Планирование безопасного расхождения судов с использованием нейронных сетей тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Триполец Олег Юрьевич

• Триполец Олег Юрьевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Триполец Олег Юрьевич

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ ПРОБЛЕМЫ БЕЗОПАСНОГО РАСХОЖДЕНИЯ СУДОВ

1.1 Влияние человеческого фактора на аварийность судов в море

1.2 Обзор существующих подходов к проблеме расхождения судов

1.3 Постановка цели и задач диссертационного исследования

ГЛАВА 2 ОБЕСПЕЧЕНИЕ БЕЗОПАСНОГО РАСХОЖДЕНИЯ СУДОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

2.1 Оптимизационный алгоритм поиска манёвра для безопасного расхождения пары судов

2.2 Инструментарий для визуализации и тестирования методов расхождения судов

2.3 Метод формирования набора данных для обучения нейронной сети нахождению безопасных курсов для расхождения пары судов

2.4 Метод безопасного расхождения пары судов с использованием нейронной сети

2.5 Метод безопасного расхождения трёх и более судов с использованием нейронной сети

2.6 Анализ эффективности использования нейронной сети для решения задачи

расхождения группы судов

Выводы по главе

ГЛАВА 3 ПРЕДЛОЖЕНИЯ ПО ПРИМЕНЕНИЮ НЕЙРОСЕТЕВОГО МЕТОДА РАСХОЖДЕНИЯ СУДОВ

3.1 Современные СУДС и их роль в обеспечении безопасности судоходства

3.2 Методика применения нейросетевого алгоритма расхождения трёх и

более судов

3.3 Адаптация нейросетевой модели к условиям акватории

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

109

Введение диссертации (часть автореферата) на тему «Планирование безопасного расхождения судов с использованием нейронных сетей»

ВВЕДЕНИЕ

Актуальность темы исследования заключается в необходимости повышения безопасности и эффективности судоходства и снижения влияния человеческого фактора на аварийность в условиях роста объёмов морских перевозок.

Согласно статистическим данным, человеческий фактор продолжает оставаться основной причиной большинства аварий на морском транспорте. С развитием автономных судов и интеллектуальных навигационных систем особое внимание уделяется созданию технологий, способных взять на себя функции управления маневрированием судов, включая задачи безопасного расхождения, без участия человека. Это особенно важно в условиях растущей плотности морского трафика и усложнения навигационной обстановки.

Современные решения, предложенные в последние годы, демонстрируют высокий потенциал в решении задачи безопасного расхождения судов и обеспечения безопасности судоходства в различных акваториях. Однако в большинстве случаев эти решения рассчитаны на взаимодействие ограниченного числа объектов, чаще всего - двух судов, либо учитывают маневрирование для предотвращения столкновения лишь одного судна с группой судов. Кроме того, большинство существующих подходов требует значительных вычислительных ресурсов, а часть решений протестирована на малых выборках, что ограничивает их применение в реальном времени на действующих судах или программном обеспечении систем управления движением судов с ограниченными аппаратными возможностями.

Таким образом, возникает противоречие между необходимостью разработки вычислительно эффективных алгоритмов безопасного расхождения, пригодных для многосудовой среды и кооперативного взаимодействия в условиях реального времени, и ограниченной применимостью большинства существующих методов, рассчитанных на простые сценарии либо требующих значительных вычислительных ресурсов.

Решение данного противоречия требует разработки новых методов и алгоритмов, основанных на современных технологиях искусственного интеллекта, в

частности, нейронных сетях, способных обеспечить безопасное, масштабируемое и адаптивное расхождение как ситуациях сближения пар, так и групп судов в условиях плотного морского трафика.

Степень разработанности темы исследования. В связи с повышением вычислительных мощностей современных компьютеров и возрастающего интереса к использованию искусственного интеллекта, необходимостью поиска решений для уменьшения количества аварий на морском транспорте и увеличения эффективности его коммерческой эксплуатации, учёные уделяют особое внимание безопасности расхождения судов в море.

Важнейший вклад в исследование безопасного расхождения судов внесли такие российские исследователи, как Сазонов А. Е., Смоленцев С. В., Пелевин А. Е., Шахнов С.Ф., Седова Н. А., Седов В. А, Артемьев А. В., Петров В. А., Гриняк В. М., Девятисильный А. С., Люлько В. И., Бурмака И. А., Трофимов М. В., Коренев А. С., Хабаров С. П., Шпекторов А. Г., Шуленина А. В. и другие.

Среди зарубежных исследователей, работавших над решением проблемы планирования пути движения судна и повышения безопасности их маневрирования для предотвращения столкновений в море, следует отметить Lazarowska A., Bonabeau E., Kuwata Y., Fiorini P., Shiller Z., Rego F. C., Fossen T. I., Hu Y., Xie S., Jiang X., Li S., Zhang J., Szlapczynski R., Szlapczynska J., Ahn J. H., Naeem W., Wang

C., Fan Y., Sun X., Wang G., Perera L. P., Carvalho J. P., Soares C. G., Shen H., Zhao Y., Li W., Shi P., Praczyk T., Sawada R., Sato K., Majima T, Li Y., Zheng J., Guo S., Liu

D., Wright R. G., Zhang X., Bertaska I. R., Liu C., Chen W. H., Andrews J., Li M., Wang, S., Kim, D, Johansen T. A., Perez T., Cristofaro A., Zhu Z., Van Den Berg J. и других.

Цель исследования - повышение эффективности вычисления манёвров безопасного расхождения пар и групп судов за счёт использования нейронных сетей по сравнению с классическими оптимизационными методами.

Научная задача заключается в разработке методики расхождения судов с использованием нейронных сетей. Решение сформулированной научной задачи предполагает решение ряда частных задач исследования:

1. Разработать метод формирования набора данных для обучения нейронной сети нахождению безопасных курсов для расхождения пары судов.

2. Разработать метод безопасного расхождения пары судов с использованием нейронной сети.

3. Разработать метод безопасного расхождения трёх и более судов с использованием нейронной сети.

4. Разработать методику применения нейросетевого алгоритма расхождения трёх и более судов.

Цель и задачи исследования соответствуют паспорту научной специальности 2.9.7 - «Эксплуатация водного транспорта, водные пути сообщения и гидрография», направление исследований: п. 13. Безопасность судоходства.

Научная новизна исследования состоит в разработке новых подходов к решению проблемы расхождения пар и групп судов. Впервые предложено использовать нейронную сеть для прогнозирования курсов при попарном анализе опасности столкновения для кооперативного маневрирования и безопасного расхождения группы судов.

Теоретическая значимость работы заключается в разработке новых методов и алгоритмов для безопасного расхождения пар и групп судов. Результаты исследования расширяют существующие знания в области применения нейронных сетей для решения задач расхождения судов.

