Beitrag 18

Identifikation von Verkehrssituationen durch die Anwendung von Neuronalen Netzen

Dipl.-Ing. Ronny Klettke, Prof. Dr.-Ing. Reinhard Müller
Hochschule Wismar, Fachbereich Seefahrt in Warnemünde



Komplexe Verkehrssituationen, wie sie in der Regel in dicht befahrenen Gebieten auftreten, fordern vom Nautikern bei der Auswertung des Radarbildes all seine Erfahrung. Technische Hilfsmittel, die empirisches Wissen umsetzen, könnten eine Unterstützung bieten. Dazu bieten sich Neuronale Netze an. Diese können, wenn sie einmal erfolgreich angelernt wurden, Hilfe bei der Auswertung von unbekannten Situationen geben. Zu diesem Problem wurden umfangreiche Untersuchungen durchgeführt, die hier vorgestellt und bewertet werden.


Einleitung

Als Hilfsmittel in der Schiffahrt steht dem Schiffsführer heute bei der RADAR-Anwendung eine Prädiktionshilfe zur Verfügung, die lediglich einen Trial-Mode für die Bahnfindung ermöglicht. Es werden dabei ausschließlich die Auswirkungen der Kurs und/oder Fahrtänderungen als Manövereinleitung angezeigt. Die Überprüfung erfolgt nach rein geometrischen Gesichtspunkten gegenüber den erfaßten Fremdzielen. Aus der Forschung sind Verfahren bekannt, die eine Prädiktion von Ausweichbahnen nach strengen algorithmischen Vorgaben erzeugen. Dabei müssen alle beteiligten Targets mit ihren cpa- und tcpa-Werten ständig berücksichtigt werden. Klar definierte Grenzen für die Gefährlichkeit sind dabei festgelegt. Sind diese unterschritten, erfolgt ein Handeln. Für die Ausweichbahn gibt es mathematisch gesehen unendlich viele Möglichkeiten. Diese Verfahren arbeiten nach der Suche in verzweigten Bäumen unter Berücksichtigung gesetzlicher und geometrischer Vorgaben. Expertenwissen wird in Form einer Priorisierung von Steuerfolgen für das Finden von Ausweichbahnen berücksichtigt. Diese Verfahren sind von ihrer Methode her sehr umfangreich und rechenintensiv. Zum Erreichen einer problemadäquaten Priorisierung des Repertoires der zulässigen Steuerungen sind Analysen der Begegnungskonflikte üblich. Diese Situationsanalysen bestimmen wesentlich die Effizienz der Lösungsfindung als Heuristik innerhalb des gewählten Ansatzes.

Eine analytische Auswahl des RADAR-Ziels, demgegenüber Ausweichmanöver zu fahren sind, hat bisher zu keinem ausreichenden Ergebnis geführt.

In der Bildverarbeitung und auch in der Automatisierungstechnik werden Neuronale Netze angewendet, wenn die Probleme nicht über strenge Algorithmen zu beschreiben sind. Im Fachbereich Seefahrt der Hochschule Wismar wurde im Rahmen von studentischen Diplomarbeiten [1] erste Untersuchungen zur Anwendbarkeit von Neuronalen Netzen bei der Identifikation von Verkehrssituationen durchgeführt, die aber Mängel bei der Umsetzung beinhalten.


Problemstellung

Es waren Methoden und Verfahren zu entwickeln, um aus den Informationen eines RADAR-Bildes Steuerungsprofile für den unmittelbaren weiteren Verlauf (Ausweichen/Rückführen) der Schiffsbahnen zu erzeugen. Deren Verlauf soll als Look-Ahead-Funktion zur Anzeige gebracht werden. Besonders das berufstypische Fahrverhalten erfahrener Nautiker soll dabei als wesentliche Merkmalsgröße für die Prädiktion berücksichtigt werden.

Die Aufgabe bestand in der Untersuchung und Analyse von Methoden, um aus den Informationen von RADAR-Geräten automatische Vorhersagen für die Kollisionsvermeidung zu liefern. Mit zunehmender Anzahl von Verkehrsteilnehmern erhöht sich die Schwierigkeit, exakte Aussagen über das zukünftige Verhalten und die Lösung bestehender Konflikte zu treffen. An dieser Stelle ist umfangreiches Expertenwissen gefragt. Aus diesem Grunde wurde der Einsatz künstlicher Neuronaler Netze gewählt.

