| 研究実績の概要 |
前年度までに引き続き，自由航走模型試験より得られた教師データに対して再帰型ニューラルネットワークを適用することにより，低速航行時の操縦運動推定モデルの構築について検討を行った。このとき，自由航走模型試験によって得られた時系列データの平滑化法として，移動平均に代えてローパスフィルターを適用した。また，ハイパーパラメータの自動最適化を導入し，目的関数と時系列長さの設定が操縦運動の推定精度に及ぼす影響について検討を行った。
ハイパーパラメータの調整対象は隠れ層の層数，隠れ層のノード数，エポック数の3変数とし，バッチサイズは2048の固定値とした。また，目的関数としては訓練データの回頭角速度r，斜航角β，船速Uの平均二乗誤差MSE[r, β, U]と，訓練データの推定値に基づいて算出される航跡x0/L(t), y0/Lの平均二乗誤差MSE[x0/L, y0/L]の2種類を設定した。また，時系列長さTの値については40（実船換算約5分相当）と80（実船換算約10分相当）の2種類を設定した。
目的関数を回頭角速度r，斜航角β，船速Uの平均二乗誤差MSE[r, β, U]，時系列長さをT=80と設定した場合にMSE[r, β, U]の値は最小となるが，航跡の推定精度は必ずしも向上せず，目的関数として航跡x0/L(t), y0/Lの平均二乗誤差MSE[x0/L, y0/L]を設定した方が入力データとの一致が良好な航跡が得られることを確認した。ただし，回頭角速度r，斜航角β，船速Uの推定結果の時刻歴は入力データの値から大きくはずれることもあるため，両者を組み合わせた目的関数のさらなる検討が必要である。また，本研究においては学習率やバッチサイズを定数として検討を行ったため，これらの値の変化が操縦運動の推定精度に及ぼす影響についても検討が必要である。
|
