해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관 제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모 델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에 서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였 고, 전문가 평가를 통해 식별 결과를 검증하였다.

국제해사기구에서는 해상에서의 선박의 충돌방지와 그로 인한 해양환경의 보호를 목적으로 1993년 11월 선박조종성능에 대 한 잠정지침을 채택한 이후, 축적된 데이터를 바탕으로 2002년 12월 선박조종성능에 대한 확정된 지침을 채택하였다. 하지만 채택된 지침은 만재상태, 등흘수 및 선박의 최대 출력(MCR)의 85 %에 해당되는 선속의 최소 90 % 이상에서의 지침으로, 동 지침은 항해사에게 필요한 실 항해조건에서의 조종성능 정보를 제공하는 데 한계가 있다. 따라서 본 연구에서는 항해사, 선장 및 선박조종에 대한 식견을 갖추고 있는 전문가를 대상으로 빈도분석과 AHP 분석기법을 실시하여 현 지침에 대한 활용도 및 실제 선박조종에 필요한 정보가 무 엇인지를 식별하였다. 연구결과 선박을 운항하는 항해사에게 필요한 조종성능 정보는 5~10°의 소각도에서의 선회권 정보, 항해속력(Sea speed)이 아닌 조종속력(Maneuvering speed)에서의 z-test 정보라는 것을 확인하였고, 속도제어 관련하여서는 항해속력 및 만재상태에서의 정지성능에 대한 정보보다 감속타력, 가속타력 등에 대한 정보가 더 필요하다는 것을 확인하였다. 도출된 결과는 선박을 조종하는 항 해사에게 필요한 선박조종성능기준 지침마련에 대한 기초자료로 활용도가 높을 것으로 사료된다.

Maritime monitoring requirements have been beyond human operators capabilities due to the broadness of the coverage area and the variety of monitoring activities, e.g. illegal migration, or security threats by foreign warships. Abnormal vessel movement can be defined as an unreasonable movement deviation from the usual trajectory, speed, or other traffic parameters. Detection of the abnormal vessel movement requires the operators not only to pay short-term attention but also to have long-term trajectory trace ability. Recent advances in deep learning have shown the potential of deep learning techniques to discover hidden and more complex relations that often lie in low dimensional latent spaces. In this paper, we propose a deep autoencoder-based clustering model for automatic detection of vessel movement anomaly to assist monitoring operators to take actions on the vessel for more investigation. We first generate gridded trajectory images by mapping the raw vessel trajectories into two dimensional matrix. Based on the gridded image input, we test the proposed model along with the other deep autoencoder-based models for the abnormal trajectory data generated through rotation and speed variation from normal trajectories. We show that the proposed model improves detection accuracy for the generated abnormal trajectories compared to the other models.

Maritime monitoring requirements have been beyond human operators capabilities due to the broadness of the coverage area and the variety of monitoring activities, e.g. illegal migration, or security threats by foreign warships. Abnormal vessel movement can be defined as an unreasonable movement deviation from the usual trajectory, speed, or other traffic parameters. Detection of the abnormal vessel movement requires the operators not only to pay short-term attention but also to have long-term trajectory trace ability. Recent advances in deep learning have shown the potential of deep learning techniques to discover hidden and more complex relations that often lie in low dimensional latent spaces. In this paper, we propose a deep autoencoder-based clustering model for automatic detection of vessel movement anomaly to assist monitoring operators to take actions on the vessel for more investigation.

Recently there was an incident that military radars, coastal CCTVs and other surveillance equipment captured a small rubber boat smuggling a group of illegal immigrants into South Korea, but guards on duty failed to notice it until after they reached the shore and fled. After that, the detection of such vessels before it reach to the Korean shore has emerged as an important issue to be solved. In the fields of marine navigation, Automatic Identification System (AIS) is widely equipped in vessels, and the vessels incessantly transmits its position information. In this paper, we propose a method of automatically identifying abnormally behaving vessels with AIS using convolutional autoencoder (CAE). Vessel anomaly detection can be referred to as the process of detecting its trajectory that significantly deviated from the majority of the trajectories. In this method, the normal vessel trajectory is gridded as an image, and CAE are trained with images from historical normal vessel trajectories to reconstruct the input image. Features of normal trajectories are captured into weights in CAE. As a result, images of the trajectories of abnormal behaving vessels are poorly reconstructed and end up with large reconstruction errors. We show how correctly the model detects simulated abnormal trajectories shifted a few pixel from normal trajectories. Since the proposed model identifies abnormally behaving ships using actual AIS data, it is expected to contribute to the strengthening of security level when it is applied to various maritime surveillance systems.

해상에서 두 척의 대형 해양경찰 함정을 이용하여 충돌 가능성이 높은 네 가지 조우방위각(000°, 045°, 090°, 135°)을 설정하여 피험자인 30명의 해양경찰관을 대상으로 조우방위별 거리 3해리(Nautical Mile: NM)에서부터 0.25 NM까지 근접하며 상대거리가 점차 감소 될 때 피험자들이 상대선박을 보며 지각한 충돌위험도(Perceived Ship Collision Risk, PSCR)를 측정(0.25 NM 간격으로 기록)하는 실험을 하였 고 획득된 데이터를 이용하여 특징을 통계적으로 분석하였다. 본 연구의 목적은 인적오류 예방을 위하여 실선 실험한 선박 조우방위별 상 대거리 3 NM에서 0.25 NM까지의 열두 구간에서 획득한 충돌위험도 값을 적정 다항식으로 곡선 근사(Curve Fitting)하여 분포곡선으로 나타 내고 특징을 분석하여 항해당직자들이 지각한 충돌위험도의 변화가 최대인 거리를 제시하기 위한 것이다. 분석결과, 각 조우방위에서 거리 구간별 최적의 회귀방정식을 도출하였으며 거리 1.25 1 NM 구간에서 충돌위험도 평균값의 편차가 가장 크게 변화되었고, 특히 1 NM에서 충돌위험도 값이 가장 크게 나타나 실선 실험결과 항해당직자가 지각(Perception)한 충돌위험도의 변화 값이 최대인 거리가 1 NM임을 도출 및 검증하였으며 이는 선박 충돌가능성이 높은 근접상황에서 인적오류 예방 자료로 유용할 것으로 기대된다.