Ausgangspunkt für die Analyse der jeweiligen Verkehrssituation ist immer ein gegebenes Szenario mit 6 Targets, von denen mindestens eines den eigenen Sicherheitsbereich verletzt. Eine ARPA-RADAR-Anlage wird vorausgesetzt, so daß von den anderen Teilnehmern die Daten Distanz, Peilung, Geschwindigkeit und Kurs bekannt sind. Aus diesen Informationen soll das handlungsrelevante Target bestimmt werden. Handlungsrelevant wird hier definiert als das Fahrzeug, auf das die anstehenden Manöver auszurichten sind. In der folgenden Abbildung ist ein Beispielszenario dargestellt, das die Problemstellung erläutern soll.

Abb.1

Abbildung 1: Beispielverkehrsszenario mit Targetdaten

Es kommt wie in diesem Bild vor, daß das handlungsrelevante Target im ersten Moment ein ungefährliches Target ist. Da aber aufgrund der vorgeschriebenen Ausweichpflicht gegenüber einem gefährlichen Fahrzeug sich die gegebene Situation ändert, wird das handlungsrelevante auch gefährlich und es müssen neue Aktionen eingeleitet werden. Daher werden gleich von vornherein die Manöver so geplant, daß nur wenige Kurs- und Fahrtänderungen vorgenommen werden müssen.

Eine streng algorithmische Lösung dieses Problems ist nicht möglich. Wie oben schon erwähnt, wurde deshalb ein Neuronales Netz zur Bestimmung des handlungsrelevanten Fahrzeugs herangezogen.


Aufbau und Wirkungsweise Neuronaler Netze

Künstliche Neuronale Netze, wie sie seit einigen Jahren in der Computerindustrie Anwendung finden, sind in ihrem Aufbau dem menschlichen Gehirn nachempfunden. Es ist natülich nicht möglich, diese Komplexität zu erreichen, aber die rasche Entwicklung im Bereich der Hardware (besonders zunehmender verfügbarer Arbeitsspeicher) läßt die Neuronalen Netze auch immer umfangreicher werden. Zur Anwendung in diesem Fall kommt ein Netz der Form eines mehrlagigen Perceptrons (Abbildung 2), das nach dem Backpropagation-Algorithmus arbeitet [4].

Abb.2

Abbildung 2: Mehrlagiges Perceptron

Durch die Vorgabe eines Eingabevektors [x1, x2, ... , xm] wird über die zahlreichen Verknüpfungen zwischen den einzelnen Schichten des Netzes letztendlich ein Ausgangsvektor [y1, y2, ... , yn] berechnet. Die Dimensionen m der Eingangsschicht (Input Layer) und n der Ausgangsschicht (Output Layer) sind von dem zu lösenden Problem abhängig. Die Zahl i der versteckten Schichten (Hidden Layer) beträgt mindestens Eins und erhöht mit zunehmender Anzahl die Komplexität des Netzes und aber auch die Ansprüche an die Hardware.

In der Phase des Anlernens ist für jeden Eingangsvektor X ein dazugehörender Zielvektor T notwendig, der die Werte für den Ausgangsvektor Y vorgibt. Der Vergleich der einzelnen Werte von T und Y ergibt den quadratischen Summenfehler nach

Formel 1

   (1)

welcher ein Maß für die Güte des Neuronalen Netzes darstellt. Wenn ein vorher festgelegter Fehler unterschritten wird, dann kann das Lernen abgebrochen werden. Weitere und ausführlichere Informationen zum Backpropagation-Algorithmus sind in der Literatur zu finden [2][3].

