Domänenwissen eingebettete störungsresistente autonome Navigation für Marinefahrzeuge

Warum die Steuerung von Schiffen bei rauer See wichtig ist

Moderne Wissenschaft und Industrie sind zunehmend auf Roboterboote und Unterwasserdrohnen angewiesen, um Kabel zu inspizieren, Offshore-Windparks zu warten und die Tiefsee zu erforschen. Diese Fahrzeuge müssen jedoch in einem unruhigen Meer arbeiten, in dem Wind, Wellen und Strömungen sie ständig aus der Spur drücken. Dieser Artikel stellt einen neuen Ansatz vor, der marinen Robotern hilft, auch bei heftigem Seegang auf Kurs zu bleiben – mit Aussicht auf sicherere Einsätze, geringere Wartungskosten und zuverlässigere Daten aus den Weltmeeren.

Der Ozean als beweglicher Hindernisparcours

Heutige maritime Einsätze reichen vom Vermessen antarktischer Eisschelfe bis zur Kontrolle der Gesundheit von Seekabeln, die den weltweiten Internetverkehr tragen. Bei all diesen Aufgaben muss ein Schiff oder Unterwasserfahrzeug einem vorgegebenen Weg mit Meterpräzision folgen, manchmal zwischen dichten Strukturen wie Fundamenten von Windturbinen hindurch. Das Problem ist, dass der Ozean kein ruhiger Versuchstank ist. Böiger Wind, steile Wellen und wechselnde Strömungen drücken Fahrzeuge seitlich, drehen sie und verlangsamen sie. Traditionelle Regelungsverfahren gehen davon aus, dass Ingenieure präzise Gleichungen zur Bewegung eines Fahrzeugs aufschreiben können, doch auf See sind diese Gleichungen unvollständig und werden rasch veraltet. Das kann zu großen Navigationsfehlern und im Extremfall zu Unfällen führen.

Maschinen die Sprache der Wellen beibringen

Die Forscher hinter dieser Studie verfolgen einen anderen Ansatz: Statt sich auf ein perfektes mathematisches Modell zu verlassen, lassen sie ein lernendes System beobachten, was das Meer tut, und in Echtzeit reagieren. Im Zentrum ihres Verfahrens steht eine spezielle Form eines neuronalen Netzes, das als Specialized Kolmogorov–Arnold Network oder SKAN bezeichnet wird. Anders als ein typisches Black‑Box‑KI ist SKAN mit Blick auf die Rhythmen des Meeres aufgebaut. Die Entwickler füttern es mit einfachen, wellenähnlichen Funktionen, die erfassen, wie Wind, Wellen und Strömungen typischerweise über die Zeit an- und abnehmen. Diese Bausteine wirken wie eine Reihe musikalischer Noten, aus denen das Netzwerk die komplexe „Melodie“ realer Störungen komponieren kann, was das Lernen beschleunigt und den benötigten Datenumfang reduziert.

Ein Steuerungspartner, der aus Erfahrung denkt

Das Rahmenkonzept kombiniert zwei Hauptkomponenten: einen Störungsbeobachter und einen modellfreien Regler. Der Beobachter nutzt das SKAN‑Netz, um die unsichtbaren Schub‑ und Drehkräfte zu schätzen, die gleichzeitig in mehreren Richtungen auf das Fahrzeug wirken. In jedem Moment verarbeitet er kürzlich beobachtete Bewegungs‑ und Seezustandsdaten und liefert eine beste Schätzung der aktuellen Kräfte und Momente. Der Regler, aus Daten und nicht aus einem handgefertigten Modell trainiert, entscheidet, wie Schub und Steuerung anzupassen sind. Entscheidend ist, dass er sowohl den Zustand des Fahrzeugs als auch die Schätzungen des Beobachters über die Störungen erhält, sodass er viele der Meereseinflüsse ausgleichen kann, bevor sie zu großen Fehlern anwachsen. Um das Training effizient zu gestalten, schneiden die Autoren aufgezeichnete Bewegungsdaten in viele überlappende Ausschnitte, wodurch sich die nutzbaren Trainingsbeispiele vervielfachen, ohne lange und riskante Seetests zu benötigen.

Virtuelle Schiffe und U-Boote auf dem Prüfstand

Um zu prüfen, ob die Idee funktioniert, erstellte das Team detaillierte Simulationen eines Offshore‑Windparks — ein besonders anspruchsvolles Prüfgelände, in dem Strömungen um Türme herumlenken, die Wellen unruhig sind und sichere Abstände klein sein müssen. Sie schickten ein virtuelles Oberflächenfahrzeug auf sechs Kabelinspektionsrouten und setzten es realistischen Windgeschwindigkeiten, Wellenhöhen und Strömungsmustern aus. Im Vergleich zu einem verbreiteten Deep‑Reinforcement‑Learning‑Regler verringerte ihr SKAN‑basiertes System die mittleren Pfadfolgefehler um etwa ein Fünftel und hielt das Fahrzeug auch bei starken Böen und Quersee stabil. Anschließend testeten sie ein autonomes Unterwasserfahrzeug, das darum herumführende Bahnen um Windturmfundamente in Spiralen und Hantel‑Formen absolvieren sollte. Auch hier hielt die Methode Abweichungen gering und Bewegungen glatt, obwohl Unterwasserströmungen und Tiefenänderungen versuchten, das Fahrzeug wegzudrängen.

Mehr lernen mit weniger Daten

Die Studie untersuchte außerdem, wie gut der Störungsbeobachter selbst abschneidet. Durch das Training mit den erweiterten Datenausschnitten konnte der SKAN‑basierte Beobachter etwa 90 % der Genauigkeit erreichen, die mit dem vollständigen Originaldatensatz erzielt wurde, obwohl nur ein Zehntel dieser Rohdaten erweitert worden war. Das bedeutet, dass das System mit deutlich weniger Beispielen einsatzbereit gemacht werden kann — ein wichtiger Vorteil, wenn das Sammeln realer Daten von Schiffen und Tauchfahrzeugen teuer und zeitaufwendig ist. Bei starken Wellen, Wind und Strömungen hielt der mit diesem Beobachter ausgestattete Regler die Pfadfehler eng beieinander, während ein System ohne Kompensation deutlich größere und stärker streuende Abweichungen zeigte.

Sicherere, klügere Fahrten in Aussicht

Einfach gesagt zeigen die Autoren, dass sich durch die Kombination von menschlichem Wissen über das Meeresverhalten mit datenintensivem maschinellem Lernen marine Roboter auch bei rauen Bedingungen genauer steuern lassen, ohne jedes physikalische Detail akribisch zu modellieren. Ihr Rahmenwerk verwandelt unruhige Meeresbewegungen in verwertbare Informationen, auf die ein Regler schnell reagieren kann, was zu sanfteren und sichereren Fahrten für Wasserfahrzeuge und Unterwasserfahrzeuge führt. Zwar stammen die bisherigen Ergebnisse aus Simulationen, doch dieselben Ideen könnten künftigen Flotten von Meeresrobotern — und sogar Flugdrohnen oder selbstfahrenden Autos — helfen, mit unvorhersehbaren Umgebungen besser zurechtzukommen und dabei weniger Daten und einfachere Modelle zu benötigen.

Zitation: Zhao, Y., Ma, Y., Zhu, G. et al. Domain knowledge embedded anti-disturbance autonomous navigation for marine vehicles. Commun Eng 5, 82 (2026). https://doi.org/10.1038/s44172-026-00666-9

Schlüsselwörter: autonome Marinefahrzeuge, ozeanische Störungen, maschinelles Lernen Steuerung, Offshore-Windparks, Pfadfolge