Ingesloten domeinkennis voor antistoring-autonome navigatie van maritieme vaartuigen

Waarom sturen van schepen in ruwe zeeën ertoe doet

De moderne wetenschap en industrie vertrouwen steeds meer op robotische schepen en onderwaterdrones om kabels te inspecteren, offshore windparken te onderhouden en de diepe oceaan te verkennen. Deze vaartuigen moeten echter werken in een onrustige zee waar wind, golven en stromingen hen voortdurend van koers duwen. Dit artikel introduceert een nieuwe methode om mariene robots op koers te houden, zelfs wanneer de oceaan het meest onstuimig is, met uitzicht op veiligere operaties, lagere onderhoudskosten en betrouwbaardere data uit de wereldzeeën.

De oceaan als bewegend hindernisparcours

De maritieme taken van vandaag variëren van het onderzoeken van Antarctische ijsschotsen tot het controleren van onderzeese kabels die het wereldwijde internetverkeer dragen. Bij al deze opdrachten moet een schip of onderwatervoertuig een voorgeschreven route volgen met meter-nauwkeurigheid, soms tussen dichte structuren zoals funderingen van windturbines door. Het probleem is dat de oceaan geen kalme proefbak is. Vlagerige wind, steile golven en veranderlijke stromingen duwen voertuigen opzij, laten ze draaien en vertragen ze. Traditionele regelmethoden gaan ervan uit dat ingenieurs precieze vergelijkingen kunnen opstellen voor hoe een vaartuig beweegt, maar op zee zijn die vergelijkingen onvolledig en raken ze snel verouderd. Het resultaat kan grote navigatiefouten en in extreme gevallen ongevallen zijn.

Machines leren de taal van de golven

De onderzoekers achter deze studie kiezen een andere aanpak: in plaats van te vertrouwen op een perfect wiskundig model, laten zij een leersysteem observeren wat de zee doet en in real time reageren. Centraal staat een speciale vorm van een neuraal netwerk, een Specialized Kolmogorov–Arnold Network, of SKAN. Anders dan een typisch black-box-AI is SKAN gebouwd met de ritmes van de oceaan in gedachten. De ontwerpers voeren eenvoudige golfachtige functies in die vastleggen hoe wind, golven en stromingen doorgaans in de tijd op- en neergaan. Deze bouwstenen werken als een set muzikale tonen waaruit het netwerk de complexe “melodie” van echte storingen kan samenstellen, waardoor leren versnelt en de benodigde hoeveelheid data afneemt.

Een regelpartner die met ervaring denkt

Het kader combineert twee hoofdonderdelen: een storingswaarnemer en een modelvrije regelaar. De waarnemer gebruikt het SKAN-netwerk om de onzichtbare duw- en trekkrachten die gelijktijdig op het vaartuig werken in verschillende richtingen te schatten. Op elk moment verwerkt hij recente bewegings- en zeeconditie-informatie en geeft een beste schatting van de huidige krachten en stuurmomenten. De regelaar, getraind met data in plaats van een handgemaakt model, bepaalt hoe stuwkracht en besturing moeten worden aangepast. Cruciaal is dat hij zowel de toestand van het vaartuig als de waarnemingen van de storingen ontvangt, waardoor hij veel van de invloed van de oceaan kan tegenwerken voordat die uitgroeit tot grote fouten. Om het trainen efficiënt te maken, snijden de auteurs opgenomen bewegingsdata in vele overlappende fragmenten, waarmee ze het aantal bruikbare trainingsvoorbeelden effectief vermenigvuldigen zonder lange en risicovolle zeetests.

Virtuele schepen en onderzeeërs op de proef stellen

Om te onderzoeken of dit idee werkt, bouwde het team gedetailleerde simulaties van een offshore windpark—een bijzonder zware proeftuin waar stromingen om torens heen buigen, golven hobbelig zijn en veilige marges klein. Ze stuurden een virtueel oppervlakteschip langs zes kabelinspectieroutes terwijl het werd blootgesteld aan realistische windsnelheden, golfhoogtes en stromingspatronen. Vergeleken met een populaire deep reinforcement learning-regelaar verminderde hun SKAN-gebaseerde systeem de gemiddelde padvolgingsfouten met ongeveer een vijfde en hield het vaartuig stabiel, zelfs bij sterke windstoten en dwarszee. Daarna schakelden ze over naar een autonome onderwaterrobot die rond fundaties van windturbines moest draaien langs spiraal- en haltervormige trajecten. Ook hierbij hield de methode afwijkingen klein en bewegingen vloeiend, zelfs toen onderwaterstromingen en diepteveranderingen probeerden het voertuig uit koers te duwen.

Meer leren met minder data

De studie onderzocht ook hoe goed de storingswaarnemer zelf presteerde. Door te trainen met de aangevulde fragmenten van bewegingsdata kon de SKAN-gebaseerde waarnemer ongeveer 90% van de nauwkeurigheid bereiken die gehaald werd bij gebruik van de volledige originele dataset, terwijl slechts een tiende van die ruwe data was uitgebreid. Dit betekent dat het systeem met veel minder voorbeelden klaar kan worden gemaakt—een belangrijk voordeel wanneer het verzamelen van real-world data van schepen en duikvoertuigen duur en tijdrovend is. Wanneer golven, wind en stromingen sterk waren, hield de regelaar met deze waarnemer padfouten dicht bij elkaar, terwijl een systeem zonder compensatie veel grotere en meer verspreide afwijkingen vertoonde.

Veiliger, slimmer vaartoekomst

Kort gezegd tonen de auteurs aan dat door menselijke kennis over het gedrag van de zee te mengen met data-intensieve machine learning, het mogelijk is mariene robots nauwkeuriger door ruwe omstandigheden te sturen zonder elk fysisch detail minutieus te modelleren. Hun raamwerk zet rommelige oceaanbewegingen om in bruikbare informatie waarop een regelaar snel kan reageren, wat leidt tot vloeiendere en veiligere trajecten voor zowel oppervlakteschepen als onderwatervoertuigen. Hoewel de resultaten tot nu toe uit simulaties komen, kunnen dezelfde ideeën toekomstige vloten van ocean-robots—en zelfs vliegende drones en zelfrijdende auto’s—helpen omgaan met onvoorspelbare omgevingen terwijl ze op minder data en eenvoudigere modellen vertrouwen.

Bronvermelding: 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

Trefwoorden: autonome maritieme vaartuigen, oceaanstoringen, machine learning-regeling, offshore windparken, padnauwkeurigheid