• diffuusiomallit
• merenkulun autonomia
• Synteettisen datan generointi

Autonomisten laivojen kehitystä hidastaa merkittävästi luotettavan opetusdatan puute huonoista sää- ja valaistusolosuhteista. Koska tarkan vertailudatan kerääminen merellä on käytännössä mahdotonta, ratkaisu löytyy tekoälypohjaisesta kuvanluonnista. Uusi synteettisen datan työkalu pystyy muuttamaan aurinkoiset merimaisemat sumuisiksi tai pimeiksi hävittämättä navigoinnille tärkeitä pieniä yksityiskohtia.

Meriteollisuus elää parhaillaan voimakasta murrosvaihetta, jossa autonomiset merialukset (Maritime Autonomous Surface Ships, MASS) tekevät tuloaan. Jotta nämä alukset voivat navigoida turvallisesti, niiden havainnointijärjestelmien on toimittava virheettömästi myös haastavissa olosuhteissa, kuten sakeassa sumussa tai pilkkopimeässä yössä. Järjestelmien opettaminen vaatii suuria määriä kuvadataa näistä vaikeista sääolosuhteista, ja juuri tässä piilee yksi alan suurimmista haasteista. Turun ammattikorkeakoulun ja Business Finlandin rahoittamassa USVA-projektissa etsittiin hiljattain ratkaisua tähän kriittiseen tiedonpuutteeseen.

Aallot ja tuuli tekevät perinteisen tiedonkeruun mahdottomaksi

Autonomisten autojen kehityksessä on suhteellisen helppoa kuvata sama risteys päivällä ja yöllä vertailukuvien saamiseksi. Merellisessä ympäristössä tällaisten parillisten kuvien kerääminen on kuitenkin fyysisesti mahdotonta. Dynaamiset aallokot, tuulen suunnat ja jatkuvasti liikkuvat kohteet muuttavat maisemaa minuutti minuutilta. Täydellisten kuvaparien kerääminen samasta tilanteesta eri sääolosuhteissa ei yksinkertaisesti onnistu.

Kun aitoa dataa ei voida kerätä, alan asiantuntijoiden katseet ovat kääntyneet synteettisen datan generointiin tekoälyn avulla. Standardit kuvanluontimallit, kuten latentit diffuusiomallit, ovat tuoneet tähän osittaisen ratkaisun, mutta niissä on merenkulun kannalta yksi erittäin vaarallinen puute: ne kompressoivat kuvia liikaa. Tämän kompressiopullonkaulan seurauksena tekoälymallit tulkitsevat merenkulun kannalta elintärkeät pienet yksityiskohdat, kuten kaukaiset alukset ja merimerkit, pelkäksi kohinaksi ja hävittävät ne lopullisista kuvista kokonaan.

Uusi arkkitehtuuri ohittaa kompression ja säästää yksityiskohdat

Tämän ongelman ratkaisemiseksi kehitettiin MariData-niminen työkalu, joka hyödyntää edistyksellistä CycleGAN-turbo-arkkitehtuuria. Tämä yksivaiheinen malli kykenee muuttamaan tavallisia päiväkuvia esimerkiksi sumuisiksi tai auringonlaskun värittämiksi. Kehitystyötä varten luotiin 7000 merellisen kuvan tietokanta. Hankkeessa kuitenkin huomattiin nopeasti alan tyypillinen ongelma: opetusdata vääristyy helposti hyvän sään eduksi. Päiväkuvia kertyi aineistoon yli 2800, kun taas yökuvia oli vain runsaat 700. Tämä johtuu yksinkertaisesti siitä, että kuvausdataa on huomattavasti helpompi kerätä valoisalla ja tyynellä säällä.

Uuden teknologian ydin piilee siinä, että se ohittaa kuvien voimakkaan kompression kokonaan käyttämällä nollakonvoluution ohitusliitäntöjä (zero-convolution skip connections). Näin varmistetaan, että horisontissa siintävät pienet veneet ja poijut säilyttävät rakenteellisen eheytensä kuvasta kuvaan -käännöksen aikana. 

Malli ei oppinut vain muuttamaan päivää yöksi, vaan hyödynsi oppimisessaan Cycle Consistency -menetelmää. Tämä tarkoittaa käytännössä sitä, että malli käänsi päiväkuvan ensin sumuiseksi ja yritti välittömästi palauttaa sen takaisin alkuperäiseksi päiväkuvaksi. Tekoälyä rangaistaan matemaattisesti, jos alkuperäinen ja palautettu kuva eroavat toisistaan rakenteellisesti. Menetelmä pakottaa algoritmin muuttamaan ainoastaan säätilaa, tuhoamatta kuvan alkuperäistä sisältöä.

Sumu ja auringonlasku onnistuivat, yökuvat paljastivat tekoälyn hallusinaatiot

Tulokset osoittivat selvästi uuden lähestymistavan vahvuudet perinteisiin malleihin verrattuna. Opinnäytetyön tulokset voidaan tiivistää kolmeen keskeiseen havaintoon:

• Pienten kohteiden säilyminen: Toisin kuin vertailukohtana käytetyt perinteiset mallit, uusi arkkitehtuuri säilytti satamien ja kaukana merellä olevien veneiden monimutkaiset rakenteet muunnoksen aikana sumuisiksi tai hämäriksi kuviksi erinomaisesti.
• Luonnollinen sumun ja valon mallinnus: Päivästä sumuun ja päivästä auringonlaskuun -mallit saavuttivat erittäin korkean visuaalisen laadun ja realistisuuden.
• Yöllisen datan aiheuttamat hallusinaatiot: Yökuvien generoinnissa ilmeni merkittäviä haasteita. Koska saatavilla oleva opetusdata sisälsi paljon valaistuja rannikoita ja satamia, tekoäly oppi yhdistämään pimeyden keinovaloihin. Sen seurauksena se alkoi ”hallusinoida” ja luoda tyhjälle avomerelle ja taivaalle olemattomia kaupungin valoja ja heijastuksia.

Tekoälyn tuottamat hallusinaatiot yökuvissa olivat arvokas osoitus tekoälyn perimmäisestä luonteesta: tekoäly oppii täsmälleen vain sen, mitä sille näytetään. Tämän vuoksi opetusdatan huolellinen kuratointi on jatkossa entistä kriittisemmässä roolissa.

Kokonaisuudessaan MariData-työkalu todisti, että synteettisellä tiedonluonnilla voidaan onnistuneesti kiertää fyysisen tiedonkeruun rajoitteet. Kun synteettisesti luodut kuvat pystyvät säilyttämään navigoinnin kannalta kriittiset yksityiskohdat ehjinä, ala on merkittävän askeleen lähempänä turvallisten, joka säällä toimivien autonomisten laivojen käyttöönottoa.

Artikkeli on osa Autonomisten ja älykkäiden järjestelmien laboratorio – AIS Lab -tutkimusryhmän julkaisuja.

Lähteet:

Henriksson, S. (2026). One-step unpaired image translation for maritime environments : with focus on small object detail retention – Theseus [AMK-opinnäytetyö, Turun ammattikorkeakoulu].