Journal Search Engine

ISSN : 1229-3431(Print)
ISSN : 2287-3341(Online)

Journal of the Korean Society of Marine Environment and Safety Vol.31 No.6 pp.999-1011
DOI : https://doi.org/10.7837/kosomes.2025.31.6.999

Collision Risk Assessment Framework for Safe Navigation of Autonomous Ships: A Systematic Review of Variables and Methodologies

Hyoseon Hwang^*, Sung-Cheol Kim^**, Ik-Hyun Youn^***†

^*Graduate Student, Department of Maritime Transportation System Mokpo National Maritime University, Mokpo 58628, Korea
^**Professor, Division of Cadet Training, Mokpo National Maritime University, Mokpo 58628, Korea
^***Professor, Division of Navigation & Information Systems, Mokpo National Maritime University, Mokpo 58628, Korea

* First Author : hhs1201@gmail.com, 061-240-7283

^† Corresponding Author : iyoun@mmu.ac.kr, 061-240-7283

Received December 3, 2025 Review December 17, 2025 Accepted December 26, 2025

Abstract

Collision risk assessment is a critical procedure for ensuring maritime safety, providing the foundation for real-time decision support and evasive maneuvering. In particular, its importance has increased with the advent of autonomous ships. While previous researchers have proposed various indicators and models tailored to specific scenarios, integrated analyses that structurally link collision risk variables with their modeling methodologies remain limited. In this study, guided by the PRISMA 2020 framework, 75 relevant papers published between 2020 and 2025 were reviewed systematically. The variables and methodologies used for collision risk assessment were categorized into five thematic groups each. Based on these classifications, the frequency and co-occurrence patterns of each element were analyzed statistically, and research trends were visualized through a variable– methodology association matrix. The analysis reveals that most collision avoidance models still rely heavily on distance-based kinematic indicators, with relatively little emphasis on human factors or contextual constraints. As a result of this integrated review, research directions are proposed for expanding variables and methodologies. The five-axis classification framework is expected to serve as a practical conceptual guide for researchers in selecting and designing variables and methods aligned with their research objectives.

Key Words : Autonomous ships , Ship collision risk assessment , Risk index , Taxonomy , Systematic review

자율운항선박의 안전운항을 위한 충돌 위험 평가 프레임워크 : 지표 및 방법론의 체계적 문헌 분석

황효선^*, 김성철^**, 윤익현^***†

^*국립목포해양대학교 대학원 해상운송시스템학과
^**국립목포해양대학교 승선실습과정부 교수
^***국립목포해양대학교 항해정보시스템학부 교수

초록

선박 충돌 위험 평가는 항해 안전 확보를 위한 핵심 절차로, 실시간 의사결정 지원과 회피 기동 판단의 기초를 제공하며, 특히 자율운항선박 시대의 안전성 확보를 위해 그 중요성이 커지고 있다. 기존 연구들은 다양한 시나리오에 맞춘 지표와 모델을 제안해 왔으나, 충돌 위험 변수와 변수 모델링 방법론 간의 구조적 연계에 대한 통합적 분석은 부족한 실정이다. 본 연구는 PRISMA 2020 지침에 따라 문헌 검토 절차를 체계화하고, 자율운항선박 기술개발이 본격적으로 진행된 2020년부터 2025년까지 발표된 관련 논문 중 75편을 선정하여 선박 충돌 위험도 평가에 사용된 변수와 방법론을 각각 다섯 개의 범주로 분류하였다. 이를 통해 각 요소의 출현 빈도와 조합 경향을 통계적으로 분석하였으며, 변수-방법론 연계 행렬을 통해 연구 경향을 시각화하였다. 분석 결과, 대부분의 충돌 회피 모델이 여전히 운동학 기반의 거리 중심 지표에 의존하고 있으며, 인간 요인이나 맥락 조건에 기반한 위험 평가는 상대적으로 적게 다루어졌다. 본 연구는 이러한 통합적 분석을 통해 향후 충돌 위험 평가 연구에서 확장되어야 할 변수와 기법의 방향을 제안하며, 제시한 5축 기반 분류체계는 향후 관련 연구자들이 연구 목적에 따라 적절한 변수와 방법론을 선택하고 설계하는데 유용한 개념적 틀로 활용될 수 있을 것으로 기대한다.

키워드 : 자율운항선박 , 선박 충돌 위험 평가 , 위험 지표, 분류학 , 체계적 문헌 고찰

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

해상 충돌은 여전히 해양 사고 중 가장 빈번하고 치명적인 유형 중 하나이며, 항해 안전 확보를 위한 핵심 과제로 간주된다(Chen et al., 2019). 충돌 위험 평가는 이러한 사고 가능성을 사전에 인식하고, 회피 기동을 위한 의사결정을 지원하는 핵심 기술로 기능해왔다. 특히 최근 자율운항선박 기술의 급속한 발전은, 인간 개입 없이도 안전한 운항이 가능하도록 보다 정교하고 신뢰성 높은 위험 평가 체계를 요구하고 있다.

자율운항선박의 충돌회피시스템은 기존 유인선박을 위한 충돌 위험 평가 방법과는 다른 판단 구조를 필요로 한다. 자율운항선박은 단순히 거리나 시간 기반의 충돌 여부를 계산하는 수준을 넘어, 주변 선박의 행동을 예측하고, 복잡한 해상 상황을 맥락적으로 인식하며, 인간 운항선박과 상호작용 할 수 있어야 한다(Burmeister and Constapel, 2021, Huang et al., 2020). 이러한 복합적 판단 능력은 기존의 위험 지표 및 평가 방식에 대한 근본적인 재검토를 요구하며, 자율적 의사결정을 지원할 수 있는 새로운 기술적 전환점을 마련하고 있다.

충돌 위험 평가 모델과 지표는 수십 년 전부터 다양한 방식으로 제안되어 왔다. 선박 도메인(Fujii and Tanaka, 1971), CPA/TCPA기반 CRI(Kearon, 1977), COLREGs 기반 전문가 시스템(Bukhari et al., 2013), 최근의 머신러닝·최적제어 기법(Huang and Ung, 2023) 등은 시대와 기술의 흐름에 따라 발전해 온 대표적인 예이다. 그러나 이러한 모델들은 대부분 유인선박의 운항 맥락을 전제로 설계되었으며 특정 시나리오나 운영상의 필요에 맞춰 개발되어, 자율 시스템의 불확실성과 상호 작용, 학습 능력을 반영한 접근은 미비하다.

기존의 선박 충돌 위험성 평가와 관련한 리뷰 연구들은 이 분야의 기초를 제공했으나, 보다 종합적인 분석의 필요성도 동시에 시사하고 있다. 예를 들어, 확률론적 충돌 위험 모델을 체계적으로 분류하고, 사고 발생 빈도 및 원인 분석을 중심으로 한 형식적 안전성 평가 프레임워크를 제시한 연구가 있었다(Chen et al., 2019). 그러나 이 연구는 실시간 위험 지표나 최신 기계학습 기반 접근법을 다루지 않았다. 한편, 2011년부터 2021년까지 발표된 선박 충돌 위험성 평 , 교통 혼잡 지점 탐지, 경로 계획에 관한 연구들을 종합적으로 검토한 연구도 있었으며, 이는 제한 수역 내의 해상 교통관리 및 AI 기반 분석에 초점을 맞췄다는 점에서 유용했다(Yu et al., 2022). 하지만 이 연구 역시 다양한 충돌 회피 모델에서 사용되는 전통적 및 현대적 위험 지표 전체를 포괄적으로 정리하지는 않았다. 또한, 신경망, 군집지능 등 최신 기법을 중심으로 새로운 충돌 위험 평가 모델의 발전 방향을 조망한 연구도 있었으나(Marino et al., 2023), 기존 문헌들이 특정 기법이나 입력 데이터 유형을 중심으로만 범주화 하고 모델 간 상호비교나 통합적 분석은 부족하다는 한계가 있다.

