WO2020075274A1 - 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

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 Download PDF

Info

Publication number
WO2020075274A1
WO2020075274A1 PCT/JP2018/037969 JP2018037969W WO2020075274A1 WO 2020075274 A1 WO2020075274 A1 WO 2020075274A1 JP 2018037969 W JP2018037969 W JP 2018037969W WO 2020075274 A1 WO2020075274 A1 WO 2020075274A1
Authority
WO
WIPO (PCT)
Prior art keywords
ship
track pattern
learning
color
state
Prior art date
Application number
PCT/JP2018/037969
Other languages
English (en)
French (fr)
Inventor
健太 先崎
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US17/282,136 priority Critical patent/US20220003554A1/en
Priority to PCT/JP2018/037969 priority patent/WO2020075274A1/ja
Priority to JP2020549908A priority patent/JP7088296B2/ja
Publication of WO2020075274A1 publication Critical patent/WO2020075274A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B49/00—Arrangements of nautical instruments or navigational aids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/22—Plotting boards
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems

Definitions

  • the present invention relates to a voyage state estimation method and a voyage state estimation apparatus for estimating a voyage state, and a vessel behavior learning method and a vessel behavior learning apparatus for learning vessel behavior for the voyage state estimation method and the voyage state estimation apparatus.
  • the Automatic Identification System of ships is drawing attention.
  • the AIS is used for mutual communication of information such as an identification code, type, position, course, speed, voyage situation (also referred to as voyage state) of vessels between vessels and between vessels and ground base stations. It is a device.
  • the code that indicates the voyage status includes codes that indicate that you are engaged in fishing, in addition to codes such as sailing, anchoring, and mooring. It is expected that the proper operation of the AIS will allow the behavior of individual fishing vessels to be ascertained, and in addition, the actual conditions of the fishing industry in the entire prescribed sea area to be ascertained.
  • AIS AIS
  • Class A There are two types of AIS installed on ships, Class A and Class B (also called simplified AIS). Many fishing vessels are equipped with Class B AIS. In Class B, no voyage status code is transmitted. In Class A, a code indicating the sailing status is transmitted, but the sailing status is manually entered into the device by the sailor. Therefore, there is a possibility that the voyage state is disguised.
  • Non-Patent Document 1 discloses a method of discriminating between fishing and non-fishing ship behavior by using data that can be transmitted even with a simple AIS and is difficult to disguise. Specifically, in the method described in Non-Patent Document 1, a track pattern is generated from time-series position information of a ship. More specifically, a track image is generated by connecting discrete AIS data points with a line. Based on the track pattern, the fishing behavior and non-fishing behavior are determined. Since vessels engaged in fishing sometimes show characteristic wakes, fishing behavior and non-fishing behavior are binary-coded with high accuracy. In addition, a large number of generated track images are learned by a neural network.
  • the ship behavior analysis method described in Non-Patent Document 1 distinguishes between fishing and non-fishing ship behaviors using only track pattern information. Therefore, it is not possible to accurately determine the vessel behavior of a fisherman who has a track pattern similar to that of normal navigation.
  • the distinguishable ship behaviors are fishing and other two values. Detailed voyage conditions (eg fishing species) cannot be estimated. That is, the ship behavior analysis method described in Non-Patent Document 1 has a problem that it is not possible to stably estimate what kind of state the ship is in among various voyage states.
  • Patent Document 1 a track pattern of a ship is obtained, the obtained track pattern is compared with a suspicious behavior pattern registered in advance, and when the track pattern and the suspicious behavior pattern match or are similar to each other. , A method for determining a ship as suspicious is described.
  • Patent Document 1 is merely a binary discrimination method for determining whether a ship is a normal ship (normal ship) or a suspicious ship. That is, it is impossible to stably estimate what kind of state the ship is in among various sailing states.
  • An object of the present invention is to provide a voyage state estimation method and a voyage state estimation device capable of stably estimating the voyage state of a ship of interest at each time.
  • the ship behavior learning method generates a track pattern based on the time-series position information and speed information of the ship, and learns the ship behavior based on the relationship between the track pattern and the sailing state of the ship.
  • the navigational state estimation method estimates the navigational state of a ship by using the parameters generated by the learning by the ship behavior learning method.
  • a ship behavior learning apparatus is a ship pattern generation means for generating a track pattern based on time-series position information and speed information of a ship, and a ship behavior based on a relationship between the track pattern and a sailing state of the ship.
  • Pattern learning means for learning is a ship pattern generation means for generating a track pattern based on time-series position information and speed information of a ship, and a ship behavior based on a relationship between the track pattern and a sailing state of the ship.
  • the navigational state estimation device includes a navigational state estimation means for estimating the navigational state of the ship using the parameters generated by the learning by the ship behavior learning device.
  • a ship behavior learning program causes a computer to execute a ship behavior based on a process of generating a track pattern based on time-series position information and speed information of a ship and a relationship between the track pattern and a sailing state of the ship. The learning process is executed.
