速度v_maxを用いて（３）式のように変換して、０．０から１．０の範囲に正規化する（ステップＳ１５）。正規化された速度情報をv_i' とする。

航跡パターン生成部１０２は、v_maxとして、例えば、現在の実用上の高速船の最高速度とされる４５ノット程度を入力すればよい。また、航跡パターン生成部１０２は、各国の高速船の定義を用いて、v_maxを、２２ノット(日本)、２４ノット(欧州)、または３０ノット(米国)としてもよい。

航跡パターン生成部１０２は、v_i' の値に基づいて、図３（ｃ）に例示された航跡の描画方法を決定する（ステップＳ１６）。航跡パターン生成部１０２は、例えば、v_i' の値に応じて航跡の線の色を変えるという描画方法を使用することに決定したとする。そのような描画方法を実施するために、一例として、航跡パターン生成部１０２は、まず、v_i' を色相環にマッピングする。

v_i' の最小値と最大値とがそれぞれ色相の０度と３６０度になるようにマッピングされると、速度の最大値と最小値とが色相環上では連続してしまう。そこで、航跡パターン生成部１０２は、例えば、最小値が０度（赤）、最大値が２４０度（青）に対応するようにマッピングする。色相H_iは、（４）式で表される。

H_i ＝（２４０／３６０）×v_i' ・・・（４）

したがって、船舶の速度情報を反映したHSV （Hue Saturation Value）空間上の色は、（５）式で表される。

最終的に生成されるRGB （Red Green Blue）空間の色は、（６）式で表される。

なお、f_HSV2RGB(・)は、HSV色空間からRGB色空間への変換関数を表す。

航跡パターン生成部１０２は、航跡に対応する線の色を、（６）式で表される色に変更する（ステップＳ１７）。このようにして航跡は船舶の速度情報に基づいて着色される。なお、航跡パターン生成部１０２は、点p_iにおける色として、上記の（６）式で表される色を使えばよい。しかし、航跡パターン生成部１０２は、点p_iと点p_i+1とを結ぶ線分の色については、２点間の色が線形に変化するように重みづけ和してもよい。また、航跡パターン生成部１０２は、点p_iと点p_i+1とを結ぶ線分の色として、単純に、点p_iにおける速度と点p_i+1とにおける速度との平均値に対応する色や、点p_iと点p_i+1とのうちのどちらか一方における速度から算出される色を用いてもよい。

なお、描画方法は、v_i' に応じて色を変える方法に限定されない。例えば、描画する線の太さや線の種類などをv_i' に応じて変えるという描画方法を用いてもよい。色を変える場合には、３チャネルの航跡パターン画像が生成される。線の種類または太さを変える場合には、１チャネルの航跡パターン画像が生成される。

そして、航跡パターン生成部１０２は、時刻T を中心として上述したように生成された航跡パターン画像が示す航海状態について、時刻T における航海状態s_rを、正解ラベルとして設定する（ステップＳ１８）。

以上の処理が、任意の船舶および任意の時刻について繰り返されることによって、大量の正解ラベル付き画像データセットが生成される。

そして、航跡パターン生成部１０２は、多数の航跡パターン画像と正解ラベル（以下、ラベル情報ともいう。）とを出力する（ステップＳ１９）。

パターン学習部１０３は、航跡パターン生成部１０２から入力される航跡パターン画像とラベル情報とから、航跡パターン画像を学習することによって、航海状態分類器のパラメータを最適化する

大量の正解ラベルの付いた画像データが存在するため、パターン学習部１０３は、一般的な教師あり分類器を用いる。パターン学習部１０３は、様々な種類の分類器を使用可能である。一例として、パターン学習部１０３は、畳み込みニューラルネットワーク（Convolutional Neural Network；ＣＮＮ）を用いることができる。

図５は、図１に示された船舶行動学習装置が得たパラメータを用いて航海状態を推定する航海状態推定装置の構成例を示すブロック図である。

図５に示す航海状態推定装置は、データ入力部２０１と、航跡パターン生成部２０２と、航海状態推定部２０３と、データ蓄積部６０１と、パラメータ蓄積部６０２とを備えている。