특히, 기존의 충돌 위험 평가는 주로 유인 선박의 운항 환경과 의사결정 체계를 전제로 발전해왔다. 그러나 자율 운항선박의 도입은 충돌 위험 계산 및 회피 전략에 대한 새로운 접근 방식을 요구하며, 아직 표준화되지 않은 다양한 모델들이 지속적으로 출현할 것으로 예상된다(Lyu et al., 2023). 따라서 충돌 위험 평가의 분류 체계는 이러한 미래 지향적인 방법론까지 포괄할 수 있어야 하며, 충돌 위험 지표와 이를 활용한 방법론 간의 구조적 연계를 반영할 필요가 있다.

본 연구에서는 이러한 격차를 해소하고 선박 충돌 위험 평가에 대한 새로운 관점을 제시하는 포괄적인 검토를 수행한다. 특히 2020년부터 2025년까지 최근 5년간 발표된 주요 문헌을 대상으로 체계적 문헌 고찰을 수행하였으며, 선박 충돌 위험 평가에 사용되는 주요 위험 변수와 모델링 방법론을 정제하여 각각 다섯 가지의 범주로 분류하였다. 이러한 방식으로 단편화된 문헌을 종합함으로써, 과거 연구의 주요 지표와 모델을 구조적인 시점에서 체계적으로 정리하고 새로운 분류 프레임워크을 통해 자율운항선박 기술개발에 필요한 충돌위험 평가 지표의 한계점을 검토한다.

2. PRISMA 기반 방법론

2.1 체계적 문헌 검토 절차

본 연구는 문헌 식별, 선별, 적격성 평가 및 포함에 있어 투명하고 재현 가능하며 체계적인 절차를 보장하기 위해 PRISMA 방법론을 채택했다. 사전에 정의된 분석 범위, 포함·배제 기준, 정보 수집 및 분석 절차에 따라 문헌을 체계적으로 선정하였다.

2.2 적격성 기준

본 연구에서는 선박 충돌 위험도 평가와 관련된 문헌을 체계적으로 분석하기 위해 명확한 포함 기준과 배제 기준을 설정하였다. 포함 기준으로는 먼저 주제가 ‘선박 충돌 위험도 평가’, ‘충돌 위험도 지수’, ‘충돌 회피’와 직접적으로 관련된 학술 논문임을 요구하였다. 또한, 해당 논문은 피어 리뷰를 거친 학술 저널에 게제된 연구로 한정하였다.

반면, 배제 기준은 다음과 같다. 연구 주제가 충돌 지표 분석과 직접적인 관련이 없는 단순한 사고 통계 보고서이거나, 일반적인 해양 안전 관련 소식만을 전달하는 뉴스 기사 등은 분석 대상에서 제외하였다. 아울러, 비학술적 보고서, 웹사이트 자료, 블로그 게시물 등 학술적 타당성이 검증되지 않은 문헌은 연구의 일관성과 신뢰성을 유지하기 위해 배제하였다.

2.3 정보 출처 및 검색 전략

관련 연구는 Web of Science의 검색엔진과 Harzing's publish or perish 소프트웨어를 활용한 Google scholar 검색을 통해 식별되었다.

주요 키워드는 ("maritime" OR "ship") "collision risk assessment" ("model" OR "methodology" OR "algorithm" OR "framework") NOT (airplane OR aircraft OR car OR road OR rail) 조합으로 구성되었다.

이러한 키워드 조합은 해양 분야의 충돌 위험 평가 모델에 국한되도록 설정되었으며, 검색 결과는 출판 연도, 제목, 초록 및 키워드 기반 필터링을 통해 1차 선별되었다.

검색 연도는 누적된 연구성과와 최신 동향을 반영하기 위해 2020년부터 2025년까지로 제한하였다. 이는 최근 5년간 AIS 기반 데이터 활용, 인공지능 응용, 자율운항선박 관련 기술 발전 등 선박 충돌 위험 평가 분야에서 급격한 기술 전환이 이루어졌기 때문이다. 특히, 전통적인 CPA 기법에서 벗어나 딥러닝, 시계열 예측, 상황 인식 기반 평가 지표 등 의 활용이 본격화된 시기로, 기술 변화가 일어난 이 기간을 집중적으로 분석 대상으로 삼았다.

2.4 문헌 선택 과정

초기 검색을 통해 총 1,031건의 문헌이 수집되었다. 이 중 제목ㆍ저자ㆍ출판연도 및 DOI 정보가 일치하는 55건이 중복으로 제거되었으며, 한글 및 영어 외의 언어로 작성된 문헌 등 기타 이유로 41건이 추가로 제거되어 총 935건이 스크리닝 대상이 되었다. 이후 충돌 위험도 평가와 직접적인 관련이 없거나, 선박 이외의 도메인을 다룬 654건의 문헌이 제외되었다. 남은 281건의 문헌 중 원문 접근이 불가능하거나 형식 요건을 충족하지 않은 문헌은 제외하고, 최종적으로 75건의 논문이 검토 대상으로 선정되었다. 문헌 선별 과정은 두 명의 독립된 연구자가 동일한 기준표를 사용하여 각각 문헌을 평가한 뒤, 평가 결과를 상호 비교하여 수행하였고, 의견 불일치 시 제3자의 연구자와 협의하여 조율하였다. 이러한 다단계 선별 절차는 Fig. 1을 통해 시각화되었다.

2.5 데이터 추출 및 주제어 범주 결정

최종적으로 선정된 75편의 문헌으로부터 선박 충돌 위험도 평가에 사용된 핵심 변수와 적용된 평가 방법론을 추출하였다. 본 연구에서는 이들 데이터를 효과적으로 범주화하기 위해, 오픈소스 대규모 언어모델(Large Language Model, LLM)인 GPT-OSS-20b를 문헌 분류를 위한 보조 분석 도구로 활용하였다. GPT-OSS-20b는 약 200억 개의 파라미터를 갖는 Transformer 기반 언어모델로, 일반적인 자연어 이해 및 생성을 위해 설계되었다(OpenAI, 2025). LLM 기반 분류는 단순한 표면상의 용어 일치에 그치지 않고, 각 용어가 사용된 문맥을 고려하여 의미적으로 유사한 개념들을 파악하고 묶는 방식으로 이루어졌다. 예컨대, ‘DCPA’, ‘TCPA’, ‘CPA’와 같은 용어들은 문헌 내에서 자주 함께 등장하며 모두 선박 간의 상대 접근 특성을 나타낸다는 점에서 하나의 범주로 통합되었다. 이를 위해 연구자가 문헌을 직접 검토하여 변수 및 방법론 명칭을 수기로 추출한 후, 해당 목록을 기반으로 LLM 에 질의하여 약어 해석, 중복 표현 식별, 유사 개념 통합 등 용어 정규화 작업을 수행하였다. 이 과정에서 각 용어의 사용 문맥에 대한 LLM의 의미적 판단을 바탕으로 관련 개념들이 1차적으로 그룹화되었으며, 각 그룹의 중심 개념 및 가장 자주 사용된 표현을 기준으로 대표 변수 및 방법론 범주명을 도출하였다.

이러한 LLM 기반 분류 결과는 개별 용어 간의 의미적 유사성과 통계적 출현 패턴에 따라 자동 추천된 1차 분류 결과로 간주되었으며, 이후 연구자가 문헌 내 실제 사용 맥락을 기준으로 수동 조정을 수행하였다. 구체적으로는 문헌별 실제 용어 사용 맥락을 고려하여 잘못 묶인 항목을 분리하거나 누락된 표현을 통합하여 분류명을 재조정하거나 범주를 통합·세분화하였다. 이와 같은 절차를 거쳐 변수와 방법론은 각각 다섯 개의 상위 범주로 정리되었으며, 이후 전체 연구 경향에 대한 통계 분석과 구조적 연계성 평가에 활용되었다.