  • the voyage state estimation program uses, in a computer, parameters generated by learning based on a relationship between a nautical state of a ship and a track pattern generated based on time-series position information and speed information of the ship. , Estimate the navigational state of the ship.
  • 6 is a flowchart showing a process of determining a drawing method of a track based on speed information and a process of setting a label corresponding to a track pattern image.
  • FIG. 1 is a block diagram showing a configuration example of a ship behavior learning device for creating parameters used by a voyage state estimation device (ship behavior estimation device).
  • the ship behavior learning device may be incorporated in the navigation state estimation device or may be a device independent of the navigation state estimation device.
  • the ship behavior learning device illustrated in FIG. 1 includes a data input unit 101, a track pattern generation unit 102, a pattern learning unit 103, a data storage unit 601, and a parameter storage unit 602.
  • the data storage unit 601 is a database that stores voyage information including information on the voyage state (voyage status) of a ship.
  • the data storage unit 601 is realized by a storage medium such as a hard disk or a memory card that holds the navigation information of the ship, or a network to which these are connected. That is, the data storage unit 601 stores or transmits the navigation information of the ship.
  • the storage device which stores the voyage information
  • the transmission destination substantially corresponds to the database.
  • the data input unit 101 extracts, from the data storage unit 601, temporally continuous voyage state data, position information data, and speed information data of each ship included in the database.
  • the data input unit 101 outputs the extracted voyage state data, position information data, and speed information data to the track pattern generation unit 102.
  • data acquired from a GPS (Global Positioning System) receiver or AIS includes speed information.
  • the data input unit 101 can calculate the speed from the spatial distance and the temporal distance between two consecutive points.
  • the data input unit 101 can obtain the temporal distance from the acquisition date and time of data between two consecutive points.
  • the track pattern generation unit 102 determines a drawing method (for example, a method of changing the color of the track according to the speed of the ship) based on the speed information included in the data input from the data input unit 101.
  • the “drawing method” means the attribute of the drawing target (dot or line segment) (for example, the attribute of color, thickness, or line).
  • the “drawing method” includes the concept of the attribute of the drawing target.
  • the track pattern generation unit 102 generates a track pattern image based on the time-series position information included in the input data.
  • the track pattern generation unit 102 interpolates between discrete position information when generating a track pattern image. Then, the track pattern generation unit 102 sets, out of the sailing states included in the data input from the data input unit 101, the sailing state corresponding to the track pattern image as the correct label of the main track pattern. Furthermore, the track pattern generation unit 102 outputs the generated track pattern image and label information to the pattern learning unit 103.
  • the pattern learning unit 103 learns a track pattern image from the track pattern image and label information input from the track pattern generation unit 102, and is a parameter of a sailing state classifier (a sailing state model) for classifying sailing states. To optimize. Then, the pattern learning unit 103 stores the optimized parameter in the parameter storage unit 602.
  • a sailing state classifier a sailing state model
  • the parameter storage unit 602 is realized by a storage medium such as a hard disk or a memory card that holds the parameters of the navigation state classifier generated by the pattern learning unit 103, or a network to which they are connected. That is, the parameter storage unit 602 stores or transmits the parameters of the navigation state classifier. When the parameters are transmitted, the storage device (which stores the navigation information) existing at the transmission destination holds the parameters.
  • FIG. 2 is a flowchart showing a process of generating a track pattern image using position information data and speed information data.
  • FIG. 3 is an explanatory diagram showing an example of how to generate a track pattern image.
  • FIG. 4 is a flowchart showing a process of determining a drawing method of a track based on speed information and a process of setting a label corresponding to a track pattern image.
  • the track pattern generation unit 102 selects one piece of data at an arbitrary reference time from the data set of continuous time-series position information p i , speed information v i , and voyage state s i (step S11).
  • T the reference time (reference time).
  • p i is absolute position information such as latitude and longitude. When latitude is lng i and longitude is lat i , p i is expressed by equation (1).
  • the track pattern generation unit 102 draws each point p i on a screen of a display device (not shown in FIG. 1) or a memory in the device (step S12). Each point p i is drawn, for example, as a set of discrete points as illustrated in FIG.
  • Round ( ⁇ ) indicates rounding to an integer value.
  • ⁇ is a predetermined scalar value.
  • the track pattern generation unit 102 connects points that are continuous in time with a straight line, and generates a track pattern image as illustrated in FIG. 3C (step S14).
  • FIG. 3C shows an example in which each point is connected by a straight line, but connecting by a straight line is an example.
  • the track pattern generation unit 102 may connect each point by using spline interpolation or the like.
  • the track pattern generation unit 102 may perform a process of aligning the time intervals of the data for each ship to be uniform when the time intervals of the position information data and the time intervals of the speed information data are uneven.