航海状態推定装置の動作を図６のフローチャートを参照して説明する。

データ入力部２０１は、航海情報が蓄積されたデータ蓄積部６０１から、各船舶の位置情報のデータと速度情報のデータとを抽出する（ステップＳ２１）。データ入力部２０１は、位置情報のデータと速度情報のデータとを航跡パターン生成部２０２に出力する。

航跡パターン生成部２０２は、データ入力部２０１から入力されるデータに含まれる速度情報に基づいて描画方法を決定する（ステップＳ２２）。航跡パターン生成部２０２は、入力されるデータに含まれる時系列の位置情報に基づいて航跡パターン画像を生成する（ステップＳ２３）。航跡パターン生成部２０２は、航跡パターン画像を生成するときに、離散的な位置情報間を補間する。なお、航跡パターン生成部２０２の機能は、航跡パターン生成部１０２の機能と同様である。ただし、航跡パターン生成部２０２は、航跡パターンに対応するラベルを設定する機能を有している必要はない。そして、航跡パターン生成部２０２は、生成した航跡パターン画像を航海状態推定部２０３に出力する。

航海状態推定部２０３は、パラメータ蓄積部６０２から、学習済みの航海状態分類器（学習済み航海状態モデル）のパラメータを取得する（ステップＳ２４）。航海状態推定部２０３は、パターン学習部１０３で学習された航海状態分類器と同じ構成の航海状態分類器を再構成する（ステップＳ２５）。航海状態推定部２０３は、航跡パターン生成部２０２から入力される航跡パターン画像から、各航跡パターン画像の航海状態を推定し（ステップＳ２６）、推定した航海状態を出力する。

本実施形態の航海状態推定装置は、船舶の速度情報を航跡（例えば、航跡パターン画像）に重畳する（本実施形態では、速度情報に応じた色などを介する。）ことによって航海状態に関する情報量を増やすので、航跡のみからの分類が困難な航海状態を安定的に推定できる。

実施形態２．
図７は、航海状態推定装置が使用するパラメータを作成するための船舶行動学習装置の他の構成例を示すブロック図である。なお、船舶行動学習装置は、航海状態推定装置に組み込まれてもよいし、航海状態推定装置とは独立した装置であってもよい。

第１の実施形態では、航海状態推定装置は、船舶の速度情報を航跡に重畳することによって情報量を増やし、安定的な航海状態の推定を実現した。本実施形態では、航海状態推定装置は、速度情報に加えて加速度情報を用いて、より安定的な航海状態の推定を実現する。

図７に例示された第２の実施形態の船舶行動学習装置は、データ入力部３０１と、航跡パターン生成部３０２と、パターン学習部３０３と、加速度算出部３０４と、データ蓄積部６０１と、パラメータ蓄積部６０２とを備えている。

データ入力部３０１は、船舶の航海情報が蓄積されたデータ蓄積部６０１から、各船舶の、時間的に連続する航海状態、位置情報、速度情報、時刻情報のデータを抽出する。データ入力部３０１は、航海状態のデータと、位置情報のデータと、速度情報のデータとを航跡パターン生成部３０２に出力する。また、データ入力部３０１は、速度情報のデータと時刻情報のデータとを加速度算出部３０４に出力する。なお、一般に、ＧＰＳ受信機やＡＩＳから取得されるデータには速度情報が含まれる。データに速度情報が含まれない場合、データ入力部３０１は、連続する２点間の空間的距離と時間的距離とから速度を算出することが可能である。データ入力部３０１は、時間的距離については、連続する２点間のデータの取得日時から求めることが可能である。

航跡パターン生成部３０２は、データ入力部３０１から入力される位置情報のデータと速度情報のデータと、加速度算出部３０４から入力される加速度情報のデータとを用いる。航跡パターン生成部３０２は、速度情報と加速度情報とに基づいて描画方法（一例として、船舶の速度に応じて航跡の色を変化させる方法）を決定する。航跡パターン生成部３０２は、入力されるデータに含まれる時系列の位置情報に基づいて航跡パターン画像を生成する。航跡パターン生成部３０２は、航跡パターン画像を生成するときに、離散的な位置情報間を補間する。そして、航跡パターン生成部３０２は、データ入力部３０１から入力されるデータに含まれる航海状態のうち、当該航跡パターン画像に対応する航海状態を本航跡パターンの正解ラベルとして設定する。さらに、航跡パターン生成部３０２は、生成された航跡パターン画像とラベル情報とを、パターン学習部３０３に出力する。