Практическая значимость работы. Описанные в данном исследовании методы безопасного расхождения пар и групп судов могут быть использованы для модификации программного обеспечения систем управления движением судов в целях повышения безопасности движения судов в определённых акваториях в условиях плотного морского трафика, а также для адаптации портовых инфраструктур к введению автономных судов в эксплуатацию.

Методология и методы исследования. Методологическая основа исследования включает в себя теоретический анализ научной литературы и трудов по проблеме исследования, анализ отечественных и зарубежных нормативных докумен-

тов, а также использование фундаментальных направлений теории, включая теорию нейронных сетей и математический анализ. В диссертации применены методы абстрагирования, анализа, синтеза, дедукции, аналогии, моделирования, машинного обучения и эксперимента.

Положения, выносимые на защиту:

1. Метод формирования набора данных для обучения нейронной сети нахождению безопасных курсов для расхождения пары судов.

2. Метод безопасного расхождения пары судов с использованием нейронной сети.

3. Метод безопасного расхождения трёх и более судов с использованием нейронной сети.

4. Методика применения нейросетевого алгоритма расхождения трёх и более судов.

Степень достоверности и апробация результатов исследования.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждена полнотой теоретических и практических исследований, их положительной оценкой на конференциях, а также результатами тестирования, проведёнными в компьютерной среде.

Основные результаты исследования опубликованы в 9 статьях, из которых 5 опубликованы в рецензируемых журналах, входящих в перечень ВАК. Получены 5 свидетельств о государственной регистрации программ для ЭВМ:

— № 2024681983 - Программа моделирования ситуаций сближения групп судов (Заявка № 2024680834, государственная регистрация в Реестре программ для ЭВМ 17 сентября 2024 г.);

— № 2024682053 - Программа прогнозирования безопасных курсов для расхождения групп судов на основе нейронной сети (Заявка № 2024680835, государственная регистрация в Реестре программ для ЭВМ 17 сентября 2024 г.);

— № 2024682410 - Программа визуального представления параметров движения судов до и после манёвра (Заявка № 2024680769, государственная регистрация в Реестре программ для ЭВМ 23 сентября 2024 г.);

— № 2024682758 - Программа расчёта манёвров расхождения для группы судов (Заявка № 2024680856, государственная регистрация в Реестре программ для ЭВМ 26 сентября 2024 г.);

— № 2024682594 - Программа расчёта манёвра расхождения для пары судов (Заявка № 2024680848, государственная регистрация в Реестре программ для ЭВМ 25 сентября 2024 г.).

Материалы исследований были доложены и одобрены на следующих конференциях: XIII Межвузовская научно-практическая конференция аспирантов, студентов и курсантов «Современные тенденции и перспективы развития водного транспорта России» (СПб, 19 мая 2022 г.), Всероссийская студенческая научно-практическая конференция «Математические модели техники, технологий и экономики» СПбГЛТУ им. С. М. Кирова (СПб, 08 июня 2023 г.), XXVI конференция молодых ученых «Навигация и управление движением» с международным участием «Концерн «Центральный научно-исследовательский институт «Электроприбор» (СПб, 19-22 марта 2024 г.), Национальная научно-практическая конференция профессорско-преподавательского состава ФГБОУ ВО «ГУМРФ имени адмирала С. О. Макарова» (СПб, 30 сентября - 20 октября 2024 г.).

Объект исследования - процесс нахождения новых курсов для безопасного маневрирования судов.

Предметом исследования являются алгоритмы и методы, применяемые для повышения безопасности маневрирования судов в целях предотвращения столкновений в море.

Личный вклад соискателя состоит в участии на всех этапах исследовательского процесса. Автор исследования самостоятельно проанализировал научную литературу по теме исследования, обеспечил сбор и анализ научно-технической информации о состоянии и перспективах развития методов безопасного расхождения судов и технологий автономного судоходства в России и за рубежом, разработал алгоритмы расхождения пар и групп судов с использованием нейронных сетей, а также написал программные коды для их реализации; автором были разработаны инструменты для тестирования и визуального представления результатов работы

алгоритмов, обучены нейронные сети, а также выполнено моделирование предложенных методов и алгоритмов в программной среде МЛТЬЛБ. Полученные в ходе исследования результаты были использованы автором для подготовки основных публикаций по выполненной работе.

Структура и объём. Работа состоит из введения, трёх глав и заключения, изложена на 123 страницах, содержит 20 рисунков, 4 таблицы. Список используемых литературных источников состоит из 118 наименований.

ГЛАВА 1 АНАЛИЗ ПРОБЛЕМЫ БЕЗОПАСНОГО РАСХОЖДЕНИЯ

СУДОВ

1.1 Влияние человеческого фактора на аварийность судов в море

Современные тенденции в сфере перевозки морских грузов, связанные с потребностью в росте объёмов грузоперевозок, снижением их стоимости и повышением безопасности, требуют поиска решений, которые позволят удовлетворить имеющиеся потребности. Статистика показывает, что большинство аварий на морском транспорте происходят по вине человека, о чем пишет C. Chauvin в статье [1]; согласно данным, опубликованным в статьях зарубежных и отечественных исследователей [2, 3, 4, 5], человеческий фактор является основной причиной в 70-85% всех аварий на морском транспорте.

Такие зарубежные авторы, как C. Dominguez-Pery и другие в [6] рассматривают вопрос снижения морских аварий путём устранения человеческой ошибки. Проведённый ими библиометрический обзор существующей литературы о причинах морских аварий, связанных с человеческой ошибкой, позволил выделить основные причины, влияющие на возникновение человеческих ошибок: недостаточная подготовка, перегрузка работой и недостаток опыта среди экипажа; ненадёжные или сложные в использовании навигационные и коммуникационные системы; ошибки восприятия, принятия решений, стресс. Говоря о ключевой роли человеческой ошибки в аварийности на морском транспорте, авторы статьи [7] подчёркивают, что большинство аварий происходят из-за совмещения различных факторов, перечисленных в предыдущем источнике.

Согласно статистическим данным ЮНКТАД (Конференция ООН по торговле и развитию), общее количество морских судов в мире с 2018 по 2023 год увеличилось с 96 до 105 тысяч [8]. Увеличение количества судов и повышение загруженности акваторий неизбежно приведёт к повышению рисков аварийности судов. Статистические данные показывают, что в районах наиболее плотного морского

трафика (Восточное Средиземноморье, Япония, Корея, Китай, Индонезия, Филиппины) происходит наибольшее количество аварий, при этом основной причиной также остаётся человеческий фактор, о чём пишут исследователи L. P. Bowo и другие в [9]. Наглядно различия в количестве погибших судов за 2014-2023 годы в различных регионах представлены на рисунке 1:

26

ПОГИБШИХ СУДОВ ЗА 2023 г.

729

вост средиземноморье северное море и черное море бискайский зал / л

Щ 115 ) I

норвегияус.^г,.,,, /

сев китай, индокитай, ^индонезия, филиппины

/ 4 7 *

зап.берег

ПОГИБШИХ СУДОВ севамерики ЗА 2014-2023 гг. ---v

зап средиземноморье

вест-индия

аравийское (22)4 а / море v \ /

бенгальский^ ? ш

\/ индиискии

запафрика океан

ПОТЕРИ В РЕГИОНЕ ЗА 10 ЛЕТ

ПОТЕРИ В РЕГИОНЕ ЗА 2023 г.

