• norsk
    • English
  • English 
    • norsk
    • English
  • Login
View Item 
  •   Home
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for teknisk kybernetikk
  • View Item
  •   Home
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for teknisk kybernetikk
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Contact detection for autonomous boats using machine learning

Kristiansen, Kjetil Sekse
Master thesis
Thumbnail
URI
https://hdl.handle.net/11250/2781085
Date
2021
Metadata
Show full item record
Collections
  • Institutt for teknisk kybernetikk [2866]
Description
Full text available on 2024-06-07
Abstract
En viktig egenskap for et autonomt system på skip er å ha egenskapen til å legge til kai trygt uavhengig av strukturen til kaien. For større fartøy involverer dette ofte en myk kollisjon med kai før fartøyet blir sikret til den. En kollisjon kan føre til uønskede hydrodynamiske krefter som påvirker fartøyet. En slik hendelse må derfor kunne kompenseres for i et kontrollsystem. Som en konsekvens må man kunne detektere disse kollisjonene for å kunne realisere robust autonom dokking.

Denne avhandlingen vil finne og teste forskjellige metoder for å detektere kollisjoner mellom et maritimt fartøy og kai ved å bruke treghetsdata og tilstandestimater som kursvinkel og fart i tre frihetsgrader. To maskinlæringsmetoder; Logistic Regression og Support vector Machines har blitt brukt til å detektere kollisjoner med suksess. Dyp læring har også blitt undersøkt, og fra resultatene greide den dyp læringsbaserte metoden å detektere kollisjoner med høyere sikkerhet enn begge maskinlæringsmetodene.

Fra resultatene ser vi at Support Vector machines oppnår de beste resultatene for et visst konfidensnivå. Dyp læringsmetoden derimot oppnår bedre resultater i den forstand at den klassifiserer kollisjoner med mye høyere sikkerhet enn noen av maskinlæringsmetodene har greid. Det er også blitt oppdaget at metoder som er trent på data fra dokking ved en kai ikke generaliserer bra til data der dokking skjer ved en annen kai eller på en annen måte.
 
An important part of autonomous ship systems is being able to dock safely at an arbitrary docking location. For larger vessels, this often involves a soft collision with quay before the vessel is secured to it. A collision could result in unwanted hydrodynamic forces acting on the vessel. Such an event needs to be compensated for in a control system. As a consequence being able to detect these collisions is a necessity for robust autonomous docking.

This thesis aims to find and test different methods for detecting collisions between a maritime vessel and quay using inertial data and state estimates such as heading and velocities in 3 degrees of freedom. Two machine learning methods; logistic regression and support vector machines have been used to detect collisions with success. Deep learning was also investigated, and from the results the deep learning based method managed to detect collisions with a higher certainty than both machine learning methods.

From the results we observe that Support Vector machines obtains the best results for a certain level of confidence. The deep learning based method however performs better in that it is able to classify collisions with a lot higher certainty than any of the two other methods manage. It is also discovered that methods trained on data from docking at one quay are not able to generalize this well to data where docking occurs at a different quay, or in a different manner.
 
Publisher
NTNU

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit
 

 

Browse

ArchiveCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsDocument TypesJournalsThis CollectionBy Issue DateAuthorsTitlesSubjectsDocument TypesJournals

My Account

Login

Statistics

View Usage Statistics

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit