ניווט עצמאי חסין-הפרעות המשובץ בידע תחום לכלי ים

מדוע חשוב לנווט כלי שיט בים סוער

המדע והתעשייה המודרניים תלוים יותר ויותר בכלי שיט רובוטיים וכמיות תת-מיימיות לבדיקת כבלים, לתחזוקה של פארקי רוח ימיים ולחקר הים העמוק. עם זאת, כלי אלה חייבים לפעול בים חסר מנוחה שבו רוח, גלים וזרמים דוחפים אותם כל הזמן מהקורס. מאמר זה מציג גישה חדשה שמסייעת לרובוטים ימיים להישאר על המסלול גם כשהים סוער במיוחד, ומבטיחה תפעול בטוח יותר, עלויות תחזוקה נמוכות יותר ונתונים אמינים יותר מהמים העולמיים.

הים כמסלול מכשולים בתנועה

משימות ימיות עכשוויות נעות מסקר מדפי קרח אנטארקטיים ועד בדיקת בריאות כבלים תת-מימיים שנושאים תנועה גלובלית באינטרנט. בכל המשימות האלה, כלי שיט או כלי תת-מימי חייב לעקוב אחרי מסלול נתון בדיוק ברמת מטרים, לפעמים לעבור בין מבנים צפופים כמו יסודות טורבינות רוח. הבעיה היא שהים אינו מיכל בדיקה רגוע. רוחות פרצי, גלים חדים וזרמים משנים דוחפים את הכלים הצידה, מסובבים אותם ומאטות אותם. שיטות בקרה מסורתיות מניחות שניתן לנסח משוואות מדויקות לתנועת הכלי, אבל בימים אמיתיים המשוואות הללו חלקיות ומהירות להתיישן. התוצאה יכולה להיות שגיאות ניווט גדולות ובמקרים קיצוניים — תאונות.

ללמד מכונות את שפת הגלים

חוקרי המאמר נוקטים בגישה שונה: במקום להסתמך על מודל מתמטי מושלם, הם מאפשרים למערכת לומדת לצפות במה שהים עושה ולהגיב בזמן אמת. בלב הגישה עומדת רשת עצבית מיוחדת הנקראת רשת קולמוגורוב–ארנולד ממוחשת, או SKAN. בניגוד ל-AI קופסה-שחורה טיפוסי, SKAN נבנתה תוך התחשבות בקצבים של הים. המעצבים מזינים אליה פונקציות פשוטות בדמות גלים שמלכדות כיצד רוח, גלים וזרמים נוטים לעלות ולרדת לאורך זמן. אבני הבניין האלה פועלות כמו אוסף צלילים ממנו הרשת יכולה להרכיב את ה"מלודיה" המורכבת של ההפרעות האמיתיות, מזרזות את הלמידה ומפחיתות את הכמות הנדרשת של נתונים.

שותף בקרה שחושב מתוך ניסיון

המסגרת משלבת שני מרכיבים עיקריים: צופה הפרעות ובקר חסר-מודל. הצופה משתמש ברשת SKAN כדי לאמוד את הדחיפות ומשך הכוחות הבלתי נראים הפועלים על הכלי בכמה כיוונים בו זמנית. בכל רגע הוא מעבד תנועה אחרונה ומידע על מצב הים ומייצא ניחוש מיטבי של הכוחות ורגעי הסיבוב הנוכחיים. הבקר, שאומן מתוך נתונים ולא מתוך מודל מעוצב ביד, מחליט כיצד לכוונן את דחף וההיגוי. עיקרי הדברים: הוא מקבל גם את מצב הכלי וגם את הערכות הצופה לגבי ההפרעות, מה שמאפשר לו לנטרל חלק ניכר מהשיבושים הימיים לפני שהם מתפתחים לשגיאות גדולות. כדי לייעל את האימון, המחברים חותכים את נתוני התנועה שהוקלטו לקטעים חופפים רבים, ובעצם מכפילים את דוגמיות האימון השימושיות ללא צורך בניסויי ים ארוכים ומסוכנים.

מבחנים לכלים וירטואליים על פני הים

כדי לבדוק האם הרעיון עובד, הצוות בנה סימולציות מפורטות של פארק רוח ימי — מגרש מבחן קשה במיוחד שבו זרמים מתעקלים סביב העמודים, גלים חדים ומרווחי בטחון צרים. הם שלחו כלי שטח וירטואלי לאורך שישה מסלולי בדיקת כבלים ותחתו אותו למהירויות רוח, גובהי גלים ותבניות זרם ריאליסטיות. בהשוואה לבקר למידה חיזוק עמוקה פופולרי, המערכת מבוססת-SKAN קיצצה את שגיאות עקיבת המסלול הממוצעות בכ־20% ולשמרה את יציבות הכלי גם בזמני פרץ רוח חזקים וים צידי. לאחר מכן הם בחנו כלי תת-מימי אוטונומי שתפקידו לסובב יסודות טורבינות רוח במסלולים ספירליים ובצורת דמבל. שוב, השיטה שמרה על סטיות קטנות ותנועות חלקות, גם כאשר זרמי תחתית ושינויים בעומק ניסו לסטות את הכלי מהמסלול.

ללמוד יותר מתוך פחות נתונים

המחקר בדק גם עד כמה הצופה להפרעות עצמו היה מדויק. באמצעות אימון עם קטעי התנועה המוגדלים, הצופה מבוסס-SKAN הצליח להתקרב לכ־90% מהדיוק שהושג בשימוש במאגר הנתונים המקורי המלא, אף על פי שרק עשירית מהנתונים הגולמיים הורחבה. משמעות הדבר היא שהמערכת ניתנת להכנה עם הרבה פחות דוגמאות — יתרון חשוב כשהשגת נתונים מהשטח של ספינות ותת-מימיים יקרה וגוזלת זמן. כאשר הרוחות, הגלים והזרמים היו חזקים, הבקר המצויד בצופה זה שמר על שגיאות מסלול מקובצות בצפיפות, בעוד שמערכת ללא פיצוי הראתה סטיות גדולות ומפוזרות בהרבה.

מסעות בטוחים וחכמים יותר בעתיד

פשוטו כמשמעו, המחברים מראים שבלבד שילוב של ידע אנושי על אופן התנהגות הים עם למידת מכונה התייבשנת בנתונים, ניתן לנווט רובוטים ימיים בדיוק רב יותר בתנאים סוערים בלי למוד דקדקנות לכל פרט פיזי. מסגרת העבודה שלהם ממירה תנועת ים בלגנית למידע שימושי שעליו הבקר יכול לפעול במהירות, מה שמוביל למסלולים חלקים ובטוחים יותר גם לכלי שטח וגם לכלי תת-מימי. אף על פי שהתוצאות עד כה מבוססות סימולציות, אותן רעיונות יכולות לסייע בעתיד לציי רובוטים ימיים — ואפילו לכלי טיס ורכבים אוטונומיים — להתמודד עם סביבות בלתי צפויות תוך הסתמכות על פחות נתונים ומודלים פשוטים יותר.

ציטוט: 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

מילות מפתח: כלי שיט אוטונומיים, הפרעות באוקיינוס, בקרת למידה חישובית, פארקי רוח ימיים, עקיבת מסלול