パターン学習部３０３は、航跡パターン生成部３０２から入力される航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化する。そして、パターン学習部１０３は、最適化したパラメータをパラメータ蓄積部６０２に保存する。

加速度算出部３０４は、データ入力部３０１から入力される時刻情報のデータと速度情報のデータとから加速度を算出する。そして、算出した加速度情報のデータ（加速度を示すデータ）を航跡パターン生成部３０２に出力する。

次に、航跡パターン生成部３０２および加速度算出部３０４の処理を、図８のフローチャートを参照してより詳しく説明する。

まず、加速度算出部３０４が、データ入力部３０１から入力される時刻情報と速度情報とから加速度を算出する処理を説明する。各時刻における加速度a_iは、時間的に連続する速度情報 v_iと、各速度情報が観測された時刻t_iとを用いて、（７）式で算出される。

すなわち、加速度算出部３０４は、（７）式を用いて加速度a_iを算出する。

次に、位置情報と速度情報とから航跡パターン画像を生成する処理を説明する。

航跡パターン生成部３０２は、第１の実施形態における航跡パターン生成部１０２と同様に位置情報および速度情報に基づく航跡パターン画像を生成する（ステップＳ１５〜Ｓ１８）。

加速度算出部３０４は、加速度情報a_iを、所定の最高加速度a_maxを用いて（８）式のように変換して、０．０から１．０の範囲に正規化する（ステップＳ３５）。正規化された加速度情報をa_i' とする。

なお、a_maxは、ユーザが調整可能な所定値である。

航跡パターン生成部３０２は、a_i' の値に基づいて、図３（ｃ）に例示された航跡の描画方法を決定する（ステップＳ３６）。航跡パターン生成部３０２は、例えば、a_i' の値に応じて航跡の線の色を変えるという描画方法を使用することに決定したとする。そのような描画方法を実施するために、一例として、航跡パターン生成部３０２は、まず、a_i' を色相環にマッピングする。

a_i' の最小値と最大値とがそれぞれ色相の０度と３６０度になるようにマッピングされると、加速度の最大値と最小値とが色相環上では連続してしまう。そこで、航跡パターン生成部３０２は、例えば、最小値が０度（赤）、最大値が２４０度（青）に対応するようにマッピングする。色相H_iは、（９）式で表される。

H_i ＝（２４０／３６０）×a_i' ・・・（９）

したがって、船舶の加速度情報を反映したHSV 空間上の色は、（１０）式で表される。

最終的に生成されるRGB 空間の色は、（１１）式で表される。

なお、（１０）式および（１１）式は、（５）式および（６）式と同じ式であるが、（１０）式におけるH_iは、（５）式とは異なり、a_i' を用いて算出されている。

航跡パターン生成部３０２は、航跡に対応する線の色を、（１１）式で表される色に変更する（ステップＳ３７）。このようにして航跡は船舶の加速度情報に基づいて着色される。なお、航跡パターン生成部３０２は、点p_iと点p_i+1とを結ぶ線分の色として、上記の（１１）式で表される色を使えばよい。航跡パターン生成部３０２は、点p_iにおける色として、例えば、点p_i-1における加速度と点p_iにおける加速度との平均値に対応する色を用いることができる。また、航跡パターン生成部３０２は、点p_iにおける色として、点p_i-1と点p_iとのうちのどちらか一方における加速度から算出される色を用いてもよい。

なお、描画方法は、a_i' に応じて色を変える方法に限定されない。例えば、描画される線の太さや線の種類などをa_i' に応じて変えるという描画方法を用いてもよい。色を変える場合には、３チャネルの航跡パターン画像が生成される。線の種類または太さを変える場合には、１チャネルの航跡パターン画像が生成される。

そして、航跡パターン生成部３０２は、時刻T を中心として上述したように生成された航跡パターン画像が示す航海状態について、時刻T における航海状態s_rを、正解ラベルとして設定する（ステップＳ３８）。