3. 충돌 위험도 지표 분석 결과

범주는 Table 1과 Table 2에 각각 제시된 바와 같이, 변수 범주 5개와 방법론 범주 5개로 구성된다. 변수 분류는 충돌 위험도를 판단하기 위해 논문에서 사용된 입력 요소들을 중심으로, 기능적 유사성과 분석 목적에 따라 분류되었다. ‘Encounter Dynamics’, ‘Ship Domain’, ‘Behavioral & Operational Traits’, ‘Contextual Constraints’, ‘Risk Index & Implementation’의 다섯 가지 범주는 각각 상대운동 정보, 공간적 여유, 선박 특성 및 조종자 행위, 외부 환경 제약, 위험도 결과 표현에 해당하는 변수들을 포함한다. 예를 들어, ‘Encounter Dynamics’에는 DCPA·TCPA 등 선박 간 상대 거리와 접근 속도를 계산하는 지표가 포함되며, ‘Contextual Constraints’에는 교차 상황에서의 COLREGs 규칙 적용이나 기상 조건과 같은 운항 제약 요소가 포함된다. ‘Behavioral & Operational Traits’ 는 선박의 물리적 특성과 운항자의 숙련도나 위험 회피 성향과 같은 행동 특성을 함께 포함한다. 각 범주에는 실제 논문에서 빈번하게 사용된 대표 지표들이 예시로 정리되어 있다.

방법론 분류는 충돌 위험을 정량화하거나 회피 기동을 도출하는 데 사용된 분석 기법의 속성에 따라 분류되었다. ‘Deterministic Path Modeling’, ‘Rule- & Knowledge-Based’, ‘Data-Driven & Learning-Based’, ‘Probabilistic & Statistical’, ‘Simulation & Hybrid’의 다섯 가지 범주는 각각 운동학 기반 계산, 규칙 및 전문가 지식 기반 접근, 데이터 학습 기반 기법, 확률 기반 위험도 계산, 그리고 복합적 시뮬레이션 또는 융합 기법을 포함한다. ‘Deterministic Path Modeling’은 Velocity Obstacle, MPC 등의 기법을 포함하며, ‘Rule- & Knowledge-Based’에는 퍼지 추론 기반의 COLREGs 해석 시스템이 해당된다. ‘Data-Driven & Learning-Based’는 AIS 데이터를 활용한 신경망 기반 위험 예측 기법 등이 포함된다. 각 범주 하위에는 해당 방법론 범주에 포함되는 구체적인 기법 예시가 함께 정리되어 있다.

변수와 방법론 범주 모두 개별 논문에 기술된 용어들을 바탕으로, 의미적으로 유사한 항목들을 통합하는 방식으로 정리되었으며, 중복되는 개념이나 표현은 병합하여 단일한 분류 체계로 통일하였다.

3.1장부터 3.3장은 분석 대상 논문에 사용된 변수와 방법론을 각 분류 체계에 따라 정리하고, 각 항목의 사용 빈도를 집계하여 연구 경향을 정량적으로 파악하는 데 초점을 둔다. 이때 하나의 논문이 두 개 이상의 변수군을 동시에 사용하는 경우, 각 변수군에 모두 1회씩 집계하여 처리하였다. 예를 들어, 제한수역에서 자율운항선박이 동적 장애물뿐 아니라 해안선과 같은 정적 경계까지 고려하여 충돌 회피 의사결정을 수행하도록 VO 기반 시스템을 제안한 연구(Cao et al., 2025)는, 상대운동 변수에 기반한 위험 판단과 더불어 항로 경계 및 COLREGs와 같은 외부 제약 조건을 함께 반영하고 있어 Encounter Dynamics와 Contextual Constraints 변수군에 동시에 해당하는 사례로 분류되었다. 또한 VO 기반의 결정론적 경로 모델링을 핵심으로 사용하면서도, COLREGs와 사전 정의된 임계 조건을 회피 행동 결정에 함께 적용하고 있어 Deterministic Path Modeling과 Rule- & Knowledge-Based 방법론을 동시에 활용한 사례로 분류되었다.

3.1 변수군의 활용 경향

Fig. 2는 각 연구에서 사용된 변수들을 다섯 개의 변수군으로 분류한 뒤, 각 변수군이 차지하는 상대적 비율을 파이 차트 형태로 시각화한 것이다. Encounter Dynamics는 가장 빈번히 사용된 변수군으로, 총 54회 등장하였다. 이는 DCPA, TCPA 등 선박 간 상대운동과 접근 기하를 수치화하는 지표들이 충돌 위험 판단의 핵심 입력값으로 여전히 중심적인 역할을 하고 있음을 의미한다. 실제로, 충돌 가능성을 예측 하거나 회피 경로를 설계하는 다양한 모델들이 상대 위치와 속도 차를 기반으로 작동하고 있으며, 이는 충돌 회피 의사 결정, 실시간 위험 평가, 경로 계획 알고리즘 등 정량적 분석 중심의 연구 전반에서 해당 변수군이 폭넓게 활용되고 있음을 보여준다.

그 뒤를 이은 변수군은 Ship Domain(37회)과 Contextual Constraints(24회)로 나타났다. Ship Domain은 선박 주변의 안전 여유 공간을 정의하고 침범 여부를 판단하는 변수군으로, 거리 기반 지표와 함께 충돌 위험 판단의 핵심 기준 중 하나로 자리 잡고 있다. 특히 이 변수는 선박 간 근접도 외에도 상대적 위치와 방향, 회피 여유 등을 고려한 보다 현실적인 위험 평가에 기여하고 있으며, 여러 방법론과의 융합 가능성도 높게 나타난다. Contextual Constraints는 COLREGs, 항로 혼잡도, 기상 조건 등 항해 환경에 영향을 미치는 외부 제약을 변수로 포함하며, 최근에는 자율운항을 포함한 복잡한 운항 시나리오에서 상황 인식(Context Awareness)을 높이기 위한 요소로 그 활용도가 점차 확대되고 있다.

한편 Behavioral & Operational Traits(21회)와 Risk Index & Implementation(18회)은 상대적으로 낮은 빈도를 보였다. 특히 Behavioral & Operational Traits는 선박 제원, 조종 성능, 운항 자의 판단 특성 등과 같은 인간 및 선체 관련 요소를 포함하지만, 이들의 정량화가 어렵고 구조화된 데이터 확보가 제한적이기 때문에 주요 변수로의 활용은 다소 제한적인 것으로 보인다.

3.2 방법론의 적용 경향

Fig. 3은 충돌 위험도 평가에 사용된 방법론의 비중을 시각화한 것이다. 가장 두드러진 것은 Deterministic Path Modeling 으로, 전체 분석 논문 중 49회 등장하였다. 이 방법론은 선박의 운동학적 특성을 수식적으로 모델링하여, 충돌 가능성을 수치화하거나 회피 경로를 계산하는 방식에 해당한다. 벡터장 기반 회피, Model Predictive Control(MPC), Velocity Obstacle(VO) 등 실시간 경로 계획에 적합한 접근법들이 여기에 포함되며, 이들은 계산 효율성과 구조적 명확성 덕분에 기존 연구에서 꾸준히 활용되어 왔다. 특히 충돌 회피 판단이나 위험도 산정과 같이 정량적 결과가 요구되는 응용 시나리오에서 해당 접근법은 신뢰성과 실용성 측면에서 강점을 지닌다.

그 뒤를 잇는 방법론은 Rule- & Knowledge-Based(27회)와 Data-Driven & Learning-Based(20회)로 나타났다. 전자는 COLREGs와 같은 항해 규칙을 시스템에 내재화하거나 전문가의 판단 논리를 규칙 또는 퍼지 추론 형태로 구현하는 방식이며, 전통적인 규범 기반 충돌 회피 판단 시스템의 근간을 이룬다. 반면, Data-Driven 접근은 AIS, 레이더, 센서 로그 등의 현실 데이터를 기반으로 위험 징후를 학습하고 예측하는 방식으로, 최근 들어 실시간 의사결정과 예측 정확도를 높이기 위한 기술로 각광받고 있다. 두 방법론은 서로 다른 장점을 갖고 있어 상호 보완적으로 활용되며, 특히 기존의 정형화된 수학 모델로 설명하기 어려운 환경 요인이나 복잡 한 상호작용을 반영하는 데 기여하고 있다.

Simulation & Hybrid 방법론은 상대적으로 낮은 빈도(4회)로 확인되었다. 이 접근은 다수의 변수와 상황을 포함한 시나리오 기반의 위험 평가 또는 복합 모델 구조의 통합에 사용되며, 이론적 타당성은 높지만 실행 시간과 계산 복잡도 등의 현실적 제약으로 인해 실제 적용보다는 개념 검증이나 실험적 시도에 그치는 경우가 많았다. 그럼에도 불구하고, 시뮬레이션 기반 접근은 자율운항선박 등 비정형 상황을 반영하는 데 있어 필수적인 실험 환경으로써 잠재적 가치가 크며, 향후 기술적 제약이 완화될 경우 중요한 연구 방향으로 부상할 수 있다.

