Conoscenza del dominio incorporata per la navigazione autonoma anti-disturbo di veicoli marini

Perché comandare navi in mari agitati è importante

La scienza e l’industria moderne si affidano sempre di più a navi robot e droni sottomarini per ispezionare cavi, manutenere parchi eolici offshore ed esplorare gli oceani profondi. Tuttavia questi veicoli devono operare in un mare in continuo movimento, dove vento, onde e correnti li deviano costantemente dalla rotta. Questo articolo presenta un nuovo metodo per aiutare i robot marini a rimanere in traiettoria anche quando l’oceano è più turbolento, promettendo operazioni più sicure, costi di manutenzione inferiori e dati più affidabili dalle acque del pianeta.

L’oceano come percorso a ostacoli in movimento

Le missioni marine odierne spaziano dal monitoraggio delle piattaforme di ghiaccio antartiche al controllo dello stato dei cavi sottomarini che trasportano il traffico internet globale. In tutti questi compiti, una nave o un veicolo subacqueo deve seguire una traiettoria prescritta con precisione dell’ordine del metro, talvolta passando tra strutture dense come le fondazioni delle turbine eoliche. Il problema è che l’oceano non è una vasca di prova calma. Raffiche di vento, onde ripide e correnti variabili spingono i veicoli lateralmente, li fanno ruotare e ne rallentano la velocità. I metodi di controllo tradizionali presumono che gli ingegneri possano esprimere con equazioni precise il comportamento del mezzo, ma in mare quelle equazioni sono incomplete e rapidamente diventano non aggiornate. Il risultato può essere grandi errori di navigazione e, nei casi estremi, incidenti.

Insegnare alle macchine il linguaggio delle onde

I ricercatori di questo studio adottano un approccio diverso: invece di fare affidamento su un modello matematico perfetto, lasciano che un sistema di apprendimento osservi cosa fa il mare e risponda in tempo reale. Al centro del loro metodo c’è una forma speciale di rete neurale chiamata Specialized Kolmogorov–Arnold Network, o SKAN. Diversamente da una tipica IA scatola nera, SKAN è costruita pensando ai ritmi oceanici. I progettisti inseriscono funzioni semplici a forma d’onda che catturano come vento, onde e correnti tendono a salire e scendere nel tempo. Questi elementi di base agiscono come una serie di note musicali da cui la rete può comporre la complessa “melodia” delle perturbazioni reali, accelerando l’apprendimento e riducendo la quantità di dati necessaria.

Un partner di controllo che pensa per esperienza

Il framework combina due componenti principali: un osservatore di disturbi e un controllore senza modello. L’osservatore utilizza la rete SKAN per stimare le spinte e le trazioni invisibili che agiscono sul veicolo in diverse direzioni simultaneamente. A ogni istante elabora i movimenti recenti e le informazioni sullo stato del mare e produce la migliore stima possibile delle forze e dei momenti di virata correnti. Il controllore, addestrato dai dati piuttosto che da un modello costruito a mano, decide come regolare propulsione e sterzo. Crucialmente, riceve sia lo stato del veicolo sia le stime dei disturbi fornite dall’osservatore, permettendogli di annullare gran parte delle interferenze oceaniche prima che diventino grandi errori. Per rendere l’addestramento efficiente, gli autori suddividono i dati di movimento registrati in molti frammenti sovrapposti, moltiplicando di fatto gli esempi utili di training senza la necessità di prove in mare lunghe e rischiose.

Mettere alla prova navi e sottomarini virtuali

Per verificare l’efficacia dell’idea, il team ha costruito simulazioni dettagliate di un parco eolico offshore—un banco di prova particolarmente severo dove le correnti deviano attorno alle torri, le onde sono increspate e i margini di sicurezza sono ristretti. Hanno fatto percorrere a un veicolo di superficie virtuale sei rotte di ispezione cavi sottoponendolo a velocità di vento, altezze d’onda e schemi di corrente realistici. Rispetto a un noto controllore basato su deep reinforcement learning, il sistema basato su SKAN ha ridotto gli errori medi di seguimento traiettoria di circa un quinto, mantenendo il veicolo stabile anche in presenza di forti raffiche e mari incrociati. Successivamente si sono concentrati su un veicolo autonomo sottomarino incaricato di compiere anelli attorno alle fondazioni delle turbine seguendo tracciati a spirale e a forma di manubrio. Anche in questo caso, il metodo ha mantenuto le deviazioni contenute e i movimenti fluidi, nonostante correnti sottomarine e variazioni di profondità cercassero di spingere il veicolo fuori rotta.

Imparare di più con meno dati

Lo studio ha anche esaminato le prestazioni dell’osservatore di disturbi in sé. Addestrando con i frammenti di dati di movimento aumentati, l’osservatore basato su SKAN è riuscito a raggiungere circa il 90% dell’accuratezza ottenuta usando l’intero dataset originale, sebbene fosse stato espanso solo un decimo di quei dati grezzi. Ciò significa che il sistema può essere preparato con molti meno esempi—un vantaggio importante quando la raccolta di dati reali da navi e sommergibili è costosa e dispendiosa in termini di tempo. Quando onde, vento e correnti erano forti, il controllore dotato di questo osservatore ha mantenuto gli errori di traiettoria ben raggruppati, mentre un sistema senza compensazione mostrava deviazioni molto più ampie e disperse.

Rotte più sicure e intelligenti in arrivo

In termini semplici, gli autori dimostrano che combinando la conoscenza umana del comportamento del mare con l’apprendimento automatico, è possibile guidare i robot marini con maggiore precisione in condizioni dure senza modellare meticolosamente ogni dettaglio fisico. Il loro framework trasforma il movimento disordinato dell’oceano in informazioni utilizzabili su cui un controllore può agire rapidamente, portando a traiettorie più fluide e sicure sia per le navi di superficie che per i veicoli sottomarini. Pur essendo i risultati finora derivati da simulazioni, le stesse idee potrebbero aiutare le future flotte di robot oceanici—e persino droni volanti e auto a guida autonoma—a far fronte ad ambienti imprevedibili facendo affidamento su meno dati e modelli più semplici.

Citazione: 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

Parole chiave: veicoli marini autonomi, disturbi oceanici, controllo con apprendimento automatico, parchi eolici offshore, seguimento di traiettoria