そして、航跡パターン生成部３０２は、多数の航跡パターン画像と正解ラベルとを出力する（ステップＳ３９）。

具体的には、航跡パターン生成部３０２は、速度に基づいて描画方法が決定された航跡パターンと、加速度に基づいて描画方法が決定された航跡パターンとの２種類の航跡パターン画像を、６チャネルの航跡パターン画像としてパターン学習部３０３に出力する。

なお、速度に基づいて決定される描画方法が色を用いる方法であり、加速度に基づいて決定される描画方法が線の太さに基づく方法であるように、速度に関する描画方法と加速度に関する描画方法とが異なる場合には、航跡パターン生成部３０２は、３チャネルの航跡パターン画像（速度に基づく航跡パターン画像）、または１チャネルの航跡パターン画像（加速度に基づく航跡パターン画像）を、パターン学習部３０３に出力する。

パターン学習部３０３は、第１の実施形態におけるパターン学習部１０３と同様の処理を実行する。すなわち、パターン学習部３０３は、航跡パターン生成部３０２から入力される航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化する。そして、パターン学習部３０３は、最適化したパラメータをパラメータ蓄積部６０２に保存する。

図９は、図７に示された船舶行動学習装置が得たパラメータを用いて航海状態を推定する航海状態推定装置の構成例を示すブロック図である。

図９に示す航海状態推定装置は、データ入力部４０１と、航跡パターン生成部４０２と、航海状態推定部４０３と、加速度算出部４０４と、データ蓄積部６０１と、パラメータ蓄積部６０２とを備えている。

航海状態推定装置の動作を図１０のフローチャートを参照して説明する。

データ入力部４０１は、船舶の航海情報が蓄積されたデータ蓄積部６０１から、各船舶の位置情報のデータと速度情報のデータと時刻情報のデータとを抽出する（ステップＳ４１）。データ入力部４０１は、位置情報のデータと速度情報のデータとを航跡パターン生成部４０２に出力する。また、データ入力部４０１は、速度情報のデータと時刻情報のデータとを加速度算出部４０４に出力する。

加速度算出部４０４は、図７に示された加速度算出部３０４の機能と同じ機能を有する。すなわち、加速度算出部４０４は、加速度算出部３０４による処理と同様の処理を実行して加速度を算出する。

航跡パターン生成部４０２は、データ入力部４０１から入力される速度情報のデータと、加速度算出部３０４から入力される加速度情報のデータとを用いて、速度情報に基づく描画方法と加速度情報に基づく描画方法を決定する（ステップＳ４２）。

航跡パターン生成部４０２は、入力されるデータに含まれる時系列の位置情報に基づいて航跡パターン画像を生成する（ステップＳ４３）。航跡パターン生成部４０２は、航跡パターン画像を生成するときに、離散的な位置情報間を補間する。なお、航跡パターン生成部４０２の機能は、航跡パターン生成部３０２の機能と同様である。ただし、航跡パターン生成部４０２は、航跡パターンに対応するラベルを設定する機能を有している必要はない。そして、航跡パターン生成部４０２は、生成した航跡パターン画像を航海状態推定部４０３に出力する。

航海状態推定部４０３は、パラメータ蓄積部６０２から、学習済みの航海状態分類器のパラメータを取得する（ステップＳ４４）。航海状態推定部４０３は、パターン学習部３０３で学習された航海状態分類器と同じ構成の航海状態分類器を再構成する（ステップＳ４５）。航海状態推定部４０３は、航跡パターン生成部４０２から入力される航跡パターン画像から、各航跡パターン画像の航海状態を推定し（ステップＳ４６）、推定した航海状態を出力する。

本実施形態の航海状態推定装置は、船舶の速度情報に加えて加速度情報を航跡（例えば、航跡パターン画像）に重畳する（本実施形態では、速度情報に応じた色など、および、加速度情報に応じた色などを介する。）ことによって航海状態に関する情報量を増やすので、航跡のみからの分類が困難な航海状態を安定的に推定できる。

