Wbudowana wiedza dziedzinowa do autonomicznej nawigacji odpornej na zakłócenia dla pojazdów morskich

Dlaczego sterowanie statkami na wzburzonym morzu ma znaczenie

Współczesna nauka i przemysł coraz częściej polegają na robotycznych statkach i podwodnych dronach do inspekcji kabli, obsługi morskich farm wiatrowych i badania głębin oceanu. Pojazdy te muszą jednak działać na wzburzonym morzu, gdzie wiatr, fale i prądy nieustannie zrzucają je z kursu. W artykule przedstawiono nowe podejście, które pomaga robotom morskim trzymać kurs nawet wtedy, gdy ocean jest najbardziej niespokojny, obiecując bezpieczniejsze operacje, niższe koszty utrzymania i bardziej wiarygodne dane z wód świata.

Ocean jako ruchomy tor przeszkód

Dzisiejsze misje morskie obejmują wszystko, od badania antarktycznych szelfów lodowych po kontrolę stanu podmorskich kabli przesyłających globalny ruch internetowy. We wszystkich tych zadaniach statek lub pojazd podwodny musi podążać wyznaczoną trasą z dokładnością rzędu metrów, czasem przeciskając się między gęstą infrastrukturą, na przykład fundamentami turbin wiatrowych. Problem w tym, że ocean to nie spokojny zbiornik testowy. Porywisty wiatr, strome fale i zmienne prądy przesuwają pojazdy na boki, obracają je i hamują. Tradycyjne metody sterowania zakładają, że inżynierowie mogą zapisać precyzyjne równania opisujące ruch jednostki, ale w rzeczywistym morzu te równania są niekompletne i szybko się dezaktualizują. W efekcie mogą pojawiać się duże błędy nawigacyjne, a w skrajnych przypadkach — wypadki.

Nauka maszyn mowy fal

Badacze stojący za tym opracowaniem przyjęli inne podejście: zamiast polegać na idealnym modelu matematycznym, pozwalają systemowi uczącemu się obserwować zachowanie morza i reagować w czasie rzeczywistym. U podstaw ich metody leży specjalna forma sieci neuronowej zwana Specjalizowaną Siecią Kolmogorowa–Arnolda (SKAN). W odróżnieniu od typowego AI typu „czarna skrzynka”, SKAN jest skonstruowana z myślą o rytmie oceanu. Projektanci wprowadzają proste funkcje falopodobne, które wychwytują, jak wiatr, fale i prądy zwykle rosną i opadają w czasie. Te elementy składowe działają jak zestaw nut, z których sieć może komponować złożoną „melodię” rzeczywistych zakłóceń, przyspieszając uczenie i zmniejszając ilość potrzebnych danych.

Partner sterujący, który myśli na podstawie doświadczenia

Ramowy system łączy dwa główne elementy: obserwator zakłóceń i kontroler modelowo-niezależny. Obserwator wykorzystuje sieć SKAN do oszacowania niewidocznych pchnięć i pociągnięć działających na jednostkę w kilku kierunkach jednocześnie. W każdej chwili przetwarza niedawne dane o ruchu i stanie morza oraz zwraca najlepsze przypuszczenie dotyczące bieżących sił i momentów obrotowych. Kontroler, trenowany na danych zamiast na ręcznie tworzonym modelu, decyduje, jak dostosować ciąg i sterowanie. Co istotne, otrzymuje on zarówno stan jednostki, jak i estymaty obserwatora dotyczące zakłóceń, co pozwala mu skompensować znaczną część morskich zakłóceń, zanim przerodzą się one w duże błędy. Aby uczynić trening bardziej efektywnym, autorzy dzielą zarejestrowane dane ruchu na wiele nachodzących na siebie fragmentów, efektywnie mnożąc użyteczne przykłady treningowe bez potrzeby długich i ryzykownych prób morskich.

Testy na wirtualnych statkach i łodziach podwodnych

Aby sprawdzić, czy pomysł działa, zespół zbudował szczegółowe symulacje farmy wiatrowej na morzu — wyjątkowo surowe pole prób, gdzie prądy owijają się wokół konstrukcji, fale są rozbite, a bezpieczne prześwity wąskie. Wysłali wirtualny statek powierzchniowy wzdłuż sześciu tras inspekcji kabli, poddając go realistycznym prędkościom wiatru, wysokościom fal i wzorom prądów. W porównaniu z popularnym kontrolerem opartym na głębokim uczeniu ze wzmocnieniem, ich system oparty na SKAN zmniejszył średnie błędy podążania za trasą o około jedną piątą i utrzymał jednostkę stabilną nawet przy silnych porywach i falach krzyżowych. Następnie przetestowali autonomiczny pojazd podwodny mający okrążać fundamenty turbin po ścieżkach spiralnych i w kształcie hantli. Ponownie metoda utrzymywała odchylenia na niskim poziomie i zapewniała płynność ruchów, mimo że podwodne prądy i zmiany głębokości próbowały wypchnąć pojazd z kursu.

Więcej nauki przy mniejszej ilości danych

Badanie sprawdziło także, jak dobrze sam obserwator zakłóceń radzi sobie z zadaniem. Dzięki treningowi na rozszerzonych fragmentach danych ruchu, obserwator oparty na SKAN był w stanie osiągnąć około 90% dokładności uzyskanej przy użyciu pełnego oryginalnego zbioru danych, mimo że tylko jedna dziesiąta surowych danych została rozbudowana. Oznacza to, że system można przygotować przy znacznie mniejszej liczbie przykładów — ważna przewaga, gdy zbieranie danych z prawdziwych statków i pojazdów podwodnych jest kosztowne i czasochłonne. Gdy fale, wiatr i prądy były silne, kontroler wyposażony w tego obserwatora utrzymywał błędy trajektorii mocno skupione, podczas gdy system bez kompensacji wykazywał znacznie większe i bardziej rozproszone odchylenia.

Bezpieczniejsze, mądrzejsze podróże przed nami

Mówiąc prosto, autorzy pokazują, że łącząc ludzką wiedzę o zachowaniu morza z danymi napędzanym uczeniem maszynowym, możliwe jest dokładniejsze kierowanie robotami morskimi w trudnych warunkach bez dogłębnego modelowania każdego szczegółu fizycznego. Ich ramy przekształcają chaotyczny ruch oceanu w użyteczną informację, na którą kontroler może szybko zareagować, prowadząc do płynniejszych i bezpieczniejszych tras zarówno dla jednostek powierzchniowych, jak i podwodnych. Choć dotychczasowe wyniki pochodzą ze symulacji, te same pomysły mogą pomóc przyszłym flotom robotów oceanicznych — a nawet dronom latającym i pojazdom autonomicznym — radzić sobie z nieprzewidywalnym otoczeniem, przy jednoczesnym korzystaniu z mniejszej ilości danych i prostszych modeli.

Cytowanie: 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

Słowa kluczowe: autonomiczne pojazdy morskie, zakłócenia oceaniczne, sterowanie z użyciem uczenia maszynowego, farmy wiatrowe na morzu, podążanie po trajektorii