3.3 변수-방법론 연계 매트릭스 분석

해당 챕터에서는 충돌 위험도 평가 연구에서 사용된 변수와 적용된 방법론 간의 연계 빈도를 분석한 결과를 제시한다. Fig. 4는 다섯 가지 변수 유형과 다섯 가지 방법론 유형 간의 조합 빈도를 행렬 형태로 정리한 것으로, 이를 통해 변수별 활용 패턴과 방법론 간의 연계 강도를 파악할 수 있다.

먼저, 전반적으로 가장 광범위하게 활용된 변수는 Encounter Dynamics로, 이는 거리 기반(DCPA, TCPA 등)의 상대운동 지표가 다양한 방법론과 결합 가능한 핵심 입력 변수임을 시사한다. 실제로 해당 변수는 Deterministic Path Modeling(38회), Rule- & Knowledge-Based(20회), Data-Driven & Learning- Based (15회) 등 거의 모든 방법론에서 높은 빈도로 등장하였다. 이는 충돌 위험도 평가의 기초가 여전히 선박 간 상대운동에 기반한 거리·시간 중심 판단에 있음을 반영하며, 다양한 분석 목적(위험 정량화, 회피 판단, 예측 등)에 있어 필수적인 정보로 작용하고 있음을 의미한다.

Ship Domain 변수 역시 대부분의 방법론과 고르게 결합되어 나타났는데, 특히 Deterministic Path Modeling(26회) 및 Rule- & Knowledge-Based(14회) 접근에서 높은 활용 빈도를 보였다. 이는 물리적 안전 공간 기반의 위험 판단이 전통적인 경로 계산 방식뿐 아니라 COLREGs 기반 규칙 시스템에도 자연스럽게 통합되어 사용되고 있음을 보여준다. 안전 거리 침범 여부를 판단하는 도메인 기반 지표는 전문가 시스템이나 퍼지 규칙의 설계에도 유용하게 작용하며, 충돌 회피 시스템 설계의 핵심 판단 기준 중 하나로 자리매김하고 있다.

방법론 측면에서는 Deterministic Path Modeling이 모든 변수 범주와 결합되어 가장 두드러진 활용 양상을 보였다. 이는 충돌 위험도 정량화 및 회피 경로 산출과 같은 실시간 응용 시나리오에 있어 해당 방법론의 효율성과 신뢰도가 지속적으로 강조되고 있음을 의미한다. Rule- & Knowledge-Based 접근은 모든 변수와 고르게 연결되어 있으며, 특히 Ship Domain이나 Contextual Constraints와 같은 규칙적 판단이 필요한 항목들과 높은 결합도를 보였다. Data-Driven & Learning-Based 방법론은 Encounter Dynamics 및 Contextual Constraints와의 조합을 통해 점차 적용 범위를 넓히고 있으며, 이는 AIS 등 실선 데이터를 바탕으로 한 상황 예측 및 위험 인지 기술의 확산 흐름과 맞닿아 있다.

한편, Simulation & Hybrid 접근은 모든 변수 범주에서 활용 빈도가 낮은 편이었다. 이는 시뮬레이션 모델의 복잡성, 계산 자원 소모, 실시간성 제약 등의 현실적 어려움 때문으로 해석된다. 그러나 다양한 변수들을 통합적으로 구현할 수 있는 유연성 측면에서, 향후 고도화된 자율 시스템 또는 훈련용 시나리오 구축에 있어 중요한 방향으로 작용할 가능성이 있다.

마지막으로, 분석 대상 논문 중 일부는 동일 연구 내에서 복수의 변수–방법론 조합을 동시에 포함하고 있었으며, 이는 충돌 위험 평가 연구가 점차 단일 목적 중심에서 다중 목적 융합형으로 진화하고 있음을 시사한다. 단일 변수·단일 알고리즘 접근만으로는 실제 해상 교통 상황의 복잡성을 모두 포괄하기 어렵기 때문에, 다양한 입력 정보와 판단 체계를 결합한 복합형 프레임워크의 필요성이 점차 드러나고 있다. 이러한 경향은 특히 자율운항선박 개발에 있어, 다층적 정보 처리 및 상황 인지 기반의 위험 판단 체계 설계로 이어질 수 있는 중요한 단서로 작용할 수 있다.

이러한 분석 흐름을 보다 구체화하기 위해, Table 3에서 각 변수 범주별로 가장 많이 결합하여 사용된 방법론 상위 3가지를 정리하였다. 이 표는 변수 중심으로 정렬되어 있어, 각 위험 요소가 주로 어떤 분석 기법과 연계됐는지를 직관적으로 보여준다. 또한, 각 조합에 포함된 문헌 인덱스를 함께 제공함으로써, 해당 경향이 실제 문헌에서 어떻게 구현 되었는지도 동시에 확인할 수 있다.

3.4 충돌 위험성 평가 지표 개선안

본 연구의 통계 분석 결과는 기존 충돌 위험 평가 연구들이 DCPA,TCPA를 사용하는 기하모델 위에 운동학과 선박도 메인을 결합하는 설계가 지배적인 것으로 확인되며, 다른 분류 축의 요소를 적극적으로 결합하거나 확장하려는 시도가 미흡하다는 한계를 드러낸다.

자율운항선박은 인간의 개입 없이 판단과 행동을 수행해야 하며, 이에 따라 기존의 규칙 기반 회피 규정이나 거리 중심의 위험 평가만으로는 충분하지 않다. 자율 시스템은 주변 환경의 불확실성, 인간 운항선박과의 상호작용, 실시간 학습 기반의 의사결정을 포함한 복합적인 판단이 가능해야 한다. 이를 반영하기 위해, 기존의 결정론적 모델에서 벗어나 확률적 접근(Probabilistic & Statistical), 데이터 기반 학습 (Data-Driven & Learning-Based), 시뮬레이션 기반 복합 모델(Simulation & Hybrid)과의 융합을 고려한 평가 구조 설계가 요구된다.

이러한 복합적 구조로의 확장은, 현재 연구에서 확인된 매트릭스 분석 결과와도 부합한다. 실제 구현 측면에서는, AIS, 센서 로그, 시뮬레이션 데이터 등 실선 데이터를 활용한 학습 기반 충돌 위험 평가 모델이 자율운항 기술과의 연계 가능성을 높이고 있다. 이러한 데이터 기반 접근은 기존의 거리·시간 중심 위험 지표와 상보적으로 작용할 수 있으며, 예를 들어 COLREGs 규칙 기반 fuzzy-rule 시스템에 학습 기반 위험 예측 알고리즘을 결합한 이중 구조는 판단의 명확성과 학습 능력을 동시에 확보할 수 있는 실용적 대안으로 고려될 수 있다.

평가 체계는 수치 예측의 정확성뿐 아니라, 자율 시스템이 왜 특정 경로를 선택했는지를 설명할 수 있는 해석 가능성도 갖추어야 한다. 이는 단순히 충돌 가능성을 수치화하는 것을 넘어서, 맥락 인식(Context Awareness), 다중 선박 간 상호작용 모델링, 인간-자율운항선박 간 협업 구조 등 복잡한 판단 과정을 설명할 수 있는 평가 구조를 요구한다.

종합하면, 자율운항선박의 충돌 회피 시스템 개발을 위해서는 기존의 충돌 회피 이론 위에 자율운항선박의 특성을 반영한 구조 확장을 목표로, 기존 분석 요소들과의 연계 가능성과 전통적인 거리 기반 판단 체계에서 다변량 학습 기반 모델로 이행하는 기술적 전환 경로, 예를 들어 AIS·센서 로그 기반 입력 확장, 계층적 의사결정 구조 도입, 인간-자율 운항선박 간 협업 구조 설계 등을 모색하는 방향으로 전개될 필요가 있다.

