Bayesian Bridging Distribution Analysis for Model Based Intent and Long-term Prediction of Vessels

Abstract

For å sørge for at autonome overflatefartøyer er sikre for bruk blant den allerede eksisterende trafikk, da må den være utstyrt med et antikollisjonssystem. En viktig del av et slikt system er evnen til å kunne oppdage potensielle trusler og unngå dem. For å oppnå dette må en målfølgingsmodell kunne predikere banen til andre overlatefartøyer.

For modellbaserte metoder, kan kunnskapen om intensjoner til andre fartøyer gi forbedrede prediksjoner om fremtidige tilstander. Denne masteroppgaven analyserer tre modellbaserte metoder for å predikere intensjoner til fartøyer ved bruk av reelle måledata fra Automatic Identification System (AIS). Disse metodene baserer seg på Bayesian bridging distribusjoner som beregner sannsynligheten for mulige destinasjoner og bruker fartøyets målinger som input. Disse er, (1) Bayesian filtreringsmetode som kobler nåværende tilstand med den endelige tilstanden via en joint tilstand som innholder begge tilstandene, (2) Bayesian filtreringsmetode som kobler nåværende tilstand med den endelige tilstanden via en pseudo-måling, og (3) Bayesian glattingsmetode som også bruker en pseudo-måling for koblingen.

Tre målfølgingsmodeller ble brukt, constant velocity (CV) modell, equilibrium reverting velocity (ERV) modell, og Ornstein-Uhlenbeck (OU) modell. Disse ble brukt i kombinasjon med Bayesian bridging metodene for destinasjonsprediksjoner og fremtidige tilstandsprediksjoner. Det ble observert gode resultater for destinasjonsprediksjonene ved bruk av de fleste modeller testet. For fremtidige tilstandsprediksjoner, begge filtrerings metodene hadde godt estimat opptil omtrent 15-30 min, varierende for forskjellige situasjoner. Derimot hadde glatting metoden dårlige tilstandsprediksjoner.

To ensure that autonomous surface vessels are safe for operation amongst the already existing traffic, it must be equipped with a robust collision avoidance (COLAV) system. An important part of such system is the ability to accurately detect potential threat and to avoid it. To achieve this a tracking model must be able to reliably predict future trajectory of other vessels that pose a potential threat.

For model-driven methods, the knowledge about the intent of other vessels can greatly increase how far into the future their trajectories can accurately be predicted. In this thesis, three model-driven methods for intent predictions have been analysed using measurements from Automatic Identification System (AIS). These methods are all based on Bayesian bridging distributions that compute the likelihood of possible destinations using the vessel's measurements as input. These are, (1) a Bayesian filtering approach that bridges the current state with the final state via a joint state of the two, (2) a Bayesian filtering approach that bridges the current state with the final state via a pseudo-measurement, and (3) a Bayesian smoothing approach that also uses a pseudo-measurement for bridging.

Three bridged motion models were considered for tracking, a constant velocity (CV) model, an equilibrium reverting velocity (ERV) model, and an Ornstein-Uhlenbeck (OU) model. These were then used with the different bridging methods for destination inference and future predictions. Good results were observed for most cases in predicting the intended destination. For predicting future states, both filtering approaches had good estimates up to about 15-30 min of future predictions, depending on the situation. Whereas the smoothing approach did not perform well in predicting future states.