This paper describes a automatic video surveillance system(AVSS) with long range and 360˚ coverage that is automatically rotated in an elevation over azimuth mode in response to the TTM(tracked target message) signal of vessels tracked by ARPA(automatic radar plotting aids) radar. This AVSS that is a video security and tracking system supported by ARPA radar, CCTV(closed-circuit television) camera system and other sensors to automatically identify and track, detect the potential dangerous situations such as collision accidents at sea and berthing/deberthing accidents in harbor, can be used in monitoring the illegal fishing vessels in inshore and offshore fishing ground, and in more improving the security and safety of domestic fishing vessels in EEZ(exclusive economic zone) area. The movement of the target vessel chosen by the ARPA radar operator in the AVSS can be automatically tracked by a CCTV camera system interfaced to the ECDIS(electronic chart display and information system) with the special functions such as graphic presentation of CCTV image, camera position, camera azimuth and angle of view on the ENC, automatic and manual controls of pan and tilt angles for CCTV system, and the capability that can replay and record continuously all information of a selected target. The test results showed that the AVSS developed experimentally in this study can be used as an extra navigation aid for the operator on the bridge under the confusing traffic situations, to improve the detection efficiency of small targets in sea clutter, to enhance greatly an operator s ability to identify visually vessels tracked by ARPA radar and to provide a recorded history for reference or evidentiary purposes in EEZ area.

본 논문은 IMO의 해사안전위원회에서 결의하고 SOLAS 협약 제5장에 따라 2002년 7월 1일부터 시행되기 시작한 선박자동식별장치(AIS)의 도입목적을 달성하기 위하여 선박 또는 VTS센터에서 성공적인 운영방안을 마련하고, AIS도입에 따라 나타날 수 있는 제반 문제점들을 체계화함으로써 향후 AIS 기술개발이 이용자 측면에서 실용성있게 이루어지도록 하기 위한 지침을 제공하는데 그 목적을 두고 있다. 이를 위하여 AIS의 기술적 특징분석, 국내외 제도분석, 해양사고 현황분석을 통하여 AIS를 선박, VTS센터 및 해상보안시스템에 이용하고자 할 때 나타나는 문제점을 지적하고 그 활용방안을 제시하였다.

최근 해상교통량이 증가하고 선박교통 관제구역이 확대됨에 따라 관제사의 업무 부하가 증가하고 있으며, 이로 인해 교통량이 급증하는 경우 관제사가 위험을 인지하지 못하는 상황도 발생하게 된다. 이러한 배경에서 본 논문에서는 관제 업무의 지원을 위해 이상 거동 선박을 자동으로 식별하는 방법을 제안한다. 본 방법은 누적된 AIS 데이터를 이용하여 관제구역 내의 통항 패턴을 학습하고, 학습된 모델과 의 비교를 통해 이상치를 계산하여 이상 거동 선박을 식별한다. 특히, 선박의 거동 상태에 대한 분류 정보가 없더라도 비지도 학습법을 기반으로 항적 데이터를 자동으로 분류하여 통항 패턴을 학습할 수 있으며, 항적의 군집화와 분류 과정을 통해 이상 거동 선박을 실시간으로 식별 할 수 있는 특징을 가진다. 또한, 본 논문에서는 선박운항 시뮬레이터 및 실제 AIS 항적 데이터를 이용한 식별 실험을 수행하였으며, 이를 통해 선박교통관제 시스템에의 활용 가능성을 고찰하였다.

국제해사기구(International Maritime Organization, IMO)에서는 선박의 해상 충돌을 방지하기 위하여 SOLAS의 요구조건에 따라 모든 선박에 대하여 선박자동식별장치(Automatic Identification System, AIS)를 의무적으로 장착하도록 권고하고 있다. AIS를 사용하면 타선에 대한 제원 및 항행정보의 획득이 가능하여 충돌방지뿐만 아니라 광역관제, 조난 선박의 탐색구조 등 안전관리에도 활용이 가능하다. 본 논문에서는 AIS 장비를 사용하여 ADS-B (Automatic Dependent Surveillance - Broadcast) 개념 기반의 항공감시용 송수신기를 구현한 결과에 대하여 살펴보도록 한다. 기본적으로 AIS는 해상에서 사용되기 때문에 고도 정보를 사용하지 않지만, AIS 장비 내부에 사용하는 GPS (Global Positioning System) 칩셋에서 제공하는 고도 정보의 추출이 가능하다. 고도 정보를 포함한 감시 메시지 형식을 정의하고, SOTDMA (Self-Organizing Time Division Multiple Access) 방식을 개선하여 ADS-B 송수신기를 구현하였다. 적용 결과를 확인하기 위하여 지상시험 및 비행시험을 수행하였다.