4. 결 론

해상 충돌은 여전히 해양 사고의 주요 원인으로 남아 있으며, 자율운항선박은 이러한 위험 상황을 인간의 개입 없이 스스로 인지·판단·회피해야 한다. 그러나 기존의 충돌 위험 평가 연구들은 대부분 거리·시간 중심의 결정론적 계산에 기반하여, 불확실한 해상 환경이나 인간 운항선박과의 상호작용을 충분히 반영하지 못하고 있다. 이러한 한계를 극복하기 위해, 본 연구는 PRISMA 기법을 활용해 주요 문헌을 체계적으로 수집하고, 위험 변수와 평가 방법론 간의 구조적 연계성을 분석하였다. 총 75편의 관련 논문을 대상으로, 위험 평가에 사용된 변수와 방법론을 각각 다섯 개의 범주로 분류하고, 변수–방법론 조합의 빈도 및 관계를 정량적으로 분석하였다. 이를 통해 충돌 위험 평가 연구의 주요 흐름이 Encounter Dynamics와 Deterministic Path Modeling에 집중되어 있음을 확인하였다.

결과적으로, 본 연구는 다음과 같은 세 가지 핵심 시사점을 제시한다.

첫째, 자율운항선박의 충돌 회피 시스템은 불확실한 환경, 유인 운항선박과의 상호작용, 실시간 학습 기반의 판단을 포괄해야 한다. 둘째, 이를 위해 기존의 결정론적 모델에서 벗어나 확률적 접근(Probabilistic), 데이터 기반 학습(Data-driven), 시뮬레이션 융합형 모델(Hybrid) 등의 복합적 접근이 요구된다. 셋째, 충돌 위험 평가는 단순한 수치 계산이 아니라, ‘어떤 근거와 판단 기준으로 위험을 회피했는가’를 설명할 수 있는 해석 가능한 구조로 발전해야 한다.

본 연구는 주로 학술 논문을 기반으로 분석을 수행하였으며, 산업계 기술 보고서, IMO MSC 관련 문서 등은 포함되지 않았다. 또한 분석 대상 문헌 중 상당수가 Journal of Marine Science and Engineering, Ocean Engineering 등 특정 저널에 편중되어 있는 경향이 있으며, 향후에는 보다 다양한 출처를 포함하여 자율운항선박 기술 전반의 위험 평가 접근을 포괄하는 후속 연구가 필요하다.

그럼에도 불구하고, 본 연구의 체계적 분류 체계와 변수–방법론 매트릭스는 향후 연구자들이 각자의 응용 목적에 맞게 다차원적·맥락 기반 위험 평가 체계를 설계할 수 있는 기초 자료로 활용될 수 있다. 나아가, 이 연구는 자율운항선박의 충돌 회피 연구가 단일 지표 중심의 계산적 접근에서 벗어나, 상황 인지–학습–판단이 통합된 지능형 위험 평가 프레임워크로 발전해야 함을 명확히 제시한다.

Figure

Fig. 1.

Literature selection process based on the PRISMA 2020 flow diagram (adapted from Page et al., 2021).

Fig. 2.

Proportional usage of variable types.

Fig. 3.

Proportional usage of Methodology.

Fig. 4.

Variable-Methodology usage matrix.

Table

Table 1.

Variable classification criteria for ship collision risk assessment

No.	Variable Category	Description	Representative Indicators
1	Encounter Dynamics	Relative motion and approach geometry between ships	DCPA, TCPA, CPA, RTCPA, relative speed, relative bearing, relative course
2	Ship Domain	Safety margins around a ship and the extent of domain violations	Ship domain radius, buffer zone, domain overlap ratio
3	Behavioral & Operational Traits	Characteristics of vessel size, maneuverability, and operator behavior	Ship type, ship size, turning radius, navigator experience, risk appetite
4	Contextual Constraints	External constraints such as rules, traffic conditions, and environment	COLREGs rules, traffic density, weather condition
5	Risk Index & Implementation	Computed risk metrics, algorithms, and data representation	Collision-risk field, Potential/Repulsive field, AIS-derived features, Fuzzy weights, Bayesian/ML features

Table 2.

Methodological classification criteria for ship collision risk assessment

No.	Methodological Category	Description	Representative Techniques
1	Probabilistic & Statistical	Assessing collision risk based on probability, frequency, and consequence severity	Bayesian networks, Monte Carlo simulation, risk matrix
2	Deterministic Path Modeling	Calculating risk and avoidance paths using kinematic, geometric, or control models	VO, MPC, vector field guidance
3	Rule- & Knowledge-Based	Modeling COLREGs and expert knowledge using rule sets or fuzzy inference	Fuzzy logic, expert system, COLREGs rule inference
4	Data-Driven & Learning-Based	Learning collision risk patterns from AIS or other real-world data	Random forest, LSTM, neural networks, clustering
5	Simulation & Hybrid	Analyzing via scenario-based simulation or combining multiple methodological approaches	MarineTraffic simulations, hybrid fuzzy-neural models

Table 3.

Most Frequently Used Methodologies by Variable Category (Top 3)