  • the wake pattern generation unit 102 converts the velocity information v i using a predetermined maximum velocity v max as shown in equation (3) and normalizes it in the range of 0.0 to 1.0 (step S15). .
  • the normalized velocity information be v i '.
  • the track pattern generation unit 102 may input, for example, about 45 knots, which is the maximum speed of the current practical high-speed ship, as v max . Further, the track pattern generation unit 102 may set v max to 22 knots (Japan), 24 knots (Europe), or 30 knots (US) using the definition of the high-speed ship of each country.
  • the track pattern generation unit 102 determines the drawing method of the track illustrated in FIG. 3C based on the value of v i '(step S16). It is assumed that the track pattern generation unit 102 decides to use the drawing method of changing the color of the line of the track according to the value of v i ', for example. In order to carry out such a drawing method, as an example, the track pattern generation unit 102 first maps v i 'into the hue circle.
  • the track pattern generation unit 102 performs mapping so that the minimum value corresponds to 0 degrees (red) and the maximum value corresponds to 240 degrees (blue), for example.
  • the hue H i is expressed by equation (4).
  • f HSV2RGB (•) represents a conversion function from the HSV color space to the RGB color space.
  • the track pattern generation unit 102 changes the color of the line corresponding to the track to the color represented by the equation (6) (step S17). In this way, the track is colored based on the speed information of the ship.
  • the track pattern generation unit 102 may use the color represented by the above formula (6) as the color at the point p i . However, the track pattern generation unit 102 may weight and sum the colors of the line segment connecting the points p i and p i + 1 so that the color between the two points changes linearly.
  • track pattern generator 102 as the color of a line connecting the and the point p i + 1 point p i, simply, corresponds to the mean value of the speed in the speed and the point p i + 1 Metropolitan at point p i Or a color calculated from the speed at either one of the point p i and the point p i + 1 .
  • the drawing method is not limited to the method of changing the color according to v i '.
  • a drawing method may be used in which the thickness of the line to be drawn, the type of line, etc. are changed according to v i '. If the color is changed, a 3-channel track pattern image is generated. When changing the type or thickness of the line, a one-channel track pattern image is generated.
  • the wake pattern generation unit 102 sets the voyage state s r at the time T 1 as the correct answer label for the voyage state indicated by the wake pattern image generated as described above centered on the time T 1 (step S18).
  • a large amount of correct labeled image data sets are generated by repeating the above process for any ship and any time.
  • the track pattern generation unit 102 outputs a number of track pattern images and correct labels (hereinafter, also referred to as label information) (step S19).
  • the pattern learning unit 103 optimizes the parameters of the navigation state classifier by learning the track pattern image from the track pattern image and label information input from the track pattern generation unit 102.
  • the pattern learning unit 103 uses a general supervised classifier.
  • the pattern learning unit 103 can use various types of classifiers.
  • the pattern learning unit 103 can use a convolutional neural network (CNN).
  • FIG. 5 is a block diagram showing a configuration example of a navigation state estimation device that estimates the navigation state using the parameters obtained by the ship behavior learning device shown in FIG.
  • the voyage state estimation device shown in FIG. 5 includes a data input unit 201, a track pattern generation unit 202, a voyage state estimation unit 203, a data storage unit 601, and a parameter storage unit 602.
  • the data input unit 201 extracts the position information data and the speed information data of each ship from the data storage unit 601 in which the navigation information is stored (step S21).
  • the data input unit 201 outputs the position information data and the speed information data to the track pattern generation unit 202.
  • the track pattern generation unit 202 determines the drawing method based on the speed information included in the data input from the data input unit 201 (step S22).
  • the track pattern generation unit 202 generates a track pattern image based on the time-series position information included in the input data (step S23).
  • the track pattern generation unit 202 interpolates between discrete position information when generating a track pattern image.
  • the function of the track pattern generation unit 202 is similar to that of the track pattern generation unit 102. However, the track pattern generation unit 202 does not need to have a function of setting a label corresponding to the track pattern. Then, the track pattern generation unit 202 outputs the generated track pattern image to the navigation state estimation unit 203.
  • the voyage state estimation unit 203 acquires the parameters of the learned voyage state classifier (learned voyage state model) from the parameter storage unit 602 (step S24).
  • the voyage state estimation unit 203 reconfigures the voyage state classifier having the same configuration as the voyage state classifier learned by the pattern learning unit 103 (step S25).
  • the navigation state estimation unit 203 estimates the navigation state of each track pattern image from the trajectory pattern image input from the track pattern generation unit 202 (step S26), and outputs the estimated navigation state.
  • the navigation state estimation device of the present embodiment superimposes the speed information of the vessel on the track (for example, the track pattern image) (in the present embodiment, via the color or the like according to the speed information) to obtain the information amount regarding the navigation state. Therefore, it is possible to stably estimate the voyage state that is difficult to classify only from the track.
  • FIG. FIG. 7 is a block diagram which shows the other structural example of the ship behavior learning apparatus for creating the parameter which the navigation state estimation apparatus uses.