Ein zusätzliches Abbruchkriterium für das Anlernen ist das Unterschreiten des Schwellenwertes e für jedes Element in allen Targetvektoren. Dieser Schwellenwert ist definiert als

Formel 2

   (2)

Wird dieser Schwellenwert, der z.B. auf 1% festgelegt worden ist, für alle j von 1 bis n unterschritten, dann kann mit dem Lernen abgebrochen werden. Die Vorgehensweise beim Anlernen von Neuronalen Netzen für die Anwendung auf die Identifikation von Verkehrssituationen ist immer die gleiche:

  1. Geeignete Umwandlung der RADAR-Daten in für das Neuronale Netz verständliche Werte
  2. Erzeugung der Eingangs- und Ausgangsmuster aus verschiedenen Szenarien
  3. Festlegung der Architektur eines Neuronalen Netzes
  4. Anlernen des Neuronalen Netzes
    4.a Abbruch des Lernvorgangs, wenn abzusehen ist, daß das Lernen nicht zum Erfolg führt, und Fortsetzung bei 1.)
    4.b Abbruch des Lernvorgangs, wenn eine vorher festgelegte Genauigkeit erreicht ist
  5. Test des angelernten Neuronalen Netzes mit bisher unbekannten Szenarien
  6. Bewertung der Fehler

Wie zu erkennen, handelt es sich dabei um "trial-and-error"-Verfahren.

Wenn ein Neuronales Netz aber erfolgreich angelernt wurde, dann wird mit bisher unbekannten Daten ein Eingangsvektor X erstellt und das Netz berechnet in Bruchteilen von Sekunden einen dazugehörenden Ausgangsvektor, der die Antwort auf das anstehende Problem darstellt.

Es war nun eine Struktur zu schaffen, wie die RADAR-Daten für das Neuronale Netz verständlich gemacht und ausgewertet werden.


Anwendung Neuronaler Netze zur Identifikation von Verkehrsszenarien

Ausgangspunkt für alle Anwendungen von Neuronalen Netzen in diesem Zusammenhang sind die Daten Distanz, Peilung, Geschwindigkeit und Kurs für 6 fremde Targets sowie eine Geschwindigkeit von 12kn bei einem Kurs von 0° für das Eigenschiff. Diese Informationen werden aus RADAR-Geräten gewonnen. Mit Hilfe eines Szenariengenerators, der über zufällige Verteilungen unter Beachtung praktischer Machbarkeiten die Daten für die 6 fremden Targets erzeugt, wurden 280 unterschiedliche Verkehrsszenarien erstellt. Dabei verletzen mindestens ein Target und maximal alle einen Sicherheitsbereich von 1sm. Im Rahmen einer studentischen Arbeit [1] wurde unter Miteinbeziehung von Befragungen von erfahrenen Nautikern für jedes einzelne Szenario das handlungsrelevante Fahrzeug festgelegt.

Um mit diesen Informationen ein Neuronales Netz anzulernen, mußte, wie oben erwähnt, eine geeignete Umwandlung erfolgen. Für jedes Szenario ist ein Eingangs- und ein Ausgangsvektor zu erstellen. Der Ausgangsvektor muß auf geeignete Weise mit Hilfe von ausschließlich binären Werten (0 oder 1) Auskunft darüber geben, welches Target als handlungsrelevant eingestuft wurde. Im Eingangsvektor muß mit Hilfe der zur Verfügung stehenden Daten und unter Hinzunahme weiterer, daraus ableitbarer Größen eine numerische Beschreibung der Verkehrssituation erfolgen. Es bestand nun die Aufgabe, verschiedene Formen der Umwandlung aufzustellen, Neuronale Netze damit anzulernen und entsprechende Ergebnisse zu bewerten. Verschiedene Verfahren wurden dabei getestet. Die ersten Versuche brachten unbefriedigende Ergebnisse hervor. Im Folgenden wird nun das Verfahren beschrieben, daß letztendlich die Anwendbarkeit von Neuronalen Netzen zur Verkehrsidentifikation demonstrierte.


