海洋車両の擾乱耐性自律航行に埋め込まれた領域知識

荒海で船を操る重要性

現代の科学や産業は、ケーブルの点検、洋上風力発電所の保守、深海の探査などにロボット船や水中ドローンをますます利用しています。しかし、これらの車両は常に風や波、潮流に押し流される落ち着かない海で動かなければなりません。本稿は、海が最も荒れたときでも海洋ロボットが進路を維持できるようにする新たな手法を紹介します。これにより運航の安全性向上、保守コストの低減、そして世界の海から得られるデータの信頼性向上が期待されます。

動き回る障害物コースとしての海

今日の海洋ミッションは、南極の氷棚の調査から世界のインターネットを支える海底ケーブルの健全性確認まで多岐にわたります。これらの作業では、船舶や水中機はメートル単位の精度で所定の経路をたどる必要があり、時には風車基礎などの密集した構造物の間を通り抜けることもあります。問題は、海が静かな試験槽ではないことです。突風や高い波、変動する潮流が車両を横方向に押し、回転させ、速度を低下させます。従来の制御手法は船の動きを正確に記述する方程式を前提としますが、実際の海ではその方程式は不完全で、すぐに古くなります。その結果、大きな航法誤差や最悪の場合は事故につながることがあります。

波の言葉を機械に教える

本研究の研究者たちは異なるアプローチを取ります。完全な数学モデルに頼るのではなく、学習システムに海の挙動を観察させ、リアルタイムで応答させるのです。彼らの手法の中心には、Specialized Kolmogorov–Arnold Network（SKAN）と呼ばれる特殊な形式のニューラルネットワークがあります。典型的なブラックボックス型のAIとは異なり、SKANは海のリズムを念頭に設計されています。設計者は、風・波・潮流が時間とともにどう変動するかを捉える単純な波形関数を入力します。これらの構成要素は、ネットワークが実際の擾乱の複雑な“メロディ”を作り上げるための音符のように働き、学習を加速し必要なデータ量を削減します。

経験で考える制御のパートナー

フレームワークは大きく二つの要素を組み合わせています：擾乱オブザーバとモデルフリーのコントローラです。オブザーバはSKANネットワークを使って、船体に作用する見えない押し引き（複数方向の力や回転モーメント）を推定します。各瞬間に最近の運動と海況情報を取り込み、現在の力の最良推定を出力します。コントローラは手作りのモデルではなくデータから訓練され、推進力や舵の調整を決定します。重要なのは、コントローラが船の状態とオブザーバによる擾乱推定の両方を受け取ることで、海の乱れが大きな誤差に発展する前にそれを打ち消すことができる点です。訓練を効率化するため、著者らは記録された運動データを多くの重複する断片に切り分け、長期で危険な海上試験を行わずに有用な訓練例を実質的に増やしています。

仮想の船と潜水艦での試験

このアイデアの有効性を確かめるため、チームは洋上風力発電所の詳細なシミュレーションを構築しました。ここは流れが塔を回り込んだり、波が荒かったり、安全間隔が厳しいなど特に過酷な試験場です。彼らは仮想の水面艦を6本のケーブル点検ルートに沿って走らせ、実際的な風速、波高、潮流パターンを与えました。一般的な深層強化学習コントローラと比較して、SKANベースのシステムは平均の経路追従誤差を約5分の1削減し、強い突風や横波下でも船体の安定を保ちました。次に、風車基礎の周りを螺旋やダンベル形軌道で巡回する任務を持つ自律式水中車両でも検証しました。ここでも、海中の潮流や深度変化が車両を押し離そうとする中で、偏差を小さく保ち滑らかな動きを維持しました。

少ないデータでより多くを学ぶ

研究はまた、擾乱オブザーバ自体の性能も評価しました。運動データを拡張断片として訓練に用いることで、SKANベースのオブザーバは元の完全なデータセットを使った場合の精度のおよそ90%に匹敵する性能を示しました。これは、元の生データのわずか十分の一を拡張して用いたにもかかわらず得られた結果です。つまり、実船や潜水艇から現場データを集めるのが高コストかつ時間のかかる状況において、はるかに少ない例でシステムを稼働準備できるという重要な利点があります。風や波、潮流が強い場合でも、このオブザーバを備えたコントローラは経路誤差を狭く集中させる一方で、補償のないシステムははるかに大きく散在した偏差を示しました。

より安全で賢い航海へ

平易に言えば、著者らは海の挙動に関する人間の知見とデータを多く必要とする機械学習を融合することで、すべての物理的詳細を精密にモデル化することなく、荒天時でも海洋ロボットをより正確に操縦できることを示しています。彼らのフレームワークは乱れた海の動きをコントローラが迅速に利用できる情報へと変換し、水面船と水中車両の両方にとってより滑らかで安全な航路を実現します。現時点での結果はシミュレーションによるものですが、同じ考え方は将来の海洋ロボット艦隊、さらには飛行ドローンや自動運転車が予測不能な環境に対処するときにも、より少ないデータとより単純なモデルで役立つ可能性があります。

引用: 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

キーワード: 自律海洋車両, 海洋擾乱, 機械学習制御, 洋上風力発電所, 経路追従