なお、本実施形態では、船舶の速度情報に加えて加速度情報を航跡に重畳するが、加速度情報のみを航跡に重畳するようにしてもよい。

上記の実施形態における各構成要素は、１つのハードウェアで構成可能であるが、１つのソフトウェアでも構成可能である。また、各構成要素は、複数のハードウェアでも構成可能であり、複数のソフトウェアでも構成可能である。また、各構成要素のうちの一部をハードウェアで構成し、他部をソフトウェアで構成することもできる。

上記の実施形態における各機能（各処理）を、ＣＰＵ（Central Processing Unit ）等のプロセッサやメモリ等を有するコンピュータで実現可能である。例えば、記憶装置（記憶媒体）に上記の実施形態における方法（処理）を実施するためのプログラムを格納し、各機能を、記憶装置に格納されたプログラムをＣＰＵで実行することによって実現してもよい。

図１１は、ＣＰＵを有するコンピュータの一例を示すブロック図である。コンピュータは、船舶行動学習装置またはと航海状態推定装置に実装される。ＣＰＵ１０００は、記憶装置１００１に格納されたプログラムに従って処理を実行することによって、上記の実施形態における各機能を実現する。コンピュータが船舶行動学習装置に実装される場合には、図１および図７に示された船舶行動学習装置における、データ入力部１０１，３０１、航跡パターン生成部１０２，３０２、パターン学習部１０３，３０３、および加速度算出部３０４の機能を実現する。

また、コンピュータが航海状態推定装置に実装される場合には、図５および図９に示された航海状態推定装置における、データ入力部２０１、４０１、航跡パターン生成部２０２，４０２、航海状態推定部２０３，４０３、および加速度算出部４０４の機能を実現する。

なお、データ蓄積部６０１とパラメータ蓄積部６０２とは、コンピュータに組み込まれていてもよいし、コンピュータの外に存在していてもよい。

記憶装置１００１は、例えば、非一時的なコンピュータ可読媒体（non-transitory computer readable medium ）である。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium ）を含む。非一時的なコンピュータ可読媒体の具体例として、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ−ＲＯＭ（Compact Disc-Read Only Memory ）、ＣＤ−Ｒ（Compact Disc-Recordable ）、ＣＤ−Ｒ／Ｗ（Compact Disc-ReWritable ）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM ）、フラッシュＲＯＭ）がある。

また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium ）に格納されてもよい。一時的なコンピュータ可読媒体には、例えば、有線通信路または無線通信路を介して、すなわち、電気信号、光信号または電磁波を介して、プログラムが供給される。

メモリ１００２は、例えばＲＡＭ（Random Access Memory）で実現され、ＣＰＵ１０００が処理を実行するときに一時的にデータを格納する記憶手段である。メモリ１００２に、記憶装置１００１または一時的なコンピュータ可読媒体が保持するプログラムが転送され、ＣＰＵ１０００がメモリ１００２内のプログラムに基づいて処理を実行するような形態も想定しうる。

図１２は、船舶行動学習装置の主要部を示すブロック図である。図１２に示す船舶行動学習装置１０は、船舶の時系列の位置情報と速度情報とに基づいて航跡パターン（例えば、航跡パターン画像）を生成する航跡パターン生成手段１１（実施形態では、航跡パターン生成部１０２，３０２で実現される。）と、航跡パターンと船舶の航海状態との関係に基づいて船舶行動を学習する（例えば、航跡パターンに対応する航海状態を正解ラベルとして航海状態をクラス分類するための航海状態分類器（航海状態モデル）のパラメータを最適化する）パターン学習手段１２（実施形態では、パターン学習部１０３，３０３で実現される。）とを備える。

図１３は、航海状態推定装置の主要部を示すブロック図である。図１３に示す航海状態推定装置２０は、船舶行動学習装置１０による学習によって生成されるパラメータを利用して、船舶の航海状態を推定する航海状態推定手段２１（実施形態では、航海状態推定部２０３，４０３で実現される。）を備える。

また、航海状態推定装置は、船舶の時系列の位置情報および速度情報に基づいて生成される航跡パターンと船舶の航海状態との関係に基づく学習によって生成されたパラメータを利用して、船舶の航海状態を推定する航海状態推定手段を備えるように構成されていてもよい。航海状態推定方法は、船舶の時系列の位置情報および速度情報に基づいて生成される航跡パターンと船舶の航海状態との関係に基づく学習によって生成されたパラメータを利用して、船舶の航海状態を推定するように構成されていてもよい。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。一例として、航跡パターン生成部が、描画方法の決定に用いることができる情報として、速度や加速度だけでなく、回頭率（進行方向の時間変化）などを用いることができる。