япониякорея севкитай

прочие регионы

юлтпантика вос берег юамерики

Рисунок 1 - Потери судов в основных регионах мира [ 10]

Для повышения безопасности судовождения и поддержки принятия решений вахтенных офицеров были разработаны такие электронные системы как электронно-картографические навигационно-информационные системы (ЭКНИС), средства автоматической радиолокационной прокладки (САРП), автоматические идентификационные системы (АИС) и т.д. Чтобы минимизировать влияние человеческого фактора на аварийность судов и, тем самым, снизить её, исследователи обратились к созданию систем, способных самостоятельно обнаружить решения задач расхождения судов, полностью заменяя собой человека. Активная работа ведётся над созданием систем поддержки принятия решений (СППР), о чём в своих работах пишут В. В. Астреин, X. Sun, C. Diakaki, M. Panagiotis [11, 12, 13, 14], а также систем автоматического принятия решений (САПР), упоминаемых в работах И. С. Федотова, В. А. Васяйчевой и В. Тимченко [15, 16, 17].

Человеческий фактор был включён в общие принципы Стратегического плана Международной Морской Организации (ИМО) на шестилетний период с

2018 по 2023 год (резолюция А.1110(30)), который предусматривал, что человеческий фактор будет учитываться при пересмотре, разработке и внедрении новых и существующих требований, включая навыки, образование и обучение, а также человеческие способности, ограничения и потребности. Среди направлений работы Организации были запланированы обсуждения по вопросам человеческого фактора, возникающим в рамках регулирования автономных морских судов. Стратегический план ИМО на шестилетний период с 2024 по 2029 годы (резолюция Л.1173(33)) также учитывает решение вопросов, связанных с человеческим фактором, включая обучение, условия труда и благосостояние моряков, а также развитие культуры безопасности. Помимо этого, будут проводиться исследования и разработка нормативных актов для автономных судов (анализ нормативных вопросов, связанных с их безопасностью, интеграцией в международное судоходство и взаимодействием с традиционными судами). В рамках Стратегического плана Организация продолжит активно работать над вопросами, связанными с внедрением автономных судов, включая обеспечение их безопасности, установление международных стандартов для работы с ними и выработку рекомендаций для судоходных компаний и органов государственного контроля. Это также включает проработку вопросов взаимодействия автономных судов с другими судоходными транспортными средствами, портовыми и береговыми системами. Кроме того, план направлен на создание юридической и технологической базы для безопасного и эффективного внедрения автономных судов в мировую судоходную практику, что поможет повысить безопасность и снизить риски, связанные с человеческим фактором, в морской отрасли.

Одним из главных достоинств использования систем автоматического безопасного маневрирования судов может стать уменьшение количества аварийных ситуаций, происходящих из-за человеческих ошибок. В рамках структуры эксплуатационных расходов для группы компаний «Совкомфлот» в 2015 году 59% расходов приходится именно на содержание экипажей и связанных с этим обеспечением функционирования коммуникаций, о чём пишет А.И. Кондратьев в [18]. Внедрение

автономных судов может способствовать экономии не только на содержании экипажей, но и на проектировании и строительстве судов, так как они будут лишены и жилых помещений, и инфраструктуры, необходимой для проживания и работы людей. Кроме того, это также позволит снизить расходы на электроэнергию, опреснение воды, кондиционирование помещений и другие аспекты, что в итоге позволит увеличить грузоподъемность таких судов, так как вместо жилых помещений можно будет разместить грузовые. Согласно данным, опубликованным А. Б. Володиным в статье [19], снижение эксплуатационных расходов за счёт сокращения экипажей уже на первом этапе внедрения автономных систем в торговый флот Российской Федерации может снизить рейсовые расходы судоходных компаний примерно на 5%. Там же отмечается, что заметное сокращение экипажей, однако, возможно только на вновь строящихся судах, оснащаемых необходимым оборудованием, а модернизация существующих судов внутреннего водного плавания возможна менее, чем для 2% речного флота.

1.2 Обзор существующих подходов к проблеме расхождения судов

Решение задачи безопасного расхождения судов в открытом море является одной из самых актуальных задач как в классическом, так и автономном судовождении, об этом же говорит в статье [20] д.т.н. В. М. Гриняк. Для решения этой задачи необходимы разработки математических моделей процесса расхождения судов, а также соответствующих алгоритмов, моделирование расхождения судов в компьютерных симуляциях, а также натурные испытания работы алгоритмов расхождения с использованием моделей морских автономных надводных судов. Далее рассмотрены существующие подходы к проблеме расхождения судов.

Подходы, рассматривающие планирование безопасного расхождения для

пар и групп судов

В обзорных статьях исследователя X. Zhang [21, 22] приведены результаты современных разработок в решении задачи безопасного расхождения судов. В дан-

ном параграфе приводятся исследования, рассматривающие расхождение со статическими и динамическими препятствиями, а также подходы, предлагающие использовать системы внешнего управления движением для предотвращения столкновений.

В статьях W. Naeem [23, 24] рассматриваются системы предотвращения столкновений судов, основанные на принципе искусственных потенциальных полей (Artificial Potential Fields, APF), способные расходиться со статическими и динамическими препятствиями. Международные Правила предупреждения столкновений судов в море (далее - МППСС-72) внедрены в данный подход путём разработки модуля принятия решений, анализирующего, существует ли опасность столкновения между судном и препятствием. Если опасность есть, система, согласно Правилам, выясняет, какие области движения судна являются запретными и создаёт искусственные препятствия для движения судна, генерирующие положительно заряженные поля. Данные подходы были испытаны в программной среде и показали удовлетворительные результаты расхождения с различными препятствиями, однако в некоторых симуляциях алгоритмы попадали в локальный минимум, и, соответственно, ещё требуют доработки.

Для исключения ситуации опасного сближения двух судов в работе А. С. Коренева [25] предлагается использовать решение задачи «машины Дубинса» для расчёта траектории перехода одного из судов в точку безопасного сближения, при условии, что второе судно не меняет параметров своего движения. Проведенное моделирование подтвердило работоспособность предложенного подхода в решении задачи предотвращения столкновений для пары судов, однако он не подойдёт для применения в условиях плотного морского трафика. Кроме того, изменения курса только одного судна в некоторых ситуациях сближения может быть недостаточно для предотвращения столкновения.

