Conocimiento del dominio integrado para navegación autónoma anti-perturbaciones en vehículos marinos

Por qué importa gobernar barcos en mar picado

La ciencia y la industria modernas dependen cada vez más de barcos robóticos y drones submarinos para inspeccionar cables, dar servicio a parques eólicos marinos y explorar el océano profundo. Sin embargo, estos vehículos deben operar en un mar inquieto donde el viento, las olas y las corrientes los desvían constantemente. Este artículo presenta una nueva forma de ayudar a los robots marinos a mantenerse en rumbo incluso cuando el océano está en su punto más turbulento, prometiendo operaciones más seguras, menores costes de mantenimiento y datos más fiables de las aguas del planeta.

El océano como un circuito de obstáculos en movimiento

Las misiones marinas actuales van desde cartografiar los hielos antárticos hasta comprobar la integridad de los cables submarinos que transportan el tráfico global de Internet. En todas estas tareas, un barco o vehículo submarino debe seguir una trayectoria prescrita con precisión de metros, a veces maniobrando entre estructuras densas como las cimentaciones de turbinas eólicas. El problema es que el océano no es una cuba de ensayo tranquila. Rachas de viento, olas empinadas y corrientes cambiantes empujan los vehículos lateralmente, los giran y los ralentizan. Los métodos de control tradicionales asumen que los ingenieros pueden escribir ecuaciones precisas sobre cómo se mueve una embarcación, pero en mares reales esas ecuaciones son incompletas y quedan obsoletas con rapidez. El resultado puede ser errores de navegación importantes y, en casos extremos, accidentes.

Enseñar a las máquinas el lenguaje de las olas

Los investigadores detrás de este estudio adoptan un enfoque distinto: en lugar de confiar en un modelo matemático perfecto, permiten que un sistema de aprendizaje observe lo que hace el mar y responda en tiempo real. En el núcleo de su propuesta hay una forma especial de red neuronal llamada Red Especializada de Kolmogorov–Arnold, o SKAN. A diferencia de una IA de caja negra típica, SKAN está diseñada teniendo en cuenta los ritmos del océano. Los diseñadores introducen funciones simples con forma de onda que capturan cómo tienden a subir y bajar el viento, las olas y las corrientes a lo largo del tiempo. Estos bloques fundamentales actúan como un conjunto de notas musicales a partir de las cuales la red puede componer la compleja “melodía” de las perturbaciones reales, acelerando el aprendizaje y reduciendo la cantidad de datos necesaria.

Un compañero de control que piensa con experiencia

El marco combina dos piezas principales: un observador de perturbaciones y un controlador sin modelo. El observador utiliza la red SKAN para estimar los empujes y tirones invisibles que actúan sobre la embarcación en varias direcciones a la vez. En cada instante procesa la información reciente sobre movimiento y estado del mar y produce una mejor estimación de las fuerzas y los momentos de giro actuales. El controlador, entrenado a partir de datos en lugar de un modelo elaborado a mano, decide cómo ajustar el empuje y la dirección. De manera crucial, recibe tanto el estado de la embarcación como las estimaciones de perturbaciones del observador, lo que le permite cancelar gran parte de las travesuras del océano antes de que se conviertan en errores significativos. Para hacer el entrenamiento eficiente, los autores dividen los datos de movimiento registrados en muchos fragmentos solapados, multiplicando eficazmente los ejemplos útiles de entrenamiento sin necesitar ensayos en mar largo y arriesgados.

Poner a prueba barcos y submarinos virtuales

Para comprobar si la idea funciona, el equipo construyó simulaciones detalladas de un parque eólico marino—un campo de pruebas especialmente duro donde las corrientes se curvan alrededor de las torres, las olas son picadas y las holguras de seguridad son reducidas. Enviaron un buque de superficie virtual a lo largo de seis rutas de inspección de cables mientras lo sometían a velocidades de viento, alturas de ola y patrones de corriente realistas. En comparación con un controlador popular de aprendizaje profundo por refuerzo, su sistema basado en SKAN redujo los errores promedio de seguimiento de trayectoria en aproximadamente una quinta parte y mantuvo la embarcación estable incluso con rachas fuertes y mar de través. Luego probaron un vehículo autónomo submarino encargado de rodear cimentaciones de turbinas mediante trayectorias en espiral y en forma de mancuerna. De nuevo, el método mantuvo las desviaciones pequeñas y los movimientos suaves, incluso cuando las corrientes submarinas y los cambios de profundidad intentaron empujar al vehículo fuera de su ruta.

Aprender más con menos datos

El estudio también examinó el rendimiento del propio observador de perturbaciones. Entrenando con los fragmentos aumentados de datos de movimiento, el observador basado en SKAN pudo igualar alrededor del 90% de la precisión alcanzada usando el conjunto de datos original completo, a pesar de que solo se había ampliado una décima parte de esos datos brutos. Esto significa que el sistema puede estar listo con muchos menos ejemplos—una ventaja importante cuando recopilar datos del mundo real desde barcos y sumergibles es caro y lleva tiempo. Cuando las olas, el viento y las corrientes eran fuertes, el controlador equipado con este observador mantuvo los errores de trayectoria agrupados de forma estrecha, mientras que un sistema sin compensación mostró desviaciones mucho mayores y más dispersas.

Viajes más seguros e inteligentes por delante

En términos sencillos, los autores demuestran que, al combinar el conocimiento humano sobre el comportamiento del mar con aprendizaje automático voraz en datos, es posible gobernar los robots marinos con mayor precisión en condiciones adversas sin modelar meticulosamente cada detalle físico. Su marco convierte el movimiento desordenado del océano en información utilizable sobre la que un controlador puede actuar con rapidez, conduciendo a rutas más suaves y seguras tanto para embarcaciones de superficie como para vehículos submarinos. Aunque los resultados hasta ahora provienen de simulaciones, las mismas ideas podrían ayudar a futuras flotas de robots oceánicos—e incluso a drones voladores y coches autónomos— a lidiar con entornos impredecibles confiando en menos datos y modelos más simples.

Cita: 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

Palabras clave: vehículos marinos autónomos, perturbaciones oceánicas, control por aprendizaje automático, parques eólicos marinos, seguimiento de trayectoria