回頭率は、ＡＩＳの航海状況（航海状態）の情報に含まれている。回頭率が用いられる場合、航跡パターン生成部１０２，２０２，３０３，４０２は、加速度などを用いる場合と同様に、時系列の回頭率を正規化する。正規化された回頭率をtr' とすると、航跡パターン生成部は、各々のtr' を色相環にマッピングして各々のtr' に対応する色を決定する。そして、航跡パターン生成部は、点p_i（図３（ｃ）参照）を、例えば、その点におけるtr' に対応する色に着色するとともに、点p_iと点p_i+1とを結ぶ線分の色を、例えば、点p_iにおけるtr' と点p_i+1とにおけるtr' との平均値に対応する色に着色する。なお、描画方法は、tr' に応じて色を変える方法に限定されない。例えば、描画する線の太さや線の種類などをtr' に応じて変えてもよい。さらに、航跡パターン生成部は、上記の各実施形態の場合と同様に、航跡パターン画像が示す航海状態について、時刻T における航海状態s_rを、正解ラベルとして設定する。

また、上記の実施形態の一部または全部は以下の付記のようにも記載されうるが、本発明の構成は以下の構成に限定されない。

（付記１）船舶の時系列の位置情報と速度情報とに基づいて生成される航跡パターン（例えば、航跡パターン画像）と、船舶の航海状態との関係に基づいて船舶行動を学習する（例えば、航跡パターンに対応する航海状態を正解ラベルとして航海状態をクラス分類するための航海状態分類器（航海状態モデル）のパラメータを最適化する）
船舶行動学習方法。

（付記２）前記速度情報に基づいて前記航跡パターンの描画方法を決定する
付記１の船舶行動学習方法。

（付記３）航跡の色を、前記速度情報に基づく色に決定する
付記２の船舶行動学習方法。

（付記４）航跡の色を、船舶の速度の変化（例えば、加速度）または船舶の向きの変化（例えば、回頭率）に基づく色に決定する
付記２または付記３の船舶行動学習方法。

（付記５）学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化する
付記１から付記４のうちのいずれかの船舶行動学習方法。

（付記６）付記１から付記５のうちのいずれかの船舶行動学習方法による学習によって生成されるパラメータを利用して、前記船舶の航海状態を推定する
航海状態推定方法。

（付記７）船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する航跡パターン生成手段と、
前記航跡パターンと前記船舶の航海状態との関係に基づいて船舶行動を学習するパターン学習手段とを備える
船舶行動学習装置。

（付記８）前記航跡パターン生成手段は、前記速度情報に基づいて前記航跡パターンの描画方法を決定する
付記７の船舶行動学習装置。

（付記９）前記航跡パターン生成手段は、航跡の色を、前記速度情報に基づく色に決定する
付記８の船舶行動学習装置。

（付記１０）前記航跡パターン生成手段は、航跡の色を、船舶の速度の変化または船舶の向きの変化に基づく色に決定する
付記８または付記９の船舶行動学習装置。

（付記１１）前記パターン学習手段は、学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化する
付記７から付記１０のうちのいずれかの船舶行動学習装置。

（付記１２）付記７から付記１１のいずれかの船舶行動学習装置による学習によって生成されるパラメータを利用して、前記船舶の航海状態を推定する航海状態推定手段を備える
航海状態推定装置。

（付記１３）コンピュータに、
船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する処理と、
前記航跡パターンと前記船舶の航海状態との関係に基づいて船舶行動を学習する処理とを
実行させるための船舶行動学習プログラム。

（付記１４）コンピュータに、
前記速度情報に基づいて前記航跡パターンの描画方法を決定させる
付記１３の船舶行動学習プログラム。

（付記１５）コンピュータに、
航跡の色を、前記速度情報に基づく色に決定させる
付記１４の船舶行動学習プログラム。

（付記１６）コンピュータに、
航跡の色を、船舶の速度の変化または船舶の向きの変化に基づく色に決定する
付記１３または付記１４の船舶行動学習プログラム。

（付記１７）コンピュータに、
学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化させる
付記１３から付記１６のうちのいずれかの船舶行動学習プログラム。

