Development of a navigator qualification model for automated ship handling control tasks

Abstract

The study aims to develop a comprehensive qualification model for navigators in automated ship control, evaluating technical, cognitive, and behavioral competence to enhance real-time decision-making in variable navigational environments. The main challenge is integrating advanced technologies like artificial intelligence and fuzzy logic to accurately monitor risks arising from human factors. The methodology involves creating a model that assesses navigator competencies by integrating various aspects. Data from ECDIS and other sensors are processed into a feature vector. The Mamdani algorithm aggregates fuzzy rules defining qualification parameters, while neural networks model complex interrelationships. The model uses fuzzy membership functions to assess risks considering speed, under-keel depth, weather conditions, and collision probability. Results show the model detects potential risks timely and automates decision-making, reducing navigator workload in challenging conditions. It effectively predicts ship trajectory, identifies risky zones, and provides safety recommendations. Practically, it enhances maritime safety through personalized navigator assessment. Integration with existing systems like ECDIS offers flexibility without major infrastructural changes. The system individualizes recommendations, reducing accident risk and improving training efficiency. Future research includes expanding the training database, refining algorithms, and studying the impact of the navigator's psychophysiological state on ship management effectiveness. The study aims to develop a comprehensive qualification model for navigators in automated ship control, evaluating technical, cognitive, and behavioral competence to enhance real-time decision-making in variable navigational environments. The main challenge is integrating advanced technologies like artificial intelligence and fuzzy logic to accurately monitor risks arising from human factors. The methodology involves creating a model that assesses navigator competencies by integrating various aspects. Data from ECDIS and other sensors are processed into a feature vector. The Mamdani algorithm aggregates fuzzy rules defining qualification parameters, while neural networks model complex interrelationships. The model uses fuzzy membership functions to assess risks considering speed, under-keel depth, weather conditions, and collision probability. Results show the model detects potential risks timely and automates decision-making, reducing navigator workload in challenging conditions. It effectively predicts ship trajectory, identifies risky zones, and provides safety recommendations. Practically, it enhances maritime safety through personalized navigator assessment. Integration with existing systems like ECDIS offers flexibility without major infrastructural changes. The system individualizes recommendations, reducing accident risk and improving training efficiency. Future research includes expanding the training database, refining algorithms, and studying the impact of the navigator's psychophysiological state on ship management effectiveness. Дослідження спрямоване на розробку комплексної кваліфікаційної моделі штурманів в автоматизованому управлінні судном, яка оцінює технічну, когнітивну та поведінкову компетентність для підвищення ефективності прийняття рішень у реальному часі в умовах змінного навігаційного середовища. Головним викликом є інтеграція передових технологій, таких як штучний інтелект та нечітка логіка, для точного моніторингу ризиків, що виникають через людський фактор. Методологія включає створення моделі, яка оцінює компетенції штурмана шляхом інтеграції різних аспектів. Дані з ECDIS та інших сенсорів обробляються у вектор ознак. Алгоритм Мамдані агрегує нечіткі правила, що визначають кваліфікаційні параметри, а нейронні мережі моделюють складні взаємозв'язки. Модель використовує нечіткі функції належності для оцінки ризиків з урахуванням швидкості, глибини під кілем, погодних умов та ймовірності зіткнення. Результати показують, що модель вчасно виявляє потенційні ризики та автоматизує процес прийняття рішень, зменшуючи навантаження на штурмана в складних умовах. Вона ефективно прогнозує траєкторію судна, ідентифікує ризикові зони та надає рекомендації щодо безпеки. Практично це підвищує безпеку мореплавства через персоналізовану оцінку штурмана. Інтеграція з існуючими системами, такими як ECDIS, пропонує гнучкість без значних змін інфраструктури. Система індивідуалізує рекомендації, знижуючи ризик аварій та покращуючи ефективність підготовки. Майбутні дослідження включають розширення бази даних для підготовки, удосконалення алгоритмів та вивчення впливу психофізіологічного стану штурмана на ефективність управління судном.