No.	Variable	Methodology	Count	Reference List
1	Contextual Constraints	Deterministic Path Modeling	15	Cao et al.(2025), Wang et al.(2022a), Uğurlu et al.(2024), Zhou et al.(2021), Brcko and Luin(2023), Liu et al.(2022b), Zhu et al.(2022), Zheng et al.(2024), Rutkowski and Kubacka(2023), Chen et al.(2025a), Akdağ et al.(2022), Zhang et al.(2025b), Namgung and Kim(2021), Liu et al.(2021), Yoshioka et al.(2023)
		Rule- & Knowledge-Based	14	Cao et al.(2025), Wang et al.(2022a), Uğurlu et al.(2024), Zhou et al.(2021), Brcko and Luin(2023), Liu and Yu(2025), Fiskin (2023), Zhu et al.(2022), Zheng et al.(2024), Chen et al.(2025a), Akdağ et al.(2022), Zhang et al.(2025b), Hu and Park(2020), Namgung and Kim(2021)
		Probabilistic & Statistical	7	Zheng et al.(2022), Liu and Yu(2025), Liu et al.(2025c), Rutkowski and Kubacka(2023), Feng et al.(2022), Prastyasari et al.(2025), He et al.(2021)
2	Encounter Dynamics	Deterministic Path Modeling	38	Cao et al.(2025), Brcko and Luin(2023), Ni et al.(2022), Liu et al.(2023), Gai et al.(2024), Jeon(2024), Zhen et al.(2022), Zhao and Fu(2021), Zhang et al.(2024), Zhang et al.(2021), Sui et al.(2023), Szlapczynski and Szlapczynska(2021), Song(2024), Liu et al.(2022b), Zhu et al.(2022), Liang et al.(2024), Zhou et al.(2022), Wu et al.(2021), Wang et al.(2022b), Rong et al.(2025), Barakat and Kvyatkovskaya(2023), Liu et al.(2025b), Chen et al.(2025a), Wang et al.(2024), Akdağ et al.(2022), Chen et al.(2025b), Zhang et al.(2025b), Zhang et al.(2022), Dinariyana et al.(2020), Yoo and Lee(2021), Namgung and Kim(2021), Huang and Van Gelder(2020), Deng et al.(2021a), Zhang et al.(2025a), Liu et al.(2021), Ni et al.(2020), Ma et al.(2022), Yoshioka et al.(2023)
		Rule- & Knowledge-Based	20	Lee and Namgung(2025), Cao et al.(2025), İnan(2023), Brcko and Luin(2023), Gai et al.(2024), Cheng et al.(2025), Liu and Yu(2025), Deng et al.(2021b), Zhu et al.(2022), Liang et al.(2024), Barakat and Kvyatkovskaya(2023), Chen et al.(2025a), Akdağ et al.(2022), Zhang et al.(2025b), Hu and Park(2020), Vu and Jeong(2021), Namgung and Kim(2021), Deng et al.(2021a), Zhang et al.(2025a), Ni et al.(2020)
		Data-Driven & Learning-Based	15	İnan(2023), Jeon(2024), Liu et al.(2025a), Zhen et al.(2022), Liu et al.(2020a), Zhao and Fu(2021), Zhong et al.(2025), Liu et al.(2025c), Liu et al.(2025b), Chen et al.(2025a), Wang et al.(2024), Tritsarolis et al.(2023), Vu and Jeong(2021), Öztürk (2022), Gao et al.(2024)
3	Risk Index & Implementation	Deterministic Path Modeling	12	Uğurlu et al.(2024), Gai et al.(2024), Zhao and Fu(2021), Chen et al.(2021), Zhu et al.(2022), Rong et al.(2025), Dinariyana et al.(2020), Namgung and Kim(2021), Huang and Van Gelder(2020), Ni et al.(2020), Ma et al.(2022), Yoshioka et al.(2023)
		Probabilistic & Statistical	6	Zheng et al.(2020), Park and Jeong(2021), Purba et al.(2020), Dinariyana et al.(2020), Feng et al.(2022), Ni et al.(2020)
		Rule- & Knowledge-Based	6	Uğurlu et al.(2024), Gai et al.(2024), Deng et al.(2021b), Zhu et al.(2022), Namgung and Kim(2021), Ni et al.(2020)
4	Ship Domain	Deterministic Path Modeling	26	Uğurlu et al.(2024), Rawson and Brito(2021), Liu et al.(2023), Jeon(2024), He et al.(2025), Zhen et al.(2022), Zhao and Fu(2021), Zhang et al.(2024), Liu et al.(2022a), Sui et al.(2023), Szlapczynski and Szlapczynska(2021), Liu et al.(2020b), Zheng et al.(2024), Rutkowski and Kubacka(2023), Lyu et al.(2024), Liu et al.(2025b), Chen et al.(2025a), Akdağ et al.(2022), Zhang et al.(2025b), Yoo and Lee(2021), Namgung and Kim(2021), Huang and Van Gelder(2020), Deng et al.(2021a), Zhang et al.(2025a), Liu et al.(2021), Ni et al.(2020)
		Rule- & Knowledge-Based	14	Uğurlu et al.(2024), İnan(2023), Cheng et al.(2025), Fiskin (2023), Deng et al.(2021b), Zheng et al.(2024), Lyu et al.(2024), Chen et al.(2025a), Akdağ et al.(2022), Zhang et al.(2025b), Namgung and Kim(2021), Deng et al.(2021a), Zhang et al.(2025a), Ni et al.(2020)
		Data-Driven & Learning-Based	12	Zhao et al.(2023), İnan(2023), Jeon(2024), Silveira et al.(2022), Liu et al.(2025a), Zhen et al.(2022), Liu et al.(2020a), Zhao and Fu(2021), Zhong et al.(2025), Zheng et al.(2020), Liu et al.(2025b), Chen et al.(2025a)
5	Behavioral & Operational Traits	Deterministic Path Modeling	15	Zhou et al.(2021), Zhao and Fu(2021), Zhang et al.(2024), Liu et al.(2022a), Liu et al.(2020b), Wu et al.(2021), Rutkowski and Kubacka(2023), Wang et al.(2022b), Dinariyana et al.(2020), Yoo and Lee(2021), Namgung and Kim(2021), Huang and Van Gelder(2020), Deng et al.(2021a), Liu et al.(2021), Yoshioka et al.(2023)
		Rule- & Knowledge-Based	6	Zhou et al.(2021), Zarzyckia et al.(2024), Cheng et al.(2025), Fiskin (2023), Namgung and Kim(2021), Deng et al.(2021a)
		Data-Driven & Learning-Based	4	Zhao and Fu(2021), Zhong et al.(2025), Öztürk (2022), Gao et al.(2024)