（付記１８）コンピュータに、
船舶の時系列の位置情報および速度情報に基づいて生成される航跡パターンと船舶の航海状態との関係に基づく学習によって生成されたパラメータを利用して、前記船舶の航海状態を推定させる
ための航海状態推定プログラム。

１０ 船舶行動学習装置
１１ 航跡パターン生成手段
１２ パターン学習手段
２０ 航海状態推定装置
２１ 航海状態推定手段
１０１，２０１，３０１，４０１ データ入力部
１０２，２０２，３０２，４０２ 航跡パターン生成部
１０３，３０３ パターン学習部
２０３，４０３ 航海状態推定部
３０４，４０４ 加速度算出部
６０１ データ蓄積部
６０２ パラメータ蓄積部
１０００ ＣＰＵ
１００１ 記憶装置
１００２ メモリ

Claims (18)

1. 船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成し、
   前記航跡パターンと前記船舶の航海状態との関係に基づいて船舶行動を学習する
   船舶行動学習方法。
2. 前記速度情報に基づいて前記航跡パターンの描画方法を決定する
   請求項１に記載の船舶行動学習方法。
3. 航跡の色を、前記速度情報に基づく色に決定する
   請求項２に記載の船舶行動学習方法。
4. 航跡の色を、船舶の速度の変化または船舶の向きの変化に基づく色に決定する
   請求項２または請求項３に記載の船舶行動学習方法。
5. 学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化する
   請求項１から請求項４のうちのいずれか１項に記載の船舶行動学習方法。
6. 請求項１から請求項５のいずれかの船舶行動学習方法による学習によって生成されるパラメータを利用して、前記船舶の航海状態を推定する
   航海状態推定方法。
7. 船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する航跡パターン生成手段と、
   前記航跡パターンと前記船舶の航海状態との関係に基づいて船舶行動を学習するパターン学習手段とを備える
   船舶行動学習装置。
8. 前記航跡パターン生成手段は、前記速度情報に基づいて前記航跡パターンの描画方法を決定する
   請求項７に記載の船舶行動学習装置。
9. 前記航跡パターン生成手段は、航跡の色を、前記速度情報に基づく色に決定する
   請求項８に記載の船舶行動学習装置。
10. 前記航跡パターン生成手段は、航跡の色を、船舶の速度の変化または船舶の向きの変化に基づく色に決定する
    請求項８または請求項９に記載の船舶行動学習装置。
11. 前記パターン学習手段は、学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化する
    請求項７から請求項１０のうちのいずれか１項に記載の船舶行動学習装置。
12. 請求項７から請求項１１のいずれかの船舶行動学習装置による学習によって生成されるパラメータを利用して、前記船舶の航海状態を推定する航海状態推定手段を備える
    航海状態推定装置。
13. コンピュータに、
    船舶の時系列の位置情報と速度情報とに基づいて航跡パターンを生成する処理と、
    前記航跡パターンと前記船舶の航海状態との関係に基づいて船舶行動を学習する処理とを
    実行させるための船舶行動学習プログラム。
14. コンピュータに、
    前記速度情報に基づいて前記航跡パターンの描画方法を決定させる
    請求項１３に記載の船舶行動学習プログラム。
15. コンピュータに、
    航跡の色を、前記速度情報に基づく色に決定させる
    請求項１４に記載の船舶行動学習プログラム。
16. コンピュータに、
    航跡の色を、船舶の速度の変化または船舶の向きの変化に基づく色に決定させる
    請求項１４または請求項１５に記載の船舶行動学習プログラム。
17. コンピュータに、
    学習によって、航海状態をクラス分類するための航海状態分類器のパラメータを最適化させる
    請求項１３から請求項１６のうちのいずれか１項に記載の船舶行動学習プログラム。
18. コンピュータに、
    船舶の時系列の位置情報および速度情報に基づいて生成される航跡パターンと船舶の航海状態との関係に基づく学習によって生成されたパラメータを利用して、前記船舶の航海状態を推定させる
    ための航海状態推定プログラム。

Images