В исследовании A. Lazarowska [26] подход предотвращения столкновений основан на оптимизации муравьиной колонии (Ant Colony Optimization). Суда-агенты в данной работе называются искусственными муравьями (artificial ants) и передвигаются по размещённым феромонным следам (pheromone trail). Метод

предполагает использование АИС и САРП для сбора данных об окружающей среде. После анализа этих данных производится проверка параметров сближения целей на предмет опасности и строится график возможного движения агентов - так называемых «искусственных Муравьёв». В каждой путевой точке судно-агент выбирает направление своего следующего движения согласно распределённым «фе-ромонным следам» на ближайших возможных линиях пути. Данный алгоритм содержит в себе ограничения, наложенные МППСС-72, и учитывает гидродинамику судна. Приведённые результаты компьютерных симуляций показывают, что подход успешно справляется с решением задач безопасного расхождением как с динамическими, так и со статическими препятствиями. Важно отметить, что это исследование сосредоточено на сценариях с участием одного судна-агента и нескольких движущихся препятствий, то есть не рассматриваются ситуации, в которых требуется рассчитать безопасные манёвры для группы судов. Хотя автор заявляет о потенциальном применении алгоритма в системах поддержки принятия решений на борту судна, в статье отсутствует анализ производительности алгоритма в реальном времени.

В статье Y. Fan [27] разработан алгоритм удержания судна на пути и предотвращения столкновений на основе метода разложения скоростей (Velocity Resolution Method), который позволяет оценивать навигационную обстановку в реальном времени, обнаруживать опасные цели, выбирать безопасный манёвр расхождения и возвращаться на заданный курс. В подходе не учитываются МППСС-72 и погодные условия, однако есть учёт гидродинамических характеристик судна, есть возможность маневрировать скоростью. Авторы приводят результаты как компьютерных симуляций, так и натурных испытаний, проведённых на морском автономном надводном судне (далее - МАНС) «Landin». В работе основное внимание уделяется статическим препятствиям, тогда как в реальных морских условиях присутствуют как статические, так и динамические препятствия, особенно в районах плотного морского трафика, где может потребоваться нахождение безопасных курсов сразу для группы судов.

В работе Y. Kuwata [28] используется модернизированный алгоритм скоростных препятствий (Velocity Obstacles). Скоростные препятствия - это совокупность скоростей, вероятно присущих судам-агентам или МАНС, которая приведёт его к столкновению с другим судном через заданный промежуток времени, при условии, что другое судно не изменяет курс и/или скорость. Смысл в том, что МАНС, обнаружив опасно приближающуюся цель, выберет курс и скорость, лежащие вне конуса скоростного препятствия и, тем самым, гарантированно избежит столкновения. Такой подход рассчитывает взаимное расположение судов на несколько временных отрезков вперёд. В подходе учитываются правила МППСС-72 в виде дополнительных искусственных участков, создаваемых программой, в которые судно не может двигаться. Алгоритм имеет результаты как компьютерных симуляций, так и натурных испытаний на МАНС «Power vent». Подход позволяет обходить статические препятствия, однако данный метод (VO), как отмечают сами авторы, подвержен проблемам попадания в локальные минимумы, и в данной статье не описано решение этой проблемы, а значит, данный подход требует дальнейших доработок и исследований.

В работах зарубежного автора M. Li [29, 30] используется минимизация функции стоимости для расчёта оптимального маневра расхождения «агента» со статическими и динамическими препятствиями. Обстановка, окружающая «агента», постоянно оценивается на предмет наличия статических и динамических препятствий, при этом система предлагает различные варианты предотвращения столкновений с ними. Для предлагаемых манёвров вычисляется функция стоимости, и «агент» в итоге выбирает манёвр «с наименьшей стоимостью», то есть наиболее безопасный манёвр. Особенностью вышеуказанных работ является тот факт, что исследуется безопасность маневрирования беспилотного наземного транспорта, однако идея применения минимизации функции стоимости для вычисления оптимальных манёвров может быть использована и в судовождении. Тем не менее, следует отметить, что данный подход не сможет быть использован для расхождения групп судов, так как предполагает расхождение одного агента с препятствиями.

Авторы статьи C. Wang и другие [31] в своём подходе используют нейронные сети (НС) со способом глубокого обучения с подкреплением (Deep Reinforced Learning), а также создают алгоритм глубокого обучения принятию решений с подкреплением для расхождения с препятствиями (Deep Reinforcement Learning Obstacle Avoidance Decision-Making). Входы в нейронную сеть - параметры текущего состояния судна (позиция, курс, скорость). Выходы - возможные действия МАНС, среди которых есть маневрирование курсом и скоростью. Подход проходил компьютерную симуляцию в MATLAB на двумерной сеточной карте (2D Grid Map) и показал, что позволяет судну-агенту расходиться как со статическими, так и с динамическими объектами, без учёта МППСС-72. Хотя алгоритм показал хорошие результаты в симуляциях, его практическое применение на реальных беспилотных судах может столкнуться с трудностями, связанными с аппаратными ограничениями, задержками в обработке данных и необходимостью интеграции с существующими судовыми системами. Кроме того, алгоритм DRLOAD предъявляет значительные требования к вычислительным мощностям компьютеров, а также требует значительных объёмов данных для обучения.

Список литературы диссертационного исследования кандидат наук Триполец Олег Юрьевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Chauvin, C. Human and organisational factors in maritime accidents: Analysis of collisions at sea using the HFACS / C. Chauvin, et al. // Accident Analysis & Prevention. - 2013. - Vol. 59. - P. 26-37. - DOI 10.1016/j.aap.2013.05.006.

2. Baker, C. C. Accident database review of human element concerns: What do the results mean for classification / C. C. Baker, D. B. McCafferty // Human Factors in Ship Design and Operation: Proc. Int. Conf., February 2005. - London: RINA, 2005. - 8 p.

3. Ермаков, С. В. Превентивное регулирование человеческого фактора в морском судовождении / С. В. Ермаков // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2016. - №2 5 (39). - С. 39-50.

4. Ганнесен, В. В. Человеческий фактор как одна из основных причин аварийности / В. В. Ганнесен, Е. Е. Соловьёва // Научные труды Дальрыбвтуза. -2022. - Т. 61. - № 3. - С. 64-69.

5. Глазюк, Д. К. Анализ аварийности морского флота Российской Федерации в период 2016-2021 гг. / Д. К. Глазюк, З. А. Щербань // Научные труды Даль-рыбвтуза. - 2022. - Т. 60. - № 2. - С. 49-55.

6. Reducing maritime accidents in ships by tackling human error: a bibliometric review and research agenda / C. Dominguez-Pery, L. N. R. Vuddaraju, I. Corbett-Etchevers, R. Tassabehji // Journal of Shipping and Trade. - 2021. - Vol. 6. - P. 132. - DOI: 10.1186/s41072-021 -00098-y.

7. Galierikova, A. The human factor and maritime safety / A. Galierikova // Transportation Research Procedia. - 2019. - Vol. 40. - P. 1319-1326.

8. Merchant fleet. Maritime transport // UNCTAD. - 2024. - URL: https://hbs.unctad.org/merchant-fleet/ (дата обращения: 20.08.2024).