  • the ship behavior learning device may be incorporated in the navigation state estimation device or may be a device independent of the navigation state estimation device.
  • the navigation state estimation device increases the amount of information by superimposing the speed information of the vessel on the track, and realizes stable estimation of the navigation state.
  • the navigation state estimation device uses the acceleration information in addition to the speed information to realize more stable estimation of the navigation state.
  • the ship behavior learning device of the second embodiment illustrated in FIG. 7 includes a data input unit 301, a track pattern generation unit 302, a pattern learning unit 303, an acceleration calculation unit 304, a data storage unit 601, and parameters. And a storage unit 602.
  • the data input unit 301 extracts, from the data storage unit 601 in which the voyage information of the ships is stored, the data of the voyage state, position information, speed information, and time information of each ship that are continuous in time.
  • the data input unit 301 outputs the navigation state data, the position information data, and the speed information data to the track pattern generation unit 302. Further, the data input unit 301 outputs the speed information data and the time information data to the acceleration calculation unit 304.
  • data acquired from a GPS receiver or AIS includes speed information.
  • the data input unit 301 can calculate the velocity from the spatial distance and the temporal distance between two consecutive points.
  • the data input unit 301 can obtain the temporal distance from the acquisition date and time of the data between two consecutive points.
  • the track pattern generation unit 302 uses position information data and speed information data input from the data input unit 301, and acceleration information data input from the acceleration calculation unit 304.
  • the track pattern generation unit 302 determines a drawing method (for example, a method of changing the color of the track according to the speed of the ship) based on the speed information and the acceleration information.
  • the track pattern generation unit 302 generates a track pattern image based on the time-series position information included in the input data.
  • the track pattern generation unit 302 interpolates between discrete position information when generating a track pattern image. Then, the track pattern generation unit 302 sets the navigation state corresponding to the track pattern image among the navigation states included in the data input from the data input unit 301 as the correct label of the main track pattern. Further, the track pattern generation unit 302 outputs the generated track pattern image and label information to the pattern learning unit 303.
  • the pattern learning unit 303 learns the track pattern image from the track pattern image and the label information input from the track pattern generation unit 302, and optimizes the parameters of the navigation state classifier. Then, the pattern learning unit 103 stores the optimized parameter in the parameter storage unit 602.
  • the acceleration calculation unit 304 calculates acceleration from the time information data and the speed information data input from the data input unit 301. Then, the calculated acceleration information data (data indicating acceleration) is output to the track pattern generation unit 302.
  • the acceleration calculation unit 304 calculates acceleration from the time information and the speed information input from the data input unit 301.
  • the acceleration a i at each time is calculated by the equation (7) using the time continuous velocity information v i and the time t i at which each velocity information is observed.
  • the acceleration calculation unit 304 calculates the acceleration a i using the equation (7).
  • the track pattern generation unit 302 generates a track pattern image based on position information and speed information as in the case of the track pattern generation unit 102 in the first embodiment (steps S15 to S18).
  • the acceleration calculation unit 304 uses the predetermined maximum acceleration a max to convert the acceleration information a i as shown in equation (8) and normalizes it to a range of 0.0 to 1.0 (step S35). Let the normalized acceleration information be a i '.
  • a max is a predetermined value that can be adjusted by the user.
  • the track pattern generation unit 302 determines the drawing method of the track illustrated in FIG. 3C based on the value of a i '(step S36). It is assumed that the track pattern generation unit 302 decides to use a drawing method of changing the color of the line of the track according to the value of a i ', for example. To implement such a drawing method, as an example, the track pattern generation unit 302 first maps a i ′ onto the hue circle.
  • the track pattern generation unit 302 performs mapping so that the minimum value corresponds to 0 degrees (red) and the maximum value corresponds to 240 degrees (blue), for example.
  • the hue H i is expressed by equation (9).
  • Equation (10) and (11) are the same as the equations (5) and (6), but H i in the equation (10) is different from the equation (5) in that a i ′ is It is calculated using.
  • the track pattern generation unit 302 changes the color of the line corresponding to the track to the color represented by the equation (11) (step S37). In this way, the track is colored based on the acceleration information of the ship.
  • the track pattern generation unit 302 may use the color represented by the above formula (11) as the color of the line segment connecting the points p i and p i + 1 .
  • the drawing method is not limited to the method of changing the color according to a i '.
  • a drawing method may be used in which the thickness of the drawn line, the type of the line, and the like are changed according to a i '. If the color is changed, a 3-channel track pattern image is generated. When changing the type or thickness of the line, a one-channel track pattern image is generated.
  • the wake pattern generation unit 302 sets the voyage state s r at the time T 1 as the correct answer label for the voyage state indicated by the wake pattern image generated as described above centered on the time T 1 (step S38).
