Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
REEDS: Reference data and algorithms for research and development of smart ships
RISE Research Institutes of Sweden, Säkerhet och transport, Maritima avdelningen.ORCID-id: 0009-0000-5118-6376
Chalmers University of Technology, Sweden.
Chalmers University of Technology, Sweden.
Chalmers University of Technology, Sweden.
Vise andre og tillknytning
2023 (engelsk)Rapport (Annet vitenskapelig)Alternativ tittel
Referensdata och algoritmer till stöd för forskning och utveckling av smarta fartyg (svensk)
Abstract [en]

The Swedish Transport Administration Research and Innovation fund for Maritime research funded the project "Reference data and algorithms to support research and development of smart ships". The project goes by the working name, and is communicated as, Reeds. It responds to a synthesis of a number of different needs identified in previous projects and studies. The background to the project is that in recent years the focus has been on developing algorithms to interpret and act on the physical environment around different types of craft. In order to be able to develop and evaluate these algorithms, it has become clear that open datasets and a fair benchmarking platform are required that allow various developers in industries and researchers to evaluate algorithms. In the road vehicle sector, Kitti, as of 2013, is the largest dataset used as a reference dataset. The dataset in this project contains sensor data from several data collection occasions within a maritime context, from high-precision sensors such as cameras, radar, lidar, and IMU. For marine applications, there has been no similar dataset with anywhere near the same amount of data and time synchronisation between sensors. The reference data and reference algorithms were available periodically during the project through an online service where researchers and developers could upload their algorithms to use the dataset.

In addition to the dataset itself, Reeds adds additional strengths compared to other reference datasets:

-        New approach to comparing algorithms fairly, where new algorithms are always compared on a centralised hardware in a cloud service and re-evaluated when new data is added, i.e. an unbiased algorithm evaluation service.

-        Method that combines NTP and PTP time protocols for synchronisation between the sensors with microsecond accuracy

-        More types and more modern sensors that can be used at a higher level of abstraction and can thus be applied in more areas.

-        Sensor fusion of both onboard and land-side sensors

-        Identify areas of application for navigation and surveillance on land based on the algorithms developed during the project and the use of new sensor types not established in shipping.

-         

The project built up a maritime reference data set that enables the creation of a digital description for the ship's surrounding environment and developed reference algorithms to demonstrate new navigation and monitoring methodology in the area of "enhanced navigation".

"Enhanced navigation" is defined under the project as the use of new technology based on developments in digitisation and autonomous functions, where new navigation methods use sensors both on board and ashore to increase maritime safety and robustness. The project has built a web-based user interface referred to in the report as "Crowsnest" that handles these new sensors and visualises this data in a familiar interface similar to an overlay in ECDIS that is openly available for the public to build on. Which was used for the evaluation and concept development of new user interfaces based on feedback from pilots and VTS operators.

By providing reference datasets and reference algorithms with demonstrations, researchers and companies now have the opportunity to develop algorithms for the intelligent and autonomous ships of the future.

Abstract [sv]

Projektet “Referensdata och algoritmer till stöd för forskning och utveckling av smarta fartyg” har finansierats av Trafikverkets Forsknings - och Innovationsportfölj för sjöfart. Projektet går under arbetsnamnet och kommuniceras som Reeds svarar mot en syntes av ett antal olika behov som identifierats i tidigare projekt och studier. Bakgrunden till projektet är att de senaste åren har fokus lagts på att ta fram algoritmer för att tolka och agera på den fysiska miljön kring olika typer av farkoster. För att kunna utveckla och utvärdera dessa algoritmer har det blivit tydligt att det krävs öppna dataset och en rättvis benchmarkingplattform som tillåter olika utvecklare inom industrier och forskare att utvärdera algoritmer. Inom vägfordonssektorn är Kitti , från 2013, det största datasetet som används som referensdata set. Datasetet i detta projekt innehåller sensordata från flertalet datainsamlingstillfällen i en maritim kontext, från högprecisionssensorer som kameror, radar, lidar, och IMU. För maritima applikationer har det inte funnits något liknande dataset med tillnärmelsevis lika stor datamängd och med tidssynkronisering mellan sensorer. Referensdata och referensalgoritmerna var tillgängliga periodvis under projektet genom en onlinetjänst där forskare och utvecklare kunde ladda upp sina algoritmer för att använda datasetet. 