9. Bowo, L. P. A comparison of the common causes of maritime accidents in Canada, Indonesia, Japan, Australia, and England / L. P. Bowo, M. Furusho // Advances in Human Error, Reliability, Resilience, and Performance: Proc. AHFE 2018 Int.

Conf., July 21-25, 2018, Orlando, Florida, USA. - Cham: Springer International Publishing, 2019. - P. 256-267.

10.Аварийность морского флота // Морские вести России. - 2024. - URL: https://morvesti.ru/themes/1693/111604/ (дата обращения: 25.09.2024)

11.Астреин, В. В. Математические методы принятия решений в СППР безопасности судовождения / В. В. Астреин // Эксплуатация морского транспорта. -2020. - № 3. - С. 64-74.

12.Sun, X. An integrated decision support system for ship collision avoidance / X. Sun, K. Zhang // Journal of Transportation Safety & Security. - 2024. - P. 127. - DOI 10.1080/19439962.2024.2400903.

13.A decision support system for the development of voyage and maintenance plans for ships / C. Diakaki, et al. // International Journal of Decision Support Systems. - 2015. - Vol. 1. - № 1. - P. 42-71. - DOI 10.1504/IJDSS.2015.067274.

14.A novel decision support methodology for oceangoing vessel collision avoidance / P. Mizythras, et al. // Ocean Engineering. - 2021. - Vol. 230. - Article ID 109004.

15. Федотов, И. С. Автоматизация принятия решений с помощью интеллектуальных систем / И. С. Федотов // Вестник науки. - 2024. - Т. 4. - № 8 (77). -С. 190-192.

16. Васяйчева, В. А. Разработка автоматизированной системы принятия управленческого решения как элемент инновационного проектирования / В. А. Ва-сяйчева // Вестник Камчатского государственного технического университета. - 2016. - № 37. - С. 97-103.

17.Timchenko, V. Decision Support System for the Safety of Ship Navigation Based on Optical Color Logic Gates / V. Timchenko, Y. P. Kondratenko, V. Kreinovich // IT&I. - 2022. - P. 42-52.

18. Кондратьев, А. И. О необходимости внедрения беспилотных судов в торговый флот России / А. И. Кондратьев, О. А. Худяков, А. Н. Попов // Транспортное дело России. - 2016. - № 6. - С. 138-140.

19.Володин, А. Б. На пути к автономному судоходству / А. Б. Володин, С. В. Преснов, В. В. Якунчиков // Вестник Российского университета дружбы

народов. Серия: Инженерные исследования. - 2021. - Т. 22. - № 4. - С. 355363. - DOI 10.22363/2312-8143-2021-22-4-355-363.

20.Гриняк, В. М. Оценка и представление параметров безопасного движения судна / В. М. Гриняк, М. В. Трофимов, В. И. Люлько // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2016. - № 4 (38). - С. 51-61.

21.Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state-of-the-art survey / X. Zhang, et al. // Ocean Engineering. - 2021. - Vol. 235. - 33 p. - DOI 10.1016/j.oceaneng.2021. 1093 80.

22.Ship collision avoidance methods: State-of-the-art / Y. Huang, et al. // Safety Science. - 2020. - Vol. 121. - P. 451-473. - DOI 10.1016/j.ssci.2019.09.018.

23.Naeem, W. Collision avoidance of maritime vessels / W. Naeem, H. S. C. de Oliveira Henrique, M. Abu-Tair // Navigation and Control of Autonomous Marine Vehicles. - 2019. - P. 61-84. - DOI 10.1049/PBTR011E_ch3.

24.An efficient ship automatic collision avoidance method based on modified artificial potential field / Z. Zhu, et al. // Journal of Marine Science and Engineering. - 2022.

- Vol. 10. - № 1. - 3 p. - DOI 10.3390/jmse10010003.

25.Коренев, А. С. Использование решения задачи «машины Дубинса» для исключения ситуации опасного сближения двух судов / А. С. Коренев, С. П. Хабаров, А. Г. Шпекторов // Морские интеллектуальные технологии. - 2022.

- № 2. - С. 127-135. - DOI 10.37220/MIT.2022.56.2.017.

26.Lazarowska, A. Ship's Trajectory Planning for Collision Avoidance at Sea Based on Ant Colony Optimisation / A. Lazarowska // The Journal of Navigation. - 2015.

- Vol. 68. - P. 291-307. - DOI 10.1017/S0373463314000708.

27.Fan, Y. An autonomous dynamic collision avoidance control method for unmanned surface vehicle in unknown ocean environment / Y. Fan, X. Sun, G. Wang // International Journal of Advanced Robotic Systems. - 2019. - Vol. 16. - № 2. - 11 p.

- DOI 10.1177/1729881419831581.

28.Safe Maritime Navigation with COLREGS Using Velocity Obstacles / Y. Kuwata, et al. // 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. - IEEE, 2011. - P. 4728-4734. - DOI 10.1109/IROS.2011.6094677.

29.A novel cost function for decision-making strategies in automotive collision avoidance systems / M. Li, et al. // 2018 IEEE International Conference on Vehicular Electronics and Safety (ICVES). - 2018. - P. 1-8.

30.Liu, C. Optimisation based control framework for autonomous vehicles: algorithm and experiment / C. Liu, W. H. Chen, J. Andrews // 2010 IEEE International Conference on Mechatronics and Automation. - 2010. - P. 1030-1035.

31.Research on intelligent collision avoidance decision-making of unmanned ship in unknown environments / C. Wang, et al. // Evolving Systems. - 2019. - Vol. 10. -№ 4. - P. 649-658. - DOI 10.1007/s12530-018-9253-9.

32. Седова, Н. А. Нейросетевое решение задачи расхождения двух судов в зоне чрезмерного сближения / Н. А. Седова, В. А. Седов // Перспективы развития информационных технологий: материалы конф. - Кемерово: Кузбасский государственный технический университет имени Т. Ф. Горбачева, 2014. -С. 278-279.

33. Седова, Н. А. Метод расхождения морских судов в зоне чрезмерного сближения на основе нейронечётких технологий / Н. А. Седова, В. А. Седов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. -2018. - Т. 8. - № 4 (29). - С. 53-62.

34.Experimental evaluation of automatically-generated behaviors for USV operations / I. R. Bertaska, et al. // Ocean Engineering. - 2015. - Vol. 106. - P. 496-514. -DOI 10.1016/j.oceaneng.2015.07.002.

35.Wright, R. G. Intelligent autonomous ship navigation using multi-sensor modalities / R. G. Wright // TransNav: International Journal on Marine Navigation and Safety of Sea Transportation. - 2019. - Vol. 13. - № 3. - DOI 10.12716/1001.13.03.03.

36.Automatic collision avoidance system with many targets, including maneuvering ones / S. Zinchenko, et al. // Bulletin of the Karaganda University. Physics Series.

- 2019. - Vol. 96. - № 4. - P. 69-79.