Reference

Akdağ, M., T. I. Fossen, and T. A. Johansen ( 2022), Collaborative Collision Avoidance for Autonomous Ships Using Informed Scenario-Based Model Predictive Control, IFAC-PapersOnLine, Vol. 55, No. 31, pp. 249-256.
Barakat, L. A. and I. Y. Kvyatkovskaya ( 2023), Autonomous Collision Avoidance System for Unmanned Vessels: Algorithms and Software, Applied Mathematics and Control Sciences, No. 4, pp. 83-93.
Brcko, T. and B. Luin ( 2023), A Decision Support System Using Fuzzy Logic for Collision Avoidance in Multi-Vessel Situations at Sea, Journal of Marine Science and Engineering, Vol. 11, No. 9, 1819.
Bukhari, A. C., I. Tusseyeva, and Y. G. Kim ( 2013), An Intelligent Real-Time Multi-Vessel Collision Risk Assessment System from VTS View Point Based on Fuzzy Inference System, Expert Systems with Applications, Vol. 40, No. 4, pp. 1220-1230.
Burmeister, H. C. and M. Constapel ( 2021), Autonomous Collision Avoidance at Sea: A Survey, Frontiers in Robotics and AI, Vol. 8, 739013.
Cao, Y., G. Zhang, Y. Liu, S. Zhu, W. Sun, and Z. Luo ( 2025), A Collision Avoidance Decision-Making System for Autonomous Vessels in Constrained Waterways Based on Velocity Obstacles, Ocean Engineering, Vol. 342, 123013.
Chen, G., W. Wang, Y. Suo, X. Guo, K. Wang, and M. Li ( 2025a), Ceppo: A Novel Cognitive Entropy Proximal Policy Optimization Algorithm for Autonomous Ship Collision Avoidance Based on Deep Reinforcement Learning, SSRN Preprint No. 5402728.
Chen, P., M. Li, and J. Mou ( 2021), A Velocity Obstacle-Based Real-Time Regional Ship Collision Risk Analysis Method, Journal of Marine Science and Engineering, Vol. 9, No. 4, 428.
Chen, P., Y. Huang, J. Mou, and P. H. A. J. M. Van Gelder ( 2019), Probabilistic Risk Analysis for Ship–Ship Collision: State-of-the-Art, Safety Science, Vol. 117, pp. 108-122.
Chen, S., C. Zhang, L. Wu, Z. Wang, W. Wu, S. Li, and H. Gao ( 2025b), Collision Avoidance Behavior Mining Model Considering Encounter Scenarios, Applied Sciences, Vol. 15, No. 5, 2616.
Cheng, K., W. Li, Y. Zhou, G. Shi, and X. Wang ( 2025), A Novel Fuzzy Comprehensive Evaluation Method for Ship Collision Risk, Ocean Engineering, Vol. 332, 121462.
Deng, F., L. Jin, X. Hou, L. Wang, B. Li, and H. Yang ( 2021a), COLREGs: Compliant Dynamic Obstacle Avoidance of USVs Based on the Dynamic Navigation Ship Domain, Journal of Marine Science and Engineering, Vol. 9, No. 8, 837.
Deng, Y., W. Zhang, and X. Feng ( 2021b), An Advanced Method of Collision Risk Assessment in Terms of Encountering Ships, IOP Conference Series: Materials Science and Engineering, Vol. 1043, No. 5, 052051.
Dinariyana, A. A. B., M. A. Avesina, K. Sambodho, and F. Fahrirozan ( 2020), Collision Risk Analysis and Oil Spill Dispersion Modelling in Lombok Strait, IOP Conference Series: Earth and Environmental Science, Vol. 557, No. 1, 012002.
Feng, H., M. Grifoll, Z. Yang, and P. Zheng ( 2022), Collision Risk Assessment for Ships’ Routeing Waters: An Information Entropy Approach with Automatic Identification System (AIS) Data, Ocean & Coastal Management, Vol. 224, 106184.
Fiskin, R. ( 2023), An Advanced Decision-Making Model for Determining Ship Domain Size with a Combination of MCDM and Fuzzy Logic, Ocean Engineering, Vol. 283, 114976.
Fujii, Y. and K. Tanaka ( 1971), Traffic Capacity, The Journal of Navigation, Vol. 24, No. 4, pp. 543-552.
Gai, X., Q. Zhang, Y. Hu, and G. Wang ( 2024), A Fuzzy Fusion Method for Multi-Ship Collision Avoidance Decision-Making with Merchant and Fishing Vessels, Journal of Marine Science and Engineering, Vol. 12, No. 10, 1822.
Gao, D., Y. Zhu, K. Yan, and C. G. Soares ( 2024), Deep Learning–Based Framework for Regional Risk Assessment in a Multi-Ship Encounter Situation Based on the Transformer Network, Reliability Engineering & System Safety, Vol. 241, 109636.
He, A. X., J. F. Zhang, D. Zhang, and W. D. Gan ( 2021), Collision Risk Assessment in Jiangsu Section of the Yangtze River Based on Evidential Reasoning, IOP Conference Series: Materials Science and Engineering, Vol. 1043, No. 5, 052050.
He, Z., C. Liu, R. Yan, and X. Chu ( 2025), A Novel Arena-Based Collision Avoidance Behavior Analysis Method for Autonomous Ships, Ocean Engineering, Vol. 339, 122056.
Hu, Y. and G. K. Park ( 2020), Collision Risk Assessment Based on the Vulnerability of Marine Accidents Using Fuzzy Logic, International Journal of Naval Architecture and Ocean Engineering, Vol. 12, pp. 541-551.
Huang, J. C. and S. T. Ung ( 2023), Risk Assessment and Traffic Behaviour Evaluation of Ships, Journal of Marine Science and Engineering, Vol. 11, No. 12, 2297.
Huang, Y. and P. H. A. J. M. Van Gelder ( 2020), Collision Risk Measure for Triggering Evasive Actions of Maritime Autonomous Surface Ships, Safety Science, Vol. 127, 104708.
Huang, Y., L. Chen, P. Chen, R. R. Negenborn, and P. H. A. J. M. Van Gelder ( 2020), Ship Collision Avoidance Methods: State-of-the-Art, Safety Science, Vol. 121, pp. 451-473.
İnan, T. ( 2023), A Decision Support System Based on Fuzzy Logic, Neural Networks, and Modified Jellyfish Swarm Algorithm to Prevent Ship Collisions, Neural Networks.
Jeon, D. H. ( 2024), A Method for Collision Avoidance of a Ship Based on Reinforcement Learning in Complex Maritime Situations, Doctoral Dissertation, Seoul National University Graduate School.
Kearon, J. ( 1977), Computer Program for Collision Avoidance and Track Keeping, Proceedings of the Conference on Mathematical Aspects of Marine Traffic, pp. 229-242.
Lee, H. J. and H. Namgung ( 2025), A CDC–ANFIS-Based Model for Assessing Ship Collision Risk in Autonomous Navigation, Journal of Marine Science and Engineering, Vol. 13, No. 8, 1492.
Liang, Z., F. Li, and S. Zhou ( 2024), An Improved NSGA-II Algorithm for MASS Autonomous Collision Avoidance under COLREGs, Journal of Marine Science and Engineering, Vol. 12, No. 7, 1224.
Liu, D., X. Wang, Y. Cai, Z. Liu, and Z. J. Liu ( 2020a), A Novel Framework of Real-Time Regional Collision Risk Prediction Based on the RNN Approach, Journal of Marine Science and Engineering, Vol. 8, No. 3, 224.
Liu, J., G. Y. Shi, and K. G. Zhu ( 2022a), A Novel Ship Collision Risk Evaluation Algorithm Based on the Maximum Interval of Two Ship Domains and the Violation Degree of Two Ship Domains, Ocean Engineering, Vol. 255, 111431.
Liu, K., Z. Yuan, X. Xin, J. Zhang, and W. Wang ( 2021), Conflict Detection Method Based on Dynamic Ship Domain Model for Visualization of Collision Risk Hot-Spots, Ocean Engineering, Vol. 242, 110143.
Liu, Y., J. Zhang, and B. Tu ( 2022b), Algorithm of Ship– Bridge Collision Risk Considering Ship’s Dimension, Journal of Marine Science and Engineering, Vol. 10, No. 11, 1635.
Liu, Z. and P. Yu ( 2025), A Novel Time-Frame Regional Collision Risk Model Based on Dynamic Time Warping, Journal of Marine Science and Engineering, Vol. 13, No. 2.
Liu, Z., D. Zhou, Z. Zheng, Z. Wu, and C. G. Soares ( 2025a), A Multi-Dimensional Formulation for Assessing Regional Collision Risk Based on AIS Data, Applied Ocean Research, Vol. 161, 104612.
Liu, Z., P. Yu, Z. Wu, and Z. Zheng ( 2025b), Buffer Collision Risk Encounter Identification Based on Incremental HDBSCAN Clustering, Ocean Engineering, Vol. 342, 123051.
Liu, Z., Z. Wu, and Z. Zheng ( 2020b), An Improved Danger Sector Model for Identifying the Collision Risk of Encountering Ships, Journal of Marine Science and Engineering, Vol. 8, No. 8, 609.
Liu, Z., Z. Wu, Z. Zheng, X. Yu, and P. Yu ( 2025c), A Rasterized and Data-Driven Framework for the Regional Collision Risk Identification of Traffic Separation Scheme, Ocean Engineering, Vol. 318, 120170.
Liu, Z., Z. Wu, Z. Zheng, X. Yu, X. Bu, and W. Zhang ( 2023), A Domain-Based Model for Identifying Regional Collision Risk and Depicting Its Geographical Distribution, Journal of Marine Science and Engineering, Vol. 11, No. 11, 2092.
Lyu, H., W. Liu, S. Guo, G. Tan, C. Fu, X. Sun, and Y. Yin ( 2024), Autonomous Collision Avoidance Method for MASSs Based on Precise Potential Field Modelling and COLREGs Constraints in Complex Sailing Environments, Ocean Engineering, Vol. 292, 116530.
Lyu, H., Z. Hao, J. Li, G. Li, X. Sun, G. Zhang, Y. Yin, Y. Zhao, and L. Zhang ( 2023), Ship Autonomous Collision-Avoidance Strategies—A Comprehensive Review, Journal of Marine Science and Engineering, Vol. 11, No. 4, 830.
Ma, W., H. Wang, and S. Wang ( 2022), Critical Collision Risk Index Based on the Field Theory, Journal of Marine Science and Engineering, Vol. 10, No. 11, 1748.