Umwandlung der gegebenen Informationen und Anlernen von Neuronalen Netzen

Es mußte ein vollkommenes Loslösen von der willkürlichen Numerierung der Targets auf dem RADAR-Schirm sowohl im Eingangs- als auch im Ausgangsvektor stattfinden. Dies konnte nur über eine fest definierte Reihenfolge der Fahrzeuge nach physikalischen Gesichtspunkten erfolgen. Zu diesem Zweck wurde eine einfache Gleichung zur Abschätzung der Gefährlichkeit eingeführt:

Formel 3

   für P < 90°   (3)
   für P > 90°

Hierbei werden cpa in sm und tcpa in min eingesetzt. Dieses sogenannte Riskwaiting soll eine einfache mathematische Möglichkeit geben, die Gefährlichkeit der einzelnen Targets zu unterscheiden. Das Target mit dem geringsten Wert für rw stellt das gefährlichste dar. Dieses Riskwaiting wurde für jedes der 6 Fahrzeuge in den 280 Verkehrsszenarien berechnet und die Targetreihenfolge mit aufsteigendem rw neu sortiert. Bei der Umwandlung der gegebenen Daten in einen Eingangsvektor X wurden die Gleichungen (4a) bis (4g) verwendet.

Formel 4

für rw1 < 380(4a)     

Formel 5

für rw1 < 180°(4b)
für rw1 > 380für P1 > 180°

Formel 6

für cpa1 < 6 sm(4c)     

Formel 7

für tcpa1 < 60 min(4d)
für cpa1 > 6 smfür tcpa1 > 60 min

Formel 8

für vrel1 > 1 kn(4e)     

Formel 9

für Krel1 < 180°(4f)
für vrel1 < 1 knfür Krel1 > 180°

Formel a

für D1 < 12 sm(4g)
für D1 > 12 sm.

Die hier verwendeten Größen haben folgende Bedeutung:

rw1 - Riskwaiting des 1. Targets nach Gl. (3)
D1 - Distanz des 1. Targets in sm
P1 - Peilung des 1. Targets in °
vrel 1 - Relativgeschwindigkeit des 1. Targets in kn
krel 1 - Relativkurs des 1. Targets in °
cpa1 - cpa des 1. Targets in sm
tcpa1 - tcpa des 1. Targets in min .

Eine Normierung wurde vorgenommen, damit die Elemente des Eingangsvektors im Wert stets <1 sind.

Mit den physikalischen Größen der Targets Nr. 2 bis 6 werden die Elemente x8 bis x42 berechnet. Die hier verwendeten Targetnummern 1 bis 6 beruhen auf der Reihenfolge, die nach dem Umsortieren entsteht.

Der Ausgangsvektor Y bestand aus sechs Elementen, die besagten, ob das jeweilige Target handlungsrelevant ist (yi=0,8) oder nicht (yi=0,2). Hier wurden die Werte 0,8 und 0,2 anstelle von 1,0 und 0,0 verwendet, da die Funktion, die zur Berechnung der Elemente von Y genutzt wird, nur gegen 1 bzw. 0 konvergiert [2]. Das Lernen ist numerisch gesehen ein Gradientenverfahren, das auf der ersten Ableitung dieser Funktion beruht, die gegen 0 geht für die Fälle yi~ 1 bzw. 0 und so keine Fortführung des Lernens mehr ermöglicht.

Damit wurden diverse Neuronale Netze von verschiedenen Strukturen angelernt. In der folgenden Abb. sind der Verlauf des Quadratischen Summenfehlers E und der Anteil der richtig erkannten Muster über den durchgeführten Lernzyklen dargestellt.

Abb.3

Abbildung 3: Fortschritt des Anlernens mit Zunahme der Lernzyklen

Ab dem 2770. Lernzyklus wurden alle Muster immer mit einer Genauigkeit von =0,01 erkannt. Es handelte sich hierbei um ein Neuronales Netz mit der folgenden Struktur:

42 Elemente im Eingangsvektor
84 Elemente in der 1. versteckten Schicht
48 Elemente in der 2. versteckten Schicht
12 Elemente in der 3. versteckten Schicht
6 Elemente im Ausgangsvektor

Ein Weiterführen des Anlernens bringt mit zunehmender Anzahl von durchgeführten Lernzyklen kaum noch Fortschritt. Beim Anlernen eines weiteren Neuronalen Netzes der gleichen Struktur wurde nach 41.000 Zyklen ein quadratischer Summenfehler von E=2,8*10-4 erreicht. Weiterhin wurden Netze von kleinerer Struktur mit 42 Elementen in der ersten versteckten Schicht, 24 in der zweiten und 6 in der dritten angelernt. Nach 90.000 durchgeführten Lernzyklen betrug hier der quadratische Summenfehler E=0,36, wobei die vorgelegten 280 Lernmuster nur mit einer Genauigkeit von =0,1 erkannt wurden. Im nächsten Kapitel erfolgt eine ausführliche Beswertung der angelernten Neuronalen Netze.