Utöver själva datasetet tillför Reeds ytterligare styrkor jämfört andra referensdata set:

-        Nytt tillvägagångssätt för att jämföra algoritmer rättvist, där nya algoritmer alltid jämförs på en centraliserad hårdvara i en molntjänst och omvärderas när nya data läggs till, dvs en opartisk tjänst för utvärdering av algoritmer. 

-        Metod som kombinerar NTP och PTP tidsprotokoll för synkronisering mellan sensorerna med mikrosekunds noggrannhet  

-        Fler typer och modernare sensorer som kan användas på en högre abstraktionsnivå, och kan därmed tillämpas inom fler områden. 

-        Sensorfusion av både ombord sensorer och av sensorer på landsidan

-        Identifiera tillämpningsområden för navigation och övervakning i land baserat på algoritmerna som togs fram under projektet och användning av nya sensortyper som ej är etablerade inom sjöfarten

-         

Projektet har etablerat ett maritimt referensdataset som möjliggör att skapa en digital beskrivning av fartygets omgivande miljö samt utvecklade referensalgoritmer för att demonstrera nya navigations- och övervakningsmetoder inom området för “enhanced navigation”.

“Enhanced navigation” definieras inom projektet som användandet av ny teknik för navigation som bygger på utvecklingen inom digitalisering och autonoma funktioner, där nya navigationsmetoder använder sensorer både ombord och iland för att öka sjösäkerheten och robustheten. Projektet har byggt upp ett webbaserat användargränssnitt, “Crowsnest”, som hanterar dessa nya sensorer och visualiserar denna data i ett familjärt gränssnitt, liknande en overlay i ECDIS som finns öppet tillgängligt för allmänheten att bygga vidare på. Detta användes för utvärdering och konceptutveckling av nya användargränssnitt baserat på erfarna lotsar och VTS-operatörers åsikter.Genom att tillhandahålla referensdataset och referensalgoritmer med demonstrationer ges nu forskare och företag möjligheten att utveckla algoritmer för framtidens intelligenta och autonoma fartyg.

sted, utgiver, år, opplag, sider
Göteborg, 2023. , s. 92
Serie
RISE Rapport ; 2023:83
Emneord [en]
autonomous shipping, MASS, sensor fusion, enhanced navigation, reference dataset, algorithm benchmarking, massive data, shore sensors, algorithm benchmarking, shore sensors, beyond application dataset, lidar, IMU, radar, time synchronisation
HSV kategori
Identifikatorer
URN: urn:nbn:se:ri:diva-65755ISBN: 978-91-89821-56-9 (digital)OAI: oai:DiVA.org:ri-65755DiVA, id: diva2:1786969
Forskningsfinansiär
Swedish Transport Administration, P105354
Merknad

Projektet har finansierats av Trafikverkets Forskning och Innovations sjöfartsportfölj (P105354). Trafikverket projektnummer: TRV2019/120103

Tilgjengelig fra: 2023-08-10 Laget: 2023-08-10 Sist oppdatert: 2024-03-04bibliografisk kontrollert

Open Access i DiVA

fulltext(3884 kB)124 nedlastinger
Filinformasjon
Fil FULLTEXT02.pdfFilstørrelse 3884 kBChecksum SHA-512
caa1b985a6a3652381b2e5b0de631051f8a6c3b55c6f98d7ef676b208bd7f85a29fb1901b98fc6200fc7f64ad9479b37e2f05e8f8727948621c27b8869556690
Type fulltextMimetype application/pdf

Person

Sjöblom, TedRylander, RobertOlsson, RickSanfridson, MartinToss, HenrikLundman, Joakim

Søk i DiVA

Av forfatter/redaktør
Sjöblom, TedRylander, RobertOlsson, RickSanfridson, MartinToss, HenrikLundman, Joakim
Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 124 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

isbn
urn-nbn

Altmetric

isbn
urn-nbn
Totalt: 238 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
v. 2.43.0