МОДЕЛЬ ОЦІНЮВАННЯ РИЗИКУ ЗІТКНЕННЯ АВТОНОМНИХ НАДВОДНИХ СУДЕН З УРАХУВАННЯМ ВПЛИВУ НАВКОЛИШНЬОГО СЕРЕДОВИЩА
https://doi.org/10.33815/2313-4763.2026.1.32.058-070
Анотація
Стаття присвячена розробці моделі оцінювання ризику зіткнення автономних надводних суден за умов невизначеності стану навколишнього середовища на основі нечіткої логіки. Розглянуто сучасний стан розвитку систем запобігання зіткненням для автономних суден та визначено ключові проблеми, пов’язані з обробкою неповних і неточних навігаційних даних. Проведено порівняльний аналіз існуючих підходів до оцінювання ризику зіткнення, зокрема методів на основі найкоротшої дистанції/часу зближення (DCPA/TCPA), та нечіткої логіки, визначено їх переваги та обмеження. Запропоновано концептуальну модель оцінювання ризику зіткнення суден на основі нечіткої логіки, яка забезпечує комплексну оцінку рівня ризику з урахуванням геометричних параметрів зони зближення, впливу факторів навколишнього середовища та індексу невизначеності навігаційної інформації. Особливістю моделі, що запропонована, є виокремлення геометричного та контекстного ризику, а також застосування двоступеневої системи нечіткого логічного висновку з урахуванням обмежень МПЗЗС-72. Показано, що інтеграція методів нечіткої логіки, багатокритеріального аналізу та нових підходів до моделювання невизначеності стану навколишнього середовища дозволяє підвищити достовірність оцінювання ризику в умовах реальної експлуатації автономних суден. Наведено структуру розробленої системи оцінювання ризику, продемонстровано її роботу на типових сценаріях зближення суден та визначено ступінь впливу зовнішніх факторів (вітер, течія, хвилювання) на формування рівня ризику. Визначено напрями подальших досліджень, зокрема використання нечітких систем та методів теорії доказів для врахування невизначеності факторів впливу зовнішнього середовища на управління рухом автономних суден.
Посилання
2. Burmeister, H.-C., Constapel, M. (2021). Autonomous Collision Avoidance at Sea: A Survey. Frontiers in Robotics and AI. 2021;8:739013. https://doi.org/10.3389/frobt.2021.739013.
3. Sarhadi, P., Naeem, W., Athanasopoulos, N. (2022). A Survey of Recent Machine Learning Solutions for Ship Collision Avoidance and Mission Planning. IFAC-PapersOnLine. 2022;55(31):257–268. https://doi.org/10.1016/j.ifacol.2022.10.440.
4. Zhu, Q., Xi, Y., Weng, J., Han, B., Hu, S., Ge, Y.-E. (2024). Intelligent ship collision avoidance in maritime field: A bibliometric and systematic review. Expert Systems with Applications. 2024;252(Part A):124148. https://doi.org/10.1016/j.eswa.2024.124148.
5. Yu, Q., Teixeira, A. P., Liu, K., Guedes Soares, C. (2022). Framework and application of multi-criteria ship collision risk assessment. Ocean Engineering. 2022;250:111006. https://doi.org/10.1016/j.oceaneng.2022.111006.
6. Ahmed, Y. A., et al. (2021). COLREGs Compliant Fuzzy-Based Collision Avoidance System for Multiple Ship Encounters. Journal of Marine Science and Engineering. 2021;9(8):790. https://doi.org/10.3390/jmse9080790.
7. Korupoju, A. K., Kapadia, V., Vilwathilakam, A. S., Samanta, A. (2025). Ship Collision Risk Evaluation using AIS and weather data through fuzzy logic and deep learning. Ocean Engineering. 2025;318:120116. https://doi.org/10.1016/j.oceaneng.2024.120116.
8. Park, J. (2026). Estimation of Vessel Collision Risk Under Uncertainty Using Interval Type-2 Fuzzy Inference Systems and Dempster–Shafer Evidence Theory. Journal of Marine Science and Engineering. 2026;14(1):34. https://doi.org/10.3390/jmse14010034.
9. Zhou, Y., Daamen, W., Vellinga, T., Hoogendoorn, S. P. (2020). Impacts of wind and current on ship behavior in ports and waterways: A quantitative analysis based on AIS data. Ocean Engineering. 2020;213:107774. https://doi.org/10.1016/j.oceaneng.2020.107774.
10. Hansen, P. N., Enevoldsen, T. T., Papageorgiou, D., Blanke, M. (2022). Autonomous Navigation in Confined Waters – A COLREGs Rule 9 Compliant Framework. IFAC-PapersOnLine. 2022;55(31):222–228. https://doi.org/10.1016/j.ifacol.2022.10.435.
11. Sawada, R., Sato, K., Minami, M. (2024). Framework of safety evaluation and scenarios for automatic collision avoidance algorithm. Ocean Engineering. 2024;300:117506. https://doi.org/10.1016/j.oceaneng.2024.117506.
12. Shi, Z., Zhen, R., Liu, J. (2022). Fuzzy logic-based modeling method for regional multi-ship collision risk assessment considering impacts of ship crossing angle and navigational environment. Ocean Engineering. 2022;111847. https://doi.org/10.1016/j.oceaneng.2022.111847.
13. Zhao, L., Fu, X. (2021). A novel index for real-time ship collision risk assessment based on velocity obstacle considering dimension data from AIS. Ocean Engineering. 2021;240:109913. https://doi.org/10.1016/j.oceaneng.2021.109913.
14. Gai, X., Zhang, Q., Hu, Y., Wang, G. (2024). A Fuzzy Fusion Method for Multi-Ship Collision Avoidance Decision-Making with Merchant and Fishing Vessels. Journal of Marine Science and Engineering. 2024;12(10):1822. https://doi.org/10.3390/jmse12101822.
15. Szlapczynski, R., Szlapczynska, J. (2021). A ship domain-based model of collision risk for near-miss detection and Collision Alert Systems. Reliability Engineering & System Safety. 2021;214:107766. https://doi.org/10.1016/j.ress.2021.107766.
16. Cheng, K., et al. (2025). A novel fuzzy comprehensive evaluation method for ship collision risk. Ocean Engineering. 2025;332:121462. https://doi.org/10.1016/j.oceaneng. 2025.121462.
17. Yuan, X., Zhang, D., Zhang, J., Zhang, M., Guedes Soares, C. (2021). A novel real-time collision risk awareness method based on velocity obstacle considering uncertainties in ship dynamics. Ocean Engineering. 2021;220:108436. https://doi.org/10.1016/j.oceaneng.2020.108436.
18. https://github.com/lpelykhivskyi/mass-collision-risk-simulation.