Marino, M., L. Cavallaro, E. Castro, R. E. Musumeci, M. Martignoni, F. Roman, and E. Foti ( 2023), New Frontiers in the Risk Assessment of Ship Collision, Ocean Engineering, Vol. 274, 113999.
Namgung, H. and J. S. Kim ( 2021), Collision Risk Inference System for Maritime Autonomous Surface Ships Using COLREGs Rules Compliant Collision Avoidance, IEEE Access, Vol. 9, pp. 7823-7835.
Ni, S., N. Wang, W. Li, Z. Liu, S. Liu, S. Fang, and T. Zhang ( 2022), A Deterministic Collision Avoidance Decision-Making System for Multi-MASS Encounter Situation, Ocean Engineering, Vol. 266, 113087.
Ni, S., Z. Liu, Y. Cai, and S. Gao ( 2020), Coordinated Anti-Collision Path Planning Algorithm for Marine Surface Vessels, IEEE Access, Vol. 8, pp. 160825-160839.
OpenAI ( 2025), Introducing gpt-oss, OpenAI, available at: https://openai.com/index/introducing-gpt-oss (Accessed: 15 December 2025).
Öztürk, Ü. ( 2022), Data-Driven Ship Domain for Open Water Navigation, Journal of ETA Maritime Science, Vol. 10, No. 1.
Park, J. and J. S. Jeong ( 2021), An Estimation of Ship Collision Risk Based on Relevance Vector Machine, Journal of Marine Science and Engineering, Vol. 9, No. 5, 538.
Prastyasari, F. I., A. A. B. Dinariyana, and F. H. Javanica ( 2025), Collision Risk Assessment in a Narrow Channel with Gini Coefficient Approach, IOP Conference Series: Earth and Environmental Science, Vol. 1461, No. 1, 012053.
Purba, P. H., A. A. B. Dinariyana, D. W. Handani, and A. F. Rachman ( 2020), Application of Formal Safety Assessment for Ship Collision Risk Analysis in Surabaya West Access Channel, IOP Conference Series: Earth and Environmental Science, Vol. 557, No. 1, 012034.
Rawson, A. and M. Brito ( 2021), A Critique of the Use of Domain Analysis for Spatial Collision Risk Assessment, Ocean Engineering, Vol. 219, 108259.
Rong, W., J. Zheng, Y. Chen, Y. Liu, and Z. Zhang ( 2025), Autonomous Collision Avoidance Decision-Making Method with Human-Like Attention Distribution for MASSs Based on GMA-TD3 Algorithm, Ocean Engineering, Vol. 330, 121118.
Rutkowski, G. and M. Kubacka ( 2023), Analysis of Navigational Risk Indicators as a Function of the Ship's Domain Width for the Selected Offshore Wind Farm in the Baltic Sea, Scientific Reports, Vol. 13, No. 1, 9269.
Silveira, P., A. P. Teixeira, and C. G. Soares ( 2022), A Method to Extract the Quaternion Ship Domain Parameters from AIS Data, Ocean Engineering, Vol. 257, 111568.
Song, J. ( 2024), A Study of Modeling Ship’s Collision Avoidance Action Using Predictive Algorithms, Doctoral Dissertation, Tokyo University of Marine Science and Technology.
Sui, B., J. Zhang, and Z. Liu ( 2023), A Real-Time Ship Encounter Collision Risk Detection Approach in Close-Quarters Situation, Measurement and Control, Vol. 56, Nos. 9-10, pp. 1613-1625.
Szlapczynski, R. and J. Szlapczynska ( 2021), A Ship Domain-Based Model of Collision Risk for Near-Miss Detection and Collision Alert Systems, Reliability Engineering & System Safety, Vol. 214, 107766.
Tritsarolis, A., B. Murray, N. Pelekis, and Y. Theodoridis ( 2023), Collision Risk Assessment and Forecasting on Maritime Data, Proceedings of the 31st ACM International Conference on Advances in Geographic Information Systems, pp. 1-10.
Uğurlu, H., O. Djecevic, and I. Çiçek ( 2024), A Conceptual COLREGs-Based Obstacle Avoidance Algorithm Implementing Dynamic Path Planning and Collision Risk Assessment, Journal of ETA Maritime Science, Vol. 12, No. 4, pp. 377-394.
Vu, D. T. and J. Y. Jeong ( 2021), Collision Risk Assessment by Using Hierarchical Clustering Method and Real-Time Data, Journal of the Korean Society of Marine Environment & Safety, Vol. 27, No. 4, pp. 483-491.
Wang, C., X. Zhang, H. Gao, M. Bashir, H. Li, and Z. Yang ( 2024), COLREGs-Constrained Safe Reinforcement Learning for Realising MASS’s Risk-Informed Collision Avoidance Decision Making, Knowledge-Based Systems, Vol. 300, 112205.
Wang, W., L. Huang, K. Liu, X. Wu, and J. Wang ( 2022a), A COLREGs-Compliant Collision Avoidance Decision Approach Based on Deep Reinforcement Learning, Journal of Marine Science and Engineering, Vol. 10, No. 7, 944.
Wang, Y., Y. Zhang, H. Zhao, and H. Wang ( 2022b), Assessment Method Based on AIS Data Combining the Velocity Obstacle Method and Pareto Selection for the Collision Risk of Inland Ships, Journal of Marine Science and Engineering, Vol. 10, No. 11, 1723.
Wu, X., K. Liu, J. Zhang, Z. Yuan, J. Liu, and Q. Yu ( 2021), An Optimized Collision Avoidance Decision-Making System for Autonomous Ships under Human–Machine Cooperation Situations, Journal of Advanced Transportation, Vol. 2021, 7537825.
Yoo, Y. and J. S. Lee ( 2021), Collision Risk Assessment Support System for MASS RO and VTSO Support in Multi-Ship Environment of Vessel Traffic Service Area, Journal of Marine Science and Engineering, Vol. 9, No. 10, 1143.
Yoshioka, H., H. Hashimoto, and H. Makino ( 2023), Decision-Making Algorithm for Ship Collision Avoidance with Collision Risk Map, Ocean Engineering, Vol. 286, 115705.
Yu, H., Q. Meng, Z. Fang, J. Liu, and L. Xu ( 2022), A Review of Ship Collision Risk Assessment, Hotspot Detection and Path Planning for Maritime Traffic Control in Restricted Waters, Journal of Navigation, Vol. 75, No. 6, pp. 1337-1363.
Zarzyckia, F., M. Gilb, D. Owenc, and J. Montewkaa ( 2024), A Framework for Ship–Ship Collision Risk Assessment Based on ALARP Principle.
Zhang, B., J. Koue, T. Okimoto, and K. Hirayama ( 2025a), COLREGs-Compliant Distributed Stochastic Search Algorithm for Multi-Ship Collision Avoidance, Journal of Marine Science and Engineering, Vol. 13, No. 8, 1402.
Zhang, H., Y. Cao, Q. Shan, and Y. Sun ( 2025b), Collision Avoidance for Maritime Autonomous Surface Ships Based on Model Predictive Control Using Intention Data and Quaternion Ship Domain, Journal of Marine Science and Engineering, Vol. 13, No. 1, 124.
Zhang, K., L. Huang, Y. He, L. Zhang, W. Huang, C. Xie, and G. Hao ( 2022), Collision Avoidance Method for Autonomous Ships Based on Modified Velocity Obstacle and Collision Risk Index, Journal of Advanced Transportation, Vol. 2022, 1534815.
Zhang, L., P. Chen, H. Rong, J. Mou, and C. G. Soares ( 2024), A Novel Method for Extracting Near-Misses from AIS Data Involving Collision Avoidance Behaviour, Ocean Engineering, Vol. 301, 117466.
Zhang, X., C. Wang, K. T. Chui, and R. W. Liu ( 2021), A Real-Time Collision Avoidance Framework of MASS Based on B-Spline and Optimal Decoupling Control, Sensors, Vol. 21, No. 14, 4911.
Zhao, J., Z. Zhang, T. Wang, M. Zhang, and H. Wang ( 2023), A Big Data Method for the Evaluation of Ship Domain in Regional Historical Data, Proceedings of the 2023 7th International Conference on Transportation Information and Safety (ICTIS), IEEE, pp. 590-595.
Zhao, L. and X. Fu ( 2021), A Novel Index for Real-Time Ship Collision Risk Assessment Based on Velocity Obstacle Considering Dimension Data from AIS, Ocean Engineering, Vol. 240, 109913.
Zhen, R., Z. Shi, J. Liu, and Z. Shao ( 2022), A Novel Arena-Based Regional Collision Risk Assessment Method of Multi-Ship Encounter Situation in Complex Waters, Ocean Engineering, Vol. 246, 110531.
Zheng, K., Y. Chen, Y. Jiang, and S. Qiao ( 2020), A SVM-Based Ship Collision Risk Assessment Algorithm, Ocean Engineering, Vol. 202, 107062.
Zheng, K., Y. Jiang, S. Zhou, and Y. Xue ( 2022), A Comprehensive Spatiotemporal Metric for Ship Collision Risk Assessment, Ocean Engineering, Vol. 265, 112446.
Zheng, M., K. Zhang, B. Han, B. Lin, H. Zhou, S. Ding, and Y. Yang ( 2024), An Improved VO Method for Collision Avoidance of Ships in Open Sea, Journal of Marine Science and Engineering, Vol. 12, No. 3, 402.
Zhong, Y., H. Zhou, M. Grifoll, A. Martín, Y. Zhou, J. Liu, and P. Zheng ( 2025), A Novel Method for Holistic Collision Risk Assessment in the Precautionary Area Using AIS Data, Systems, Vol. 13, No. 5, 338.
Zhou, W., J. Zheng, and Y. Xiao ( 2022), An Online Identification Approach for Ship Domain Model Based on AIS Data, PLoS One, Vol. 17, No. 3, e0265266.
Zhou, Z., Y. Zhang, and S. Wang ( 2021), A Coordination System between Decision Making and Controlling for Autonomous Collision Avoidance of Large Intelligent Ships, Journal of Marine Science and Engineering, Vol. 9, No. 11, 1202.
Zhu, Z., H. Lyu, J. Zhang, and Y. Yin ( 2022), An Efficient Ship Automatic Collision Avoidance Method Based on Modified Artificial Potential Field, Journal of Marine Science and Engineering, Vol. 10, No. 1, 3.