  • the track pattern generation unit 302 outputs a large number of track pattern images and correct labels (step S39).
  • the track pattern generation unit 302 outputs two types of track pattern images of a track pattern whose drawing method is determined based on the speed and a track pattern whose drawing method is determined based on the acceleration to 6 channels. It is output to the pattern learning unit 303 as a wake pattern image of.
  • the track pattern generation unit 302 uses the 3-channel track pattern image (speed-based track pattern image) or the 1-channel track pattern image (acceleration-based track pattern image) as the pattern learning unit 303. Output to.
  • the pattern learning unit 303 executes the same processing as the pattern learning unit 103 in the first embodiment. That is, the pattern learning unit 303 learns the track pattern image from the track pattern image and the label information input from the track pattern generation unit 302, and optimizes the parameters of the navigation state classifier. Then, the pattern learning unit 303 stores the optimized parameter in the parameter storage unit 602.
  • FIG. 9 is a block diagram showing a configuration example of a voyage state estimation device that estimates a voyage state using the parameters obtained by the ship behavior learning device shown in FIG. 7.
  • the navigation state estimation device shown in FIG. 9 includes a data input unit 401, a track pattern generation unit 402, a navigation state estimation unit 403, an acceleration calculation unit 404, a data storage unit 601, and a parameter storage unit 602. There is.
  • the data input unit 401 extracts the position information data, the speed information data, and the time information data of each ship from the data storage unit 601 in which the navigation information of the ship is stored (step S41).
  • the data input unit 401 outputs the position information data and the speed information data to the track pattern generation unit 402. Further, the data input unit 401 outputs the speed information data and the time information data to the acceleration calculation unit 404.
  • the acceleration calculation unit 404 has the same function as the acceleration calculation unit 304 shown in FIG. 7. That is, the acceleration calculation unit 404 executes the same process as the process by the acceleration calculation unit 304 to calculate the acceleration.
  • the track pattern generation unit 402 uses the speed information data input from the data input unit 401 and the acceleration information data input from the acceleration calculation unit 304 to draw a speed information-based drawing method and an acceleration information-based drawing method. The method is determined (step S42).
  • the track pattern generation unit 402 generates a track pattern image based on the time-series position information included in the input data (step S43).
  • the track pattern generation unit 402 interpolates between discrete position information when generating a track pattern image.
  • the function of the track pattern generation unit 402 is the same as the function of the track pattern generation unit 302. However, the track pattern generation unit 402 does not need to have a function of setting a label corresponding to the track pattern. Then, the track pattern generation unit 402 outputs the generated track pattern image to the navigation state estimation unit 403.
  • the voyage state estimation unit 403 acquires the learned voyage state classifier parameters from the parameter storage unit 602 (step S44).
  • the navigation state estimation unit 403 reconfigures the navigation state classifier having the same configuration as the navigation state classifier learned by the pattern learning unit 303 (step S45).
  • the navigation state estimation unit 403 estimates the navigation state of each trajectory pattern image from the trajectory pattern image input from the trajectory pattern generation unit 402 (step S46), and outputs the estimated navigation state.
  • the navigation state estimation device of the present embodiment superimposes acceleration information on a track (for example, a track pattern image) in addition to the speed information of the ship (in the present embodiment, a color or the like according to the speed information, and acceleration information).
  • a track for example, a track pattern image
  • the speed information of the ship in the present embodiment, a color or the like according to the speed information, and acceleration information.
  • the acceleration information is superimposed on the track in addition to the vessel speed information, but only the acceleration information may be superimposed on the track.
  • Each component in the above embodiments can be configured with one piece of hardware, but can also be configured with one piece of software. Further, each component can be configured by a plurality of hardware and can also be configured by a plurality of software. Further, some of the constituent elements may be configured by hardware and the other parts may be configured by software.
  • Each function (each process) in the above embodiment can be realized by a computer having a processor such as a CPU (Central Processing Unit) and a memory.
  • a processor such as a CPU (Central Processing Unit) and a memory.
  • a program for executing the method (processing) in the above embodiment is stored in a storage device (storage medium) and each function is realized by executing the program stored in the storage device by the CPU. Good.
  • FIG. 11 is a block diagram showing an example of a computer having a CPU.
  • the computer is implemented in the ship behavior learning device or the navigation state estimation device.
  • the CPU 1000 realizes each function in the above-described embodiment by executing processing according to a program stored in the storage device 1001.
  • And the function of the acceleration calculation unit 304 are realized.
  • Functions of 203 and 403 and the acceleration calculation unit 404 are realized.
  • data storage unit 601 and the parameter storage unit 602 may be incorporated in the computer or may exist outside the computer.
  • the storage device 1001 is, for example, a non-transitory computer readable medium.