Auswertung der Neuronalen Netze mit unbekannten Lernmustern

Die hier präsentierten Ergebnisse beziehen sich auf drei erfolgreich angelernte Neuronale Netze mit den folgenden Strukturen:

Anzahl der Elemente1. Netz2. Netz3. Netz
Eingangsvektor424242
1. versteckte Schicht848442
2. versteckte Schicht484824
3. versteckte Schicht12126
Ausgangsvektor666

Tabelle 1 Strukturen der erfolgreich angelernten Neuronalen Netze

Zur Auswertung wurden 140 Verkehrssituationen herangezogen, die wie die 280 Lernmuster von einem Szenariengenerator per Zufallsverteilung erzeugt wurden. Mit diesen erfolgte eine Vorsortierung und Umwandlung wie in Kapitel 0 erwähnt. Eine erste direkte Gegenüberstellung der Ergebnisse ergab Ubereinstimmungen bzw. Abweichungen der einzelnen Antworten untereinander, wie sie in Abb. dargestellt sind.

Abb.4

Abbildung 4: Vergleich der Antworten von drei Neuronalen Netzen

In 47% der 140 Fälle schätzen alle drei Neuronalen Netze die Situation exakt gleich ein, in allen anderen Fällen gibt es 1 bis 4 Unterschiede zwischen den Antworten der drei Netze (Bei 3 Ausgangsvektoren mit je 6 Elementen wären maximal 12 Varianten möglich). Dies bedeutet aber nicht, daß eine der gegebenen Empfehlungen bezüglich des handlungsrelevanten Fahrzeugs falsch sein muß. Sogar Experten sind sich nicht immer einig in ihrer Antwort zur Einschätzung der Verkehrssituation. Eine durchgeführte Befragung unter 10 erfahrenen Nautikern ergab bei der Vorlage von 50 verschiedenen Szenarien sogar bis zu 5 verschiedene Antworten auf die Frage, welches der 6 teilnehmenden Targets als handlungsrelevant eingestuft wird (Abb. 7).

Abb.5

Abbildung 5: Vergleich der Antworten von 10 Nautikern zur Einschätzung von 50 Verkehrssituation

Aus diesem Grunde, daß es für ein vorliegendes Verkehrsszenario keine eindeutige Aussage zur Handlungsrelevanz gibt, mußte die Auswertung für jede einzelene Situation visuell über die Betrachtung des RADAR-Bildes unter Hinzunahme der fremden Targetdaten erfolgen.

In der folgenden Abb. 9 sind die Daten eines Verkehrsszenarios und die Antworten der drei Neuronalen Netze dargestellt, die sich immer etwas unterscheiden.

Abb.6

Abbildung 6: Vergleich von drei unterschiedlichen Antworten für ein Verkehrsszenario

Die mit «!» gekennzeichneten Targets mit dem Wert 1 für die Handlungsrelevanz stellen das Fahrzeug dar, auf das nach Vorschlag des Neuronalen Netzes die anstehenden Handlungen auszurichten sind. Ist eine Targetnummer mit &raqou;?« gekennzeichnet (Handlungsrelevanz=0,5), dann kann die Aussage so gedeutet werden, daß hier eine weitere Beobachtung im Verlaufe der Entwicklung vorzunehmen ist und dieses Target handlungsrelevant werden kann. Der Wert des Elements im Ausgangsvektors des Neuronalen Netzes wird weder 1 noch 0 zugeordnet.

