Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1344| Τύπος: | Άρθρο σε επιστημονικό περιοδικό |
| Τίτλος: | Multi-ship control and collision avoidance using MPC and RBF-based trajectory predictions |
| Συγγραφέας: | [EL] Παπαδημητράκης, Μύρων[EN] Papadimitrakis, Myron [EL] Στογιάννος, Μάριος[EN] Stogiannos, Marios [EL] Σαρίμβεης, Χαράλαμπος[EN] Sarimveis, Haralambos [EL] Αλεξανδρίδης, Αλέξανδρος[EN] Alexandridis, Alexandros |
| Ημερομηνία: | 20/10/2021 |
| Περίληψη: | The field of automatic collision avoidance for surface vessels has been an active field of research in recent years, aiming for the decision support of officers in conventional vessels, or for the creation of autonomous vessel controllers. In this paper, the multi-ship control problem is addressed using a model predictive controller (MPC) that makes use of obstacle ship trajectory prediction models built on the RBF framework and is trained on real AIS data sourced from an open-source database. The usage of such sophisticated trajectory prediction models enables the controller to correctly infer the existence of a collision risk and apply evasive control actions in a timely manner, thus accounting for the slow dynamics of a large vessel, such as container ships, and enhancing the cooperation between controlled vessels. The proposed method is evaluated on a real-life case from the Miami port area, and its generated trajectories are assessed in terms of safety, economy, and COLREG compliance by comparison with an identical MPC controller utilizing straight-line predictions for the obstacle vessel. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 23 |
| DOI: | 10.3390/s21216959 |
| EISSN: | 1424-8220 |
| Θεματική κατηγορία: | [EL] Αυτοματισμοί και Συστήματα ελέγχου[EN] Automation and control systems |
| Λέξεις-κλειδιά: | autonomous vessels; collision avoidance; model predictive control; radial basis function networks; trajectory optimization |
| Κάτοχος πνευματικών δικαιωμάτων: | © 2021 by the authors. Licensee MDPI, Basel, Switzerland. |
| Όροι και προϋποθέσεις δικαιωμάτων: | This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https:// creativecommons.org/licenses/by/ 4.0/). |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://www.mdpi.com/1424-8220/21/21/6959 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://www.mdpi.com/journal/sensors |
| Τίτλος πηγής δημοσίευσης: | Sensors |
| Τεύχος: | 21 |
| Τόμος: | 21 |
| Σελίδες τεκμηρίου (στην πηγή): | Article no 6959 |
| Σημειώσεις: | This research is co-financed by Greece and the European Union (European Social FundESF) through the Operational Programme «Human Resources Development, Education and Lifelong Learning 2014–2020» in the context of the project “Cooperative distributed adaptive model predictive control methods using computational intelligence” (MIS 5050291). |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
Το πλήρες κείμενο αυτού του τεκμηρίου δεν διατίθεται προς το παρόν από το αποθετήριο