37.Li, Y. Deep learning structure for collision avoidance planning of unmanned surface vessel / Y. Li, J. Zheng // Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. - 2021. -Vol. 235. - № 2. - P. 511-520. - DOI 10.1177/1475090220970102.

38.Praczyk, T. Neural anti-collision system for Autonomous Surface Vehicle / T. Praczyk // Neurocomputing. - 2015. - Vol. 149. - P. 559-572. - DOI 10.1016/j.neucom.2014.08.018.

39.Sawada, R. Automatic ship collision avoidance using deep reinforcement learning with LSTM in continuous action spaces / R. Sawada, K. Sato, T. Majima // Journal of Marine Science and Technology. - 2020. - P. 1-16. - DOI 10.1007/s00773-020-00755-0.

40. Shen, H. Automatic collision avoidance of multiple ships based on deep Q-learning / H. Shen, et al. // Applied Ocean Research. - 2019. - Vol. 86. - P. 268-288.

41.Guo, S. An autonomous path planning model for unmanned ships based on deep reinforcement learning / S. Guo, et al. // Sensors. - 2020. - Vol. 20. - № 2. - 35 p.

- DOI 10.3390/s20020426.

42.Van Den Berg, J. Optimal reciprocal collision avoidance for multi-agent navigation / J. Van Den Berg, et al. // Proc. IEEE Int. Conf. on Robotics and Automation, Anchorage (AK), USA. - 2010. - 15 p.

43.Смоленцев, С. В. Автоматический синтез решений по расхождению судов в море / С. В. Смоленцев // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2016. - № 2 (36). - С. 716.

44.Смоленцев, С. В. Кооперативное маневрирование безэкипажных судов для безопасного расхождения в море / С. В. Смоленцев, А. Е. Сазонов, Ю. М. Искандеров // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2018. - Т. 10. - № 4. - С. 687-695.

45.Смоленцев, С. В. Значение контекста в задаче кооперативного маневрирования безэкипажных судов / С. В. Смоленцев, А. Е. Сазонов, А. Е. Пелевин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2020. - Т. 12. - № 2. - С. 221-229.

46.Wang, S. A collaborative collision avoidance strategy for autonomous ships under mixed scenarios / S. Wang, et al. // The Journal of Navigation. - 2023. - Vol. 76.

- № 2-3. - P. 200-224. - DOI 10.1017/S0373463323000012.

47. Борисова, Н. Ф. Интеллектуальные технологии для обеспечения безопасности судоходства / Н. Ф. Борисова, Д. А. Скороходов, А. Л. Стариченков // Транспорт Российской Федерации. Журнал о науке, практике, экономике. -2010. - № 1 (26). - С. 32-34.

48.Бурмака, И. А. Управление группой судов в ситуации опасного сближения / И. А. Бурмака, А. Ю. Булгаков // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2014. - №2 6 (28).

- С. 1-13.

49. Бурмака, И. А. Управление парой судов в ситуации опасного сближения / И. А. Бурмака, Г. Е. Калиниченко, М. А. Кулаков // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2016. - № 3 (37). - С. 64-70.

50.Астреин, В. В. Концепция построения перспективной системы поддержки принятия решений в области безопасности судоходства / В. В. Астреин, С. И. Кондратьев, А. Л. Боран-Кешишьян // Эксплуатация морского транспорта. -2017. - № 3. - С. 3-11.

51.Гриняк, В. М. Визуальное представление параметров траектории безопасного движения судна / В. М. Гриняк, А. С. Девятисильный, М. В. Трофимов // Морские интеллектуальные технологии. - 2016. - № 3-1. - С. 269-273.

52.Гриняк, В. М. Оценка и представление параметров безопасного движения судна / В. М. Гриняк, М. В. Трофимов, В. И. Люлько // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2016. - № 4 (38). - С. 51-61.

53.Bukhari, A. C. An intelligent real-time multi-vessel collision risk assessment system from VTS viewpoint based on fuzzy inference system / A. C. Bukhari, I. Tus-seyeva, Y.-G. Kim // Expert Systems with Applications. - 2013. - Vol. 40. - № 4. - P. 1220-1230.

54.Kim, D.-W. Study on Changes in Vessel Traffic Services Due to Introduction of Maritime Autonomous Surface Ships / D.-W. Kim, et al. // Journal of Navigation and Port Research. - 2023. - Vol. 47. - № 6. - P. 430-436.

55.Parlov, I. Can the International Regulatory Framework on Ships' Routing, Ship Reporting, and Vessel Traffic Service (VTS) Accommodate Marine Autonomous Surface Ships (MASS)? Exploring the Autonomy-Neutral Character of the Existing Regulations / I. Parlov // Ocean Development & International Law. - 2023. -Vol. 54. - № 2. - P. 163-180.

56.Shakhnov, S. F. The concept of introducing a decision support system into the structure of the vessel traffic management system / S. F. Shakhnov, et al. // Transportation Research Procedia. - 2023. - Vol. 68. - P. 363-371.

57.Su, C.-M. Fuzzy decision on optimal collision avoidance measures for ships in vessel traffic service / C.-M. Su, K.-Y. Chang, C.-Y. Cheng // Journal of Marine Science and Technology. - 2012. - Vol. 20. - № 1. - P. 5-11.

58.Simsir, U. Decision support system for collision avoidance of vessels / U. Simsir, et al. // Applied Soft Computing. - 2014. - Vol. 25. - P. 369-378.

59.Brcko, T. A Decision Support System Using Fuzzy Logic for Collision Avoidance in Multi-Vessel Situations at Sea / T. Brcko, B. Luin // Journal of Marine Science and Engineering. - 2023. - Vol. 11. - № 9. - Article ID 1819.

60.Гриняк, В. М. Планирование схемы безопасного движения на морской акватории / В. М. Гриняк // Территория новых возможностей. Вестник Владивостокского государственного университета. - 2021. - Т. 13. - № 3. - С. 132146.

61.Гриняк, В. М. Моделирование схемы безопасного движения морской акватории / В. М. Гриняк, А. С. Девятисильный, А. В. Шуленина // Морские интеллектуальные технологии. - 2021. - Т. 1. - № 3. - С. 127-134.

62. Артемьев, А. В. Численное исследование задачи безопасного расхождения групп морских автономных надводных судов / А. В. Артемьев, В. А. Петров, В. М. Гриняк // Территория новых возможностей. Вестник Владивостокского государственного университета экономики и сервиса. - 2023. - Т. 15. - № 3 (67). - С. 104-119.

63. Артемьев, А. В. Имитационное моделирование безопасного расхождения групп морских судов / А. В. Артемьев, и др. // Информационные технологии. - 2023. - Т. 11. - № 3. - 14 с.

64. Свидетельство о государственной регистрации программы для ЭВМ № 2024682594 Российская Федерация. Программа расчёта манёвра расхождения для пары судов : № 2024680848 : заявл. 10.09.2024 : опубл. 25.09.2024 / О.Ю. Триполец; заявитель ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова». — 1 с.

65.Lee, Y. S. A study on the initial action of navigators to avoid risk of collision at sea / Y. S. Lee, J. M. Park, Y. J. Lee // Journal of Navigation and Port Research. -2014. - Vol. 38. - № 4. - P. 327-333.

66.MathWorks. MATLAB Documentation // The MathWorks, Inc. - 2020-2024. -URL: https://www.mathworks.com/help/matlab/ (даты обращения: с 15.12.2020 по 15.01.2024).

67. Смирнов, А. В. Свойства целевых функций и алгоритмов поиска в задачах многокритериальной оптимизации / А. В. Смирнов // Russian Technological Journal. - 2022. - Т. 10. - № 4. - С. 75-85.

68.Гольдштейн, А. Л. Оптимизация в среде MATLAB : учеб. пособие / А. Л. Гольдштейн. - Пермь : Изд-во Пермского национально-исследовательского политехнического университета, 2015. - 192 с.

69. Ограниченные нелинейные алгоритмы оптимизации // Exponenta. - 2024. -URL: https://docs.exponenta.ru/optim/ug/constrained-nonlinear-optimization-algorithms.html (дата обращения: 20.08.2024).

70.Свидетельство о государственной регистрации программы для ЭВМ № 2024682410 Российская Федерация. Программа визуального представления

параметров движения судов до и после манёвра : № 2024680769 : заявл. 10.09.2024 : опубл. 23.09.2024 / О.Ю. Триполец; заявитель ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова». — 1 с.

71. Коккрофт, А. Н. Руководство по правилам предупреждения столкновения (МППСС-72) / А. Н. Коккрофт, Д. Н. Ламейер ; пер. с англ. Н. Т. Шайхутдинова, К. В. Щигалев. - Санкт-Петербург : ООО «МОРСАР», 2005. - 320 с.

72. Нейронные сети, перцептрон // NEERC ITMO. - 2024. - URL: https://neerc.ifmo.ru/wiki/index.php?title=Нейронные_сети,_перцептрон (дата обращения: 20.02.2024).

73.Созыкин, А. В. Обзор методов обучения глубоких нейронных сетей / А. В. Созыкин // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. - 2017. - Т. 6. - № 3. - С. 28-59. - DOI 10.14529/cmse170303.

74.Yu, X. A general backpropagation algorithm for feedforward neural networks learning / X. Yu, M. O. Efe, O. Kaynak // IEEE Transactions on Neural Networks. - 2002. - Vol. 13. - № 1. - P. 251-254. - DOI 10.1109/72.977323.

75.Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань. - Москва : СП ПараГраф, 1990. - 159 с.

76.Mhaskar, H. When and why are deep networks better than shallow ones? / H. Mhaskar, Q. Liao, T. Poggio // Proceedings of the AAAI Conference on Artificial Intelligence. - 2017. - Vol. 31. - № 1. - 7 p.

77.Liang, S. Why deep neural networks for function approximation? / S. Liang, R. Srikant // arXiv preprint arXiv: 1610.04161. - 2016. - 17 p.

78. Болотов, Р. О. О применении нейронных сетей для оценки финансовой устойчивости компаний / Р. О. Болотов // Russian Journal of Management. - 2020. -Т. 8. - № 1. - С. 106-110.

79. Дворянчиков, М. В. Обоснование возможности применения нейронной сети для прогнозирования метановыделения при подземной отработке газоносных угольных пластов / М. В. Дворянчиков, Л. Д. Павлова // Наукоемкие технологии разработки и использования минеральных ресурсов. - 2020. - № 6. -С. 241-244.

80.Шаптала, В. Г. Обоснование применения нейронных сетей для прогнозирования параметров и последствий чрезвычайных ситуаций / В. Г. Шаптала, Е. Г. Ковалева, В. Ю. Радоуцкий // Инновационная наука. - 2015. - № 8-2. -С. 13-15.

81.Кравченко, В. О. Методы использования искусственных нейронных сетей в медицине / В. О. Кравченко // Устойчивое развитие науки и образования. -2018. - № 6. - С. 266-270.

82. Дерябин, В. В. Обобщенная нейросетевая модель счисления пути судна / В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2020. - Т. 12. - № 3. - С. 423-435.

83. Дерябин, В. В. Определение местоположения судна по рельефу дна при помощи нейронной сети / В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2023. -Т. 15. - № 2. - С. 172-179.

84.Головинов, А. О. Преимущества нейронных сетей перед традиционными алгоритмами / А. О. Головинов, Е. Н. Климова // Экспериментальные и теоретические исследования в современной науке : сб. статей по материалам V Междунар. науч.-практ. конф. - Новосибирск : Ассоциация научных сотрудников «Сибирская академическая книга», 2017. - С. 11-15.

85. Кононова, Н. В. Преимущества нейронных сетей / Н. В. Кононова, и др. // Актуальные проблемы информатизации образования: опыт, проблемы, перспективы развития : сб. ст. Междунар. науч.-практ. конф. (Черкесск, 24-25 янв. 2020 г.) / СКГА. - Черкесск : БИЦ СКГА, 2020. - С. 91-93.

86. Донов, Р. А. Исследование и сравнение методов обнаружения объектов на изображениях с использованием классических и нейронных подходов в машинном зрении : выпускная квалификационная работа бакалавра : направление 09.03.04 «Программная инженерия» / Р. А. Донов ; Санкт-Петербургский политехнический университет Петра Великого, Институт компьютерных наук и кибербезопасности. - Санкт-Петербург, 2024. - URL:

http://elib.spbstu.ru/dl/3/2024/vr/vr24-3734.pdf. - DOI

10.18720/SPBPU/3/2024/vr/vr24-3734.

87.Ahn, J. H. A study on the collision avoidance of a ship using neural networks and fuzzy logic / J. H. Ahn, K. P. Rhee, Y. J. You // Applied Ocean Research. - 2012. - Vol. 37. - P. 162-173. - DOI 10.1016/j.apor.2012.05.008.

88.Николаева, С. Г. Нейронные сети. Реализация в Matlab : учебное пособие /

C. Г. Николаева. - Казань : Казанский государственный университет, 2015. -92 с.

89.Kingma, D. P. Adam: a Method for Stochastic Optimization / D. P. Kingma, J. L. Ba // International Conference on Learning Representations, San Diego, USA, May 7-9, 2015. - 2015. - P. 1-13.

90.Yi, D. An effective optimization method for machine learning based on ADAM /

D. Yi, J. Ahn, S. Ji // Applied Sciences. - 2020. - Vol. 10. - № 3. - Article ID 1073. - DOI 10.3390/app10031073.

91.Ranganathan, A. The Levenberg-Marquardt algorithm / A. Ranganathan // Tutorial on LM Algorithm. - 2004. - Vol. 11. - № 1. - P. 101-110.

92.Триполец, О. Ю. Обучение нейронной сети вычислению дистанции кратчайшего сближения между судами / О. Ю. Триполец // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2022. - Т. 14. - № 5. - С. 713-721.

