Zi Fraunhofer ZZ Fraunhofer 
CML 160 
1 Einleitung 
Der maritime Transport ist gegenwärtig durch eine zunehmende Digitalisierung und insbesondere Automatisierung 
und Autonomisierung von Prozessen an Bord von Schiffen geprägt. Neben klassischen regelbasierten Methoden 
erweist sich bei der Kollisionsverhütung der Einsatz von Künstliche Intelligenz (Kl) als vielversprechend, um frühzeitig 
und proaktiv unübersichtliche maritime (Verkehrs-)Situationen zu identifizieren und sicher aufzulösen. 
KI und Maschinelles Lernen (ML) bieten vielversprechende Einsatzmöglichkeiten, doch hängen in ihrer Zuver- 
lässigkeit direkt von der Wahl der verwendeten Verfahren und Datensätze ab. Dies trifft insbesondere auf Deep 
Learning (DL) zu. 
Die endliche und einschränkende Verfügbarkeit an Datensätzen macht die Lösung und Generalisierung einer 
Anwendung unter Nutzung von ML und DL zu einer Herausforderung. 
Im Rahmen der vorliegenden Studie wird diese Thematik anhand folgender Zielstellungen bearbeitet: 
e Umfassende Recherchen zu bestehenden Regularien mit Bezug auf die Entwicklung sicherheitskritischer An- 
wendungen basierend auf DL in der maritimen Branche als Schwerpunkt. Ableitung und Nutzung von Hand- 
lungsempfehlungen, welche im Rahmen der Studie VerifAl für die Entwicklung und den Betrieb von Maritime 
Autonomous Surface Ship (MASS) entwickelt worden sind, sowie eine Analyse, inwiefern sich diese Prozesse 
auf die spezifische Domäne der Objekterkennung übertragen lassen (s. Kapitel 3). 
Ergebnisse von Objektdetektions- und Segmentierungsalgorithmen, welche im Bereich der Computer Vision 
Anwendung finden zu vergleichen sowie eine Gegenüberstellung der Ergebnisse gleichartiger Algorithmen, 
welche mit Fokus auf maritime Daten trainiert wurden, durchzuführen (s. Kapitel A). 
Identifizierung von Herausforderungen bei der Verwendung von Bilddaten für das Training entsprechender 
Ibjekterkennungsalgorithmen, Strategien zur Augmentation von Bilddaten oder zur Bereitstellung vollstän- 
dig synthetischer Bilddaten mit Hilfe von Algorithmen des maschinellen Lernens (s. Kapitel B). 
Der Fokus der Studie liegt dabei in der Betrachtung aus der nautischen Perspektive und solcher Anwendungen, 
die mit Hilfe von ML entwickelt werden. Eine Marktanalyse in Kapitel A zeigt den Stand der Technik hinsichtlich 
dieser Perspektive auf und unterstreicht die Bedeutsamkeit dieser Studie und der Umsetzung ihrer Ergebnisse. 
Modelle zur Objektdetektion und semantischen Segmentierung können als Werkzeuge dienen, um kritische 
Informationen über Position, Bewegung und Identität maritimer Objekte zu extrahieren und mit vorhandenen Daten 
und Informationen zu fusionieren. Dies ist notwendig, um den Schiffsverkehr zu überwachen und einen sicheren 
und effizienten Verkehr zu gewährleisten. Diese Technologien stellen somit eine wichtige Komponente für die 
Automatisierung und Autonomisierung von Schiffen dar. 
Die Gründe für den zunehmenden Einsatz dieser Algorithmen liegen zum einen in den Fortschritten der ML- 
basierten Verfahren und zum anderen in fortwährenden Leistungssteigerungen geeigneter Hardware. Bei den Ver- 
fahren spielen insbesondere Convolutional Neural Networks (CNN) und Transformer-Netzwerke eine entscheidende 
Rolle (s. Kapitel A). 
2 Stand der Technik 
Die Untersuchung mit Blick auf den Stand der Technik basiert auf einer Sichtung der Produkte und den entspre- 
chenden, öffentlich zugänglichen Produktbeschreibungen. Korrespondierende wissenschaftliche Artikel zu den Pro- 
dukten existieren in der Regel nicht. Die Produktbeschreibungen dienen der Produktvermarktung und lassen tech- 
nische Spezifikationen offen, sodass nur Annahmen über zur Entwicklung verwendete Datenquellen können. Die 
Ergebnisse hierzu sind in Tabelle ] zusammengefasst. Die getroffenen Annahmen basieren auf der technischen 
Kompetenzen des Fraunhofer CML und Fraunhofer IGD im Bereich (teil-)autonomer Navigation, Lagebilderstellung 
und bildbasierender Informatik sowie den begrenzt vorhanden technischen Datenblätter der Hersteller.