Bei einer Betrachtung der Verkehrssituation in Abb. 9 kann man keine der drei verschiedenen Antworten als falsch bezeichnen. Das Target Nr.2 verletzt den eigenen Sicherheitsbereich. Es sind entsprechende Manöver einzuleiten. Target Nr. 1 kann im Zuge der durchzuführenden Aktionen gefährlich werden, so daß gleich Handlungen gegenüber Nr. 1 einzuleiten sind. Hierbei wiederum kann es eventuell passieren, daß man sich dem Target Nr. 6 gefährlich nähert, so daß dieses Fahrzeuges weiter beobachtet werden sollte. Den Zielen der Untersuchungen zum Einsatz Neuronaler Netze bei der Identifikation von Verkehrssituation entspricht die Antwort des 2. Netzes. In absehbarer Zeit sind die Handlungen auf das Target Nr. 1 auszurichten.

Im Zuge der Auswertung wurde festgestellt, daß die Antworten des 3. Netzes oftmals nicht der Realität entsprachen. Daher wurde diese Neuronale Netz von kleiner Struktur (siehe Tabelle 1) bei den weiteren Betrachtungen ausgeschlossen. Damit erhöhte sich die Häufigkeit der gleichen Antworten der beiden noch verbliebenen Neuronalen Netze in Abbildung 5 auf 62%.

Einfache Verkehrsszenarien wie in Abb. 11 bereiten den beiden Neuronalen Netzen keine Probleme mit der Identifikation.

Abb.7

Abbildung 7: Beispiel für ein einfaches, exakt erkanntes Verkehrsszenario

Hier sind die Targets relativ gleichmäßig über den gesamten RADAR-Kreis verteilt und die Handlungsrelevanz ist eindeutig, da beim Ausweichen gegenüber Target Nr. 1 keine Folgeaktionen zu beachten sind. Die Auswertung der Verkehrsszenarien durch die Neuronalen Netze wird schwieriger, wenn sich auch die Situation verkompliziert. Bei vielen entgegenkommenden, den eigenen Sicherheitsbereich verletzenden Fahrzeugen werden sich die Experten streiten, ob nun die Antwort richtig ist oder ob sie einen anderen Weg verfolgen würden. Die folgende Abbildung stellt so eine Situation mit der Antwort der beiden Neuronalen Netze dar.

Abb.8

Abbildung 8: Komplexe Verkehrssituation mit der Bewertung durch die Neuronalen Netze

In dieser Situation verletzen 4 der 6 Targets den Sicherheitsbereich von 1sm, wobei das Target Nr. 1 sich schon viel zu dicht genähert hat. Aus diesem Grunde wird es auch als handlungsrelevant eingestuft. Wenn dies nicht der Fall wäre, müßte ein Ausweichen nach Steuerbord gegenüber Target Nr. 2 erfolgen, das hier als ungewiß eingestuft wurde. Das gegebene Szenario entspricht kaum Situationen, wie sie in der Praxis auftreten können. Die Lösung dieses Konfliktes kann aber durchaus nach den Empfehlungen des Neuronalen Netzes erfolgen.

In der Auswertung der Neuronalen Netze in Abb. 9 und 11 sind jeweils ein Target mit »?« gekennzeichnet, was bedeutet, daß die Antwort unbestimmt ist. Diese Form der Empfehlung zur Handlungsrelevanz trat sowohl mit gleichzeitiger Festlegung auf ein bestimmtes Target (insgesamt in 3% bzw. 1% der 140 ausgewerteten Testszenarien) als auch ohne (insgesamt je 12%) auf.

Weiterhin berechnete das 1. Netz bei 1% der Fälle den Ausgangsvektor so, daß zwei Targets als handlungsrelevant eingestuft werden. So eine Antwort ist natürlich nicht möglich. Hier muß noch eine Nachbereitung der Werte erfolgen, indem das Target mit dem geringeren Wert für das Riskwaiting rw als das Ergebnis der Berechnung festgelegt wird.

Zusammenfassend zur Auswertung der Neuronalen Netze mit den vorher unbekannten Testszenarien kann gesagt werden, daß ~90% als exakt erkannt eingestuft werden können. Darin enthalten sind auch die Antworten, in denen Elemente des Ausgangsvektors den Wert yi=0,5 betrugen. Diese Aussagen beziehen sich auf das 1. Netz, das als das Bessere von beiden eingeschätzt wurde.