  • Non-transitory computer-readable media include various types of tangible storage media. Specific examples of the non-transitory computer-readable medium include magnetic recording media (for example, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (for example, magneto-optical disks), and CD-ROMs (Compact-Disc-Read-Only Memory). ), CD-R (Compact Disc-Recordable), CD-R / W (Compact Disc-ReWritable), semiconductor memory (for example, mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM).
  • magnetic recording media for example, flexible disks, magnetic tapes, hard disk drives
  • magneto-optical recording media for example, magneto-optical disks
  • CD-ROMs Compact-Disc-Read-Only Memory
  • CD-R Compact Disc-Recordable
  • CD-R / W Compact Disc-
  • the program may be stored in various types of transitory computer readable media.
  • the program is supplied to the temporary computer-readable medium via, for example, a wired communication path or a wireless communication path, that is, via an electric signal, an optical signal, or an electromagnetic wave.
  • the memory 1002 is realized by, for example, a RAM (Random Access Memory), and is a storage unit that temporarily stores data when the CPU 1000 executes processing.
  • RAM Random Access Memory
  • a form in which the program held in the storage device 1001 or a temporary computer-readable medium is transferred to the memory 1002 and the CPU 1000 executes processing based on the program in the memory 1002 may be envisioned.
  • FIG. 12 is a block diagram showing the main part of the ship behavior learning device.
  • the ship behavior learning device 10 shown in FIG. 12 generates a track pattern (for example, a track pattern image) based on the time-series position information and speed information of the ship.
  • a track pattern for example, a track pattern image
  • the units 102 and 302 Implemented by the units 102 and 302
  • Learning ship behavior based on the relationship between the wake pattern and the nautical state of the ship (for example, the nautical state corresponding to the nautical pattern is classified as the correct label for classifying the nautical state).
  • Pattern learning means 12 which optimizes the parameters of the voyage state classifier (voyage state model)) (in the embodiment, realized by the pattern learning units 103 and 303).
  • FIG. 13 is a block diagram showing the main part of the navigation state estimation device.
  • the voyage state estimation device 20 shown in FIG. 13 uses the parameters generated by learning by the ship behavior learning device 10 to estimate the voyage state of the vessel 21 (in the embodiment, the voyage state estimation unit 203). , 403)).
  • the navigation state estimation device uses the parameters generated by learning based on the relationship between the navigation pattern of the vessel and the navigation pattern generated based on the time-series position information and speed information of the vessel, and the navigational state of the vessel. It may be configured to include a voyage state estimation means for estimating the state.
  • the navigation state estimation method uses the parameters generated by learning based on the relationship between the navigation pattern of a ship and the track pattern generated based on the time-series position information and speed information of the ship to determine the navigation state of the ship. It may be configured to estimate.
  • the present invention has been described with reference to the exemplary embodiments, the present invention is not limited to the above exemplary embodiments. Various changes that can be understood by those skilled in the art can be made to the configuration and details of the present invention within the scope of the present invention.
  • the information that can be used by the track pattern generation unit to determine the drawing method not only the speed and the acceleration but also the turning rate (temporal change in the traveling direction) can be used.
  • the turning rate is included in the information on the voyage status (voyage status) of the AIS.
  • the track pattern generation units 102, 202, 303, and 402 normalize the turning rate in time series as in the case of using the acceleration or the like.
  • the track pattern generation unit maps each tr' to the hue circle to determine the color corresponding to each tr '.
  • the track pattern generation unit colors the point p i (see FIG. 3C) with, for example, a color corresponding to tr ′ at that point, and connects the point p i and the point p i + 1 with each other.
  • the drawing method is not limited to the method of changing the color according to tr '.
  • the thickness of the line to be drawn and the type of line may be changed according to tr '.
  • the track pattern generation unit sets the sailing state s r at time T 1 as the correct answer label for the sailing state indicated by the track pattern image, as in the case of each of the above embodiments.
  • the learning method optimizes the parameters of the voyage state classifier for classifying voyage states.
  • the ship behavior learning method according to any one of Supplementary notes 1 to 4.
  • a track pattern generation means for generating a track pattern based on time-series position information and speed information of a ship
  • a ship behavior learning device comprising: a pattern learning unit that learns ship behavior based on the relationship between the track pattern and the sailing state of the ship.
  • the pattern learning means optimizes the parameter of the voyage state classifier for classifying the voyage state by learning.
  • the ship behavior learning device according to any one of supplementary notes 7 to 10.
  • a voyage state estimating device comprising: a voyage state estimating means for estimating a voyage state of the ship using a parameter generated by learning by the ship behavior learning device according to any one of supplementary notes 7 to 11.
  • Appendix 17 The ship behavior learning program according to any one of appendices 13 to 16, which optimizes the parameters of the voyage state classifier for classifying the voyage states by learning.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Ocean & Marine Engineering (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

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

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
　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pi、速度情報vi、航海状態si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、piは緯度経度等の絶対的な位置情報であり、緯度をlngi、経度をlatiとすると、piは、（１）式で表される。
Figure JPOXMLDOC01-appb-M000001
 　
　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piを描画する（ステップＳ１２）。各点pi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pi' を下式の（２）式で算出する。
　pi' ＝round(α×pi)　　　　　　　　　　　・・・（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pi' 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viを、所定の最高速度vmax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vi' とする。
Figure JPOXMLDOC01-appb-M000002
 　
　航跡パターン生成部１０２は、vmax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、vmax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、vi' 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、vi' 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、vi' を色相環にマッピングする。
　vi' 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Hiは、（４）式で表される。
　Hi ＝（２４０／３６０）×vi' 　　　　　　　　　　　　・・・（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。
Figure JPOXMLDOC01-appb-M000003
 　
　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。
Figure JPOXMLDOC01-appb-M000004
 　
　なお、fHSV2RGB(・)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pi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piと点pi+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piと点pi+1とを結ぶ線分の色として、単純に、点piにおける速度と点pi+1とにおける速度との平均値に対応する色や、点piと点pi+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、vi' 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vi' 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sr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aiは、時間的に連続する速度情報　viと、各速度情報が観測された時刻tiとを用いて、（７）式で算出される。
Figure JPOXMLDOC01-appb-M000005
 　
　すなわち、加速度算出部３０４は、（７）式を用いて加速度ai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aiを、所定の最高加速度amax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ai' とする。
Figure JPOXMLDOC01-appb-M000006
 　
　なお、amax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、ai' 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、ai' 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、ai' を色相環にマッピングする。
　ai' 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Hiは、（９）式で表される。
　Hi ＝（２４０／３６０）×ai' 　　　　　　　　　　　　・・・（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。
Figure JPOXMLDOC01-appb-M000007
 　
　最終的に生成されるRGB 空間の色は、（１１）式で表される。
Figure JPOXMLDOC01-appb-M000008
 　
　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Hiは、（５）式とは異なり、ai' 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piと点pi+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piにおける色として、例えば、点pi-1における加速度と点pi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piにおける色として、点pi-1と点pi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、ai' 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ai' 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sr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pi（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piと点pi+1とを結ぶ線分の色を、例えば、点piにおけるtr' と点pi+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sr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。
PCT/JP2018/037969 2018-10-11 2018-10-11 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 WO2020075274A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/282,136 US20220003554A1 (en) 2018-10-11 2018-10-11 Ship movement learning method, ship movement learning system, service condition estimation method, and service condition estimation system
PCT/JP2018/037969 WO2020075274A1 (ja) 2018-10-11 2018-10-11 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
JP2020549908A JP7088296B2 (ja) 2018-10-11 2018-10-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/037969 WO2020075274A1 (ja) 2018-10-11 2018-10-11 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

Publications (1)

Publication Number Publication Date
WO2020075274A1 true WO2020075274A1 (ja) 2020-04-16

Family

ID=70163848

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/037969 WO2020075274A1 (ja) 2018-10-11 2018-10-11 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

Country Status (3)

Country Link
US (1) US20220003554A1 (ja)
JP (1) JP7088296B2 (ja)
WO (1) WO2020075274A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10281799A (ja) * 1997-04-11 1998-10-23 Furuno Electric Co Ltd 航行援助装置
JP2005096674A (ja) * 2003-09-26 2005-04-14 Kawasaki Shipbuilding Corp 不審船探知方法及び装置
JP2015135545A (ja) * 2014-01-16 2015-07-27 株式会社日立ソリューションズ 分類装置および分類方法
JP2015186956A (ja) * 2014-03-26 2015-10-29 株式会社エヌ・ティ・ティ・データ 航行支援装置、航行支援方法、航行支援プログラム
JP2016217939A (ja) * 2015-05-22 2016-12-22 本多電子株式会社 航跡表示装置
JP2017041071A (ja) * 2015-08-19 2017-02-23 古野電気株式会社 船舶用表示装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3882025B1 (ja) * 2006-06-30 2007-02-14 国土交通省国土技術政策総合研究所長 広域用船舶動静監視方法及びシステム
JP5330508B2 (ja) * 2008-06-25 2013-10-30 トムトム インターナショナル ベスローテン フエンノートシャップ ナビゲーション装置、ナビゲーション装置の制御方法、プログラム及び媒体
US9607246B2 (en) * 2012-07-30 2017-03-28 The Trustees Of Columbia University In The City Of New York High accuracy learning by boosting weak learners
US9779594B2 (en) * 2015-08-13 2017-10-03 The Boeing Company Estimating vessel intent
KR101900851B1 (ko) * 2016-07-22 2018-11-08 목포해양대학교 산학협력단 선박 항해 감시장치 및 방법
IL248913B (en) * 2016-11-10 2022-01-01 Imagesat Int N V Identification and tracking of objects using multiple satellites
US10399650B2 (en) * 2017-01-17 2019-09-03 Harris Corporation System for monitoring marine vessels and determining rendezvouses therebetween and related methods
JP2018177172A (ja) * 2017-04-21 2018-11-15 富士通株式会社 表示プログラム、表示方法および表示装置
US20200410301A1 (en) * 2019-06-27 2020-12-31 Eagle Technology, Llc System and methods for monitoring marine vessels using topic model to determine probabilistic maritime scenarios

