Richtungsbestimmung akustischer Vektoren unter Wasser in hybriden Rauschumgebungen basierend auf einem sparsely-gated Mixture-of-Experts-Mechanismus

Auf der Suche nach verborgenen Signalen unter Wasser

Schiffe, U-Boote, Unterwasserroboter und sogar Meeresbiologen verlassen sich darauf, leise Geräusche im Ozean zu hören, um ihre Herkunft zu bestimmen. Doch das Meer ist laut: Motoren, Wellen, Tiere und Messinstrumente selbst erzeugen Störgeräusche. Diese Studie stellt eine neue Methode vor, um die Richtung unter Wasser eintreffender Schallquellen zu bestimmen, selbst wenn das Rauschen unübersichtlich und unvorhersehbar ist. Sie nutzt eine moderne Form künstlicher Intelligenz, die lernt, mit unterschiedlichen Rauscharten umzugehen, anstatt anzunehmen, dass alles einfach und gleichförmig ist.

Warum die Richtungsbestimmung im Ozean so schwierig ist

Um eine Schallquelle zu orten, verwenden Ingenieure ein Array von Unterwassermikrofonen, sogenannte Hydrophone, die in einer Reihe angeordnet sind. Durch den Vergleich der winzigen Zeitunterschiede, mit denen ein Schall jeden Sensor erreicht, lässt sich die Ankunftsrichtung schätzen — eine Aufgabe, die als Direction-of-Arrival-(DOA-)Schätzung bekannt ist. Klassische Verfahren gehen davon aus, dass das Hintergrundrauschen einem gleichmäßigen, sanften Zischen entspricht — mathematisch gesprochen ‚weißes Gaußsches Rauschen‘. In der Realität verhalten sich Ozeane selten so brav. Rauschen kann impulsiv sein, wie plötzliche Knackgeräusche; gefärbt, mit mehr Energie in manchen Frequenzen; oder ungleichmäßig über die Sensoren verteilt. Diese Mischung von Verhaltensweisen, genannt hybrides Rauschen, zerstört die Annahmen, auf denen ältere Algorithmen beruhen, und lässt ihre Genauigkeit gerade dann zusammenbrechen, wenn die Bedingungen am schwierigsten sind.

Eine intelligentere Reihe von Sensoren

Die Forscher stützen sich auf ein einfaches, aber leistungsfähiges Sensorlayout: eine gerade Linie sogenannter Vektorhydrophone, die sowohl Druck als auch Partikelbewegung im Wasser messen. Treffen Schallwellen aus der Ferne ein, erreichen sie die einzelnen Sensoren zu leicht unterschiedlichen Zeiten und Phasen, abhängig vom Winkel der Ankunft. Aus diesen Messungen bildet das System eine Kovarianzmatrix — eine kompakte Zusammenfassung, wie die Signale an den verschiedenen Sensoren zeitlich zueinander in Beziehung stehen. Diese Matrix enthält die geometrischen Hinweise, die zur Richtungsbestimmung nötig sind, ist jedoch mit dem gesamten komplexen Umgebungsrauschen verknäuelt.

Rauschbehaftete Daten in lernbare Muster verwandeln

Neuronale Netze arbeiten typischerweise mit reellen Zahlen, die Kovarianzmatrix ist jedoch komplexwertig. Das Team teilt sie daher in zwei reelle Matrizen auf, die Real- und Imaginärteil darstellen, und füttert sie als zweikanaliges „Bild“ in ein Convolutional Neural Network (CNN). Dieses CNN durchsucht die Matrix, um räumliche Muster zu entdecken, die echte Signalstruktur vom Rauschen unterscheiden. Anstatt sich auf handgefertigte Formeln zu stützen, lernt das CNN diese Merkmale direkt aus Daten und baut schrittweise von einfachen lokalen Beziehungen zu höherstufigen Mustern auf, die für die Ortung von Schallquellen informativ sind.

Viele Spezialisten und ein intelligenter Koordinator

Die Schlüsselinnovation liegt in dem, was nach dem CNN geschieht: ein sparsely-gated Mixture-of-Experts-(SMoE-)Netzwerk. Statt eines großen, monolithischen Modells, das versucht, jede Situation zu bewältigen, umfasst das System mehrere kleinere Expertennetzwerke, von denen jedes für einen bestimmten Rauschart spezialisiert ist, etwa weißes, pinkes, rotes, blaues, violettes oder impulsives Rauschen. Ein separates Gating-Netzwerk betrachtet die vom CNN extrahierten Merkmale und entscheidet für jedes eingehende Beispiel, welche wenigen Experten am relevantesten sind. Nur diese Top-Experten werden aktiviert, und ihre Ausgaben werden kombiniert, um eine abschließende Schätzung der Wahrscheinlichkeit zu liefern, dass sich eine Schallquelle in jedem Winkel zwischen 0° und 180° befindet. Dieses Design macht das Modell sowohl adaptiv — weil es je nach Rauschbedingungen ändert, welchen Experten es zuhört — als auch effizient, weil es vermeidet, alle Experten ständig auszuführen.

Testen unter harten, realistischen Bedingungen

Zum Training dieses Systems erzeugten die Autoren zunächst Daten, bei denen jeder Experte nur eine Rauschart zu sehen bekam, sodass er sich spezialisieren konnte. Anschließend trainierten sie das Gating-Netzwerk an Mischungen aller sechs Rauscharten, um reale hybride Umgebungen zu imitieren. Sie evaluierten das Modell außerdem an einem großen, realistischen Testset, das sowohl simuliertes Rauschen als auch tatsächlich aufgezeichnetes Unterwasserrauschen über ein breites Spektrum von Signalstärken und Datenlängen enthält. Im Vergleich zu bekannten klassischen Techniken und anderen Deep-Learning-Ansätzen lieferte das SMoE-Modell durchgängig kleinere Fehler und höhere Erfolgsraten, insbesondere wenn das Rauschen stark war oder nur begrenzt Daten zur Verfügung standen. Bei einem Signal-Rausch-Verhältnis von 0 dB — also wenn Signal- und Rauschleistung gleich sind — erreichte das Modell einen mittleren Winkel-Fehler von unter einem Grad, während konkurrierende Methoden um mehrere Grad danebenliegen konnten.

Was das für die zukünftige Unterwassersensorik bedeutet

Vereinfacht gesagt zeigt diese Arbeit, dass das Verteilen der Aufgabe auf mehrere spezialisierte KI‑„Zuhörer“ und die dynamische Auswahl unter ihnen unsere Fähigkeit erheblich verbessern kann, die Herkunft von Unterwasserschall in chaotischen, lauten Bedingungen zu bestimmen. Der Ansatz lässt sich auf andere Sensoranordnungen als einfache lineare Arrays anpassen, und dieselbe Idee — Mixture-of-Experts mit einem intelligenten Gate — könnte in Radar, Robotik und anderen Bereichen helfen, in denen Signale in Gegenwart komplexer Störungen lokalisiert werden müssen. Für Anwendungen, die auf verlässliches Unterwasserhören angewiesen sind, von Navigation bis Umweltüberwachung, bietet diese Methode einen flexibleren und robusteren Weg, um sich durch das Rauschen hindurch Gehör zu verschaffen.

Zitation: Xu, W., Yi, S., Gu, H. et al. Underwater acoustic vector DOA estimation in hybrid noise environments based on sparsely-gated mixture-of-experts mechanism. Sci Rep 16, 6192 (2026). https://doi.org/10.1038/s41598-026-37217-3

Schlüsselwörter: Unterwasserakustik, Ankunftsrichtung, hybrides Rauschen, Tiefes Lernen, Mixture of Experts