Schlußbemerkungen und offene Probleme

Die Analyse von Verkehrssituationen mit Hilfe von Neuronalen Netzen ist gegeben. Wie schon in [1] erwähnt, beruht das Anlernen von künstlichen Neuronalen Netzen auf der trial-and-error-Methode, wobei der Beginn oft in eine Sackgasse führen kann. Mit zunehmender Zeitdauer erkennt man, worin die Probleme liegen und wie diese beseitigt werden können. Bei der Anwendung zur Identifikation von Verkehrsszenarien haben die Untersuchungen ergeben, daß eine klar definierte Reihenfolge der Targets festgelegt werden mußte. Unter Einbeziehung geometrischer Daten, die die Frage der Handlungsrelevanz stark beeinflussen, konnten Neuronale Netze angelernt werden, die eine relativ hohe Genauigkeit bei der Auswertung mit unbekannten Verkehrssituationen erzielten. Somit wurde die Untersuchungen erfolgreich abgeschlossen.

Hier sollen nur noch einige offene Probleme erwähnt werden, die sich während der Auswertung herausstellten. Neuronale Netze sind zur Umsetzung von Expertenwissen für gegebene Muster bestehend aus Ein- und Ausgangsvektoren gedacht. Sie lernen aus diesen Vorgaben. Jedes Neuronale Netz kann nur so gut sein, wie die Lernmuster es ihm vorgeben. In der Abbildung 7 ist zu erkennen, daß sich die Experten in der Frage der Festlegung des handlungsrelevanten Targets nicht immer einig sind. Aus diesem Grunde ist es sinnvoll, eine eindeutige Linie bei der Identifikation von allen Verkehrssituationen zu verfolgen.

Zur Erstellung der Trainings- und Testszenarien wurde ein Generator genutzt, der auf dem Zufallsprinzip arbeitet. Die erzeugten Situationen können Gegebenheiten darstellen, die nicht immer praxisrelevant sind. Es müssen dabei noch mehr Nebenbedingungen wie minimales tcpa bei Unterschreitung eines Limits für cpa berücksichtigt werden. Wie oben schon erwähnt, ist aber gerade die Auswahl der Trainingsmuster Grundlage für eine erfolgreiche Anwendung der Neuronale Netze bei unbekannten Mustern. Eine systematische Erstellung der Daten für die Verkehrssituation müßte vorgenommen werden. Jedoch ist eine Zusammenstellen der Szenarien nach dem Prinzip der Gleichverteilung kaum möglich. Bei einer Quantisierung der Werte für Distanz, Peilung, Geschwindigkeit und Kurs in jeweils nur 10 Teile entstehen für ein Target 104=10.000 Möglichkeiten, die sich dann mit Anzahl der Targets exponentiell erhöhen.

Eine andere Frage ist die Identifikation von Verkehrsszenarien mit mehr oder weniger als 6 fremden Targets. Die Dimensionen des Ein- und des Ausgangsvektors erhöhen sich entsprechend. Es muß eine Maximalanzahl von Targets festgelegt werden. Wird diese unterschritten, erfolgt ein Auffüllen der Daten mit Werten, so daß keine Gefahr entstehen kann (z.B. D=12sm; P=180°; v=vEigenschiff ; K=0°). Die weitere Herangehensweise ändert sich nicht.

Auf dem Warnemünder Schiffahrtskolleg '97 des Schiffahrtsinstituts Warnemünde e.V. vom 26. bis 27. November 1997 in Rostock-Warnemünde wurden Ergebnisse des AIF-Projektes unter dem Titel "Einsatz Neuronaler Netze zur Identifikation von Verkehrssituationen" vorgestellt.


Literatur

[1]S. Dreeßen: "Analyse von Verkehrssituationen durch Anwendung künstlicher Neuronaler Netztechnik auf der Basis von RADAR-Zielinformationen", Universität Rostock, Arbeitsbereich Seefahrt, Diplomarbeit, Rostock-Warnemünde, 1996
[2]J.L. McClelland, D.E. Rumelhart: "Parallel Distributed Processing", vol. 2, The MIT Press, Cambridge, Massachusetts, 1988
[4]D.T. Pham, X. Liu: "Neural Networks for Identification, Prediction and Control", 2nd printing, Springer Verlag Berlin Heidelberg New York, London, 1995