93.Триполец, О. Ю. Анализ эффективности применения нейронной сети в прогнозировании маневров расхождения двух судов / О. Ю. Триполец // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2024. - Т. 16. - № 2. - С. 251-258.

94.Триполец, О. Ю. Использование нейронных сетей для решения задачи безопасного расхождения группы автономных судов / О. Ю. Триполец // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2024. - Т. 16. - № 4. - С. 493-506.

95.Свидетельство о государственной регистрации программы для ЭВМ № 2024682758 Российская Федерация. Программа расчёта манёвров расхождения для группы судов : № 2024680856 : заявл. 10.09.2024 : опубл. 26.09.2024 / О.Ю. Триполец; заявитель ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова». — 1 с.

96.Гриняк, В. М. Оценка опасности трафика морской акватории по данным Автоматической идентификационной системы / В. М. Гриняк, А. С. Девятисильный, В. И. Люлько // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2017. - № 4 (44). - С. 681690.

97.Свидетельство о государственной регистрации программы для ЭВМ № 2024682053 Российская Федерация. Программа прогнозирования безопасных курсов для расхождения групп судов на основе нейронной сети : № 2024680835 : заявл. 10.09.2024 : опубл. 17.09.2024 / О.Ю. Триполец; заявитель ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова». — 1 с.

98.Каллан, Р. Основные концепции нейронных сетей / Р. Каллан ; пер. с англ. -Москва : Издательский дом «Вильямс», 2001. - 287 с. - ISBN 5-8459-0320-X.\

99.Свидетельство о государственной регистрации программы для ЭВМ № 2024681983 Российская Федерация. Программа моделирования ситуаций сближения групп судов : № 2024680834 : заявл. 10.09.2024 : опубл. 17.09.2024 / О.Ю. Триполец; заявитель ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова». — 1 с.

100. Заде, Л. Понятие лингвистической переменной и его применение к принятию приближённых решений / Л. Заде ; пер. с англ. - Москва : Лори, 2021. - 150 с. - ISBN 978-5-85582-423-0.

101. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечёткие системы : учеб. пособие / Д. Рутковская, М. Пилиньский, Л. Рутковский ; пер. с польск. И. Д. Рудинского. - 2-е изд. - Москва : Горячая линия-Телеком, 2013. - 384 с. - ISBN 978-5-9912-0320-3.

102. Verschuur, J. Ports' criticality in international trade and global supply-chains / J. Verschuur, E. E. Koks, J. W. Hall // Nature Communications. - 2022. - Vol. 13. - № 1. - P. 1-13. - DOI 10.21203/rs.3.rs-106378/v1.

103. Приказ Минтранса России от 23.07.2015 № 226 «Об утверждении Требований к радиолокационным системам управления движением судов, объектам инфраструктуры морского порта, необходимым для функционирования Глобальной морской системы связи при бедствии и для обеспечения безопасности, объектам и средствам автоматической информационной системы, службе контроля судоходства и управления судоходством». - URL: https://www.consultant.ru/document/cons_doc_LAW_188259/2dd274cbea3d320 db5c221230983b7d724f0fdb2/ (дата обращения: 02.03.2025).

104. Положение о системах управления движением судов. - Москва : Министерство транспорта Российской Федерации, Государственная служба морского флота, 2002. - 17 с.

105. Системы управления движением судов. Технико-эксплуатационные требования. - Москва : Министерство транспорта Российской Федерации, Государственная служба морского флота, 2002. - 28 с.

106. Фатеев, А. Е. Перспективы применения цифровых систем связи IoT в системе управления движением судов / А. Е. Фатеев, И. С. Скварник // Морские интеллектуальные технологии. - 2023. - № 3-1. - С. 79-88.

107. Aslam, S. Internet of ships: A survey on architectures, emerging applications, and challenges / S. Aslam, M. P. Michaelides, H. Herodotou // IEEE Internet of Things Journal. - 2020. - Vol. 7. - № 10. - P. 9714-9727. - DOI 10.1109/JI0T.2020.2993411.

108. Evmides, N. An intelligent framework for vessel traffic monitoring using AIS data / N. Evmides, et al. // 2022 23rd IEEE International Conference on Mobile Data Management (MDM). - IEEE, 2022. - P. 413-418. - DOI 10.1109/MDM55031.2022.00091.

109. Alves, J. C. AIS-enabled collision avoidance strategies for autonomous sailboats / J. C. Alves, N. A. Cruz // World Robotic Sailing Championship and International Robotic Sailing Conference. - Cham : Springer International Publishing, 2015. - P. 77-87. - DOI 10.1007/978-3-319-23335-2_6.

110. Hsu, H. Z. The AIS-assisted collision avoidance / H. Z. Hsu, et al. // The Journal of Navigation. - 2009. - Vol. 62. - № 4. - P. 657-670. - DOI 10.1017/S0373463309990099.

111. Jincan, H. Based on ECDIS and AIS ship collision avoidance warning system research / H. Jincan, F. Maoyan // 2015 8th International Conference on Intelligent Computation Technology and Automation (ICICTA). - IEEE, 2015. - P. 242-245. - DOI 10.1109/ICICTA.2015.69.

112. Stitt, I. P. A. AIS and collision avoidance - a sense of déjà vu / I. P. A. Stitt // The Journal of Navigation. - 2004. - Vol. 57. - № 2. - P. 167-180. - DOI 10.1017/S0373463304002760.

113. Peeters, G. An inland shore control centre for monitoring or controlling unmanned inland cargo vessels / G. Peeters, et al. // Journal of Marine Science and Engineering. - 2020. - Vol. 8. - № 10. - 27 p.

114. Dittmann, K. Autonomous surface vessel with remote human on the loop: System design for STCW compliance / K. Dittmann, et al. // IFAC-PapersOnLine. -2021. - Vol. 54. - № 16. - P. 224-231. - DOI 10.1016/j.ifacol.2021.10.097.

115. Mohovic, D. Enhancing collision prevention between ships in a close-quarters situation using simulated avoiding strategies / D. Mohovic, et al. // Journal of Marine Science and Engineering. - 2025. - 19 p. - DOI 10.3390/jmse13091671.

116. Altan, Y. C. Ship Domain Variations in the Strait of Istanbul / Y. C. Altan, B. M. Meijers // Proceedings of the WCTRS SIGA2 2021 Conference, Antwerp, Belgium. - 2021. - 14 p.

117. Fujii, Y. Integrated study on marine traffic accidents / Y. Fujii // IABSE Colloquium on Ship Collision with Bridges and Offshore Structures, Copenhagen. -1983. - Vol. 42. - P. 91-98.

118. Durlik, I. Revolutionizing marine traffic management: a comprehensive review of machine learning applications in complex maritime systems / I. Durlik, et al. // Applied Sciences. - 2023. - Vol. 13. - №№ 14. - 35 p. - DOI 10.3390/app13148099.