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10281799A (ja) * 1997-04-11 1998-10-23 Furuno Electric Co Ltd 航行援助装置
JP2005096674A (ja) * 2003-09-26 2005-04-14 Kawasaki Shipbuilding Corp 不審船探知方法及び装置
JP2015135545A (ja) * 2014-01-16 2015-07-27 株式会社日立ソリューションズ 分類装置および分類方法
JP2015186956A (ja) * 2014-03-26 2015-10-29 株式会社エヌ・ティ・ティ・データ 航行支援装置、航行支援方法、航行支援プログラム
JP2016217939A (ja) * 2015-05-22 2016-12-22 本多電子株式会社 航跡表示装置
JP2017041071A (ja) * 2015-08-19 2017-02-23 古野電気株式会社 船舶用表示装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIANG, X. ET AL., FISHING ACTIVITY DETECTION FROM AIS DATA USING AUTOENCODERS, CANADIAN CONFERENCE, 2016, pages 33 - 39, XP047352443, Retrieved from the Internet <URL:https://www.researchgate.net/publication/303031092_Fishing_Activity_Detection_from_AIS_Data_Using_Autoencoders> [retrieved on 20181220] *

Also Published As

Publication number Publication date
JPWO2020075274A1 (ja) 2021-09-02
US20220003554A1 (en) 2022-01-06
JP7088296B2 (ja) 2022-06-21

Similar Documents

Publication Publication Date Title
US10867195B2 (en) Systems and methods for monitoring driver state
JP6633795B2 (ja) 機械学習を用いた船舶の損失航跡データ推定システム
Murray et al. Ship behavior prediction via trajectory extraction-based clustering for maritime situation awareness
KR102016549B1 (ko) 차량 및 차선 위치 검출 시스템 및 방법
CN110175633B (zh) 一种基于北斗卫星传输数据的渔船轨迹异常检测方法
US20200388135A1 (en) Automated water body area monitoring
CN104660993B (zh) 基于ais和cctv的海事智能监控方法及系统
JP7371907B2 (ja) 船舶の航行支援システムにおける管理サーバ、船舶の航行支援方法、及び船舶の航行支援プログラム
CN109345876A (zh) 一种船舶监控系统及方法
CN109615932B (zh) 一种基于外接圆检测的船舶常见锚泊区边界自动提取方法
Silveira et al. Assessment of ship collision estimation methods using AIS data
Yu et al. Ship path optimization that accounts for geographical traffic characteristics to increase maritime port safety
FI20195961A1 (en) A METHOD FOR DELIVERING A LOCATION-SPECIFIC MACHINE LEARNING MODEL
KR102053906B1 (ko) 지리공간정보를 이용하는 실시간 감독 학습 방법 및 시스템
KR102214431B1 (ko) 미식별 선박의 이동 속도 추정 시스템 및 방법
Xu et al. Trajectory clustering for SVR-based Time of Arrival estimation
CN113901951A (zh) 一种无人船自识别及避障方法及装置
WO2020161843A1 (ja) 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体
WO2020075274A1 (ja) 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
WO2017138126A1 (ja) 船舶の逆走検出に関するコンピュータシステム、逆走検出方法及び逆走検出プログラム
JP2021077039A (ja) 画像処理装置、画像処理方法、及びプログラム。
Jaskólski Two-dimensional coordinate estimation for missing automatic identification system (AIS) signals based on the discrete Kalman filter algorithm and universal transverse mercator (UTM) projection
Tengesdal et al. Joint stochastic prediction of vessel kinematics and destination based on a maritime traffic graph
JP7272373B2 (ja) 船舶解析装置、船舶解析方法及びプログラム
Vijverberg et al. Object localization and path prediction using radar and other sources towards autonomous shipping

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18936304

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020549908

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18936304

Country of ref document: EP

Kind code of ref document: A1