Conhecimento de domínio incorporado para navegação autônoma anti-perturbação em veículos marítimos

Por que comandar navios em mar agitado é importante

A ciência e a indústria modernas dependem cada vez mais de navios robóticos e drones subaquáticos para inspecionar cabos, prestar serviços a parques eólicos offshore e explorar o oceano profundo. Ainda assim, esses veículos precisam operar em um mar inquieto, onde vento, ondas e correntes os tiram constantemente da rota. Este artigo apresenta uma nova forma de ajudar robôs marítimos a manterem-se no curso mesmo quando o oceano está mais indisciplinado, prometendo operações mais seguras, custos de manutenção menores e dados mais confiáveis das águas do mundo.

O oceano como um percurso de obstáculos em movimento

As missões marítimas de hoje variam desde o mapeamento de plataformas de gelo antárticas até a verificação da integridade de cabos submarinos que transportam o tráfego global da internet. Em todas essas tarefas, um navio ou veículo subaquático deve seguir um trajeto prescrito com precisão na ordem de metros, às vezes passando entre estruturas densas como as fundações de turbinas eólicas. O problema é que o oceano não é um tanque de ensaio calmo. Ventos rajados, ondas íngremes e correntes variáveis empurram os veículos lateralmente, os torcem e os desaceleram. Métodos de controle tradicionais pressupõem que engenheiros podem escrever equações precisas para o movimento de uma embarcação, mas em mares reais essas equações são incompletas e rapidamente ficam defasadas. O resultado pode ser grandes erros de navegação e, em casos extremos, acidentes.

Ensinando às máquinas a linguagem das ondas

Os pesquisadores por trás deste estudo adotam uma abordagem diferente: em vez de depender de um modelo matemático perfeito, eles permitem que um sistema de aprendizado observe o que o mar está fazendo e responda em tempo real. No cerne do seu método está uma forma especial de rede neural chamada Specialized Kolmogorov–Arnold Network, ou SKAN. Ao contrário de uma IA caixa-preta típica, a SKAN é construída com os ritmos do oceano em mente. Os projetistas alimentam a rede com funções simples em forma de onda que capturam como vento, ondas e correntes tendem a subir e cair ao longo do tempo. Esses blocos de construção atuam como um conjunto de notas musicais a partir das quais a rede pode compor a complexa “melodia” das perturbações reais, acelerando o aprendizado e reduzindo a quantidade de dados necessária.

Um parceiro de controle que pensa com experiência

O framework combina duas peças principais: um observador de perturbações e um controlador sem modelo (model-free). O observador usa a rede SKAN para estimar os empurrões e puxões invisíveis que atuam na embarcação em várias direções ao mesmo tempo. A cada instante ele digere informações recentes sobre o movimento e o estado do mar e fornece um palpite fundamentado das forças e momentos de giro atuais. O controlador, treinado a partir de dados em vez de um modelo elaborado, decide como ajustar propulsão e direção. Crucialmente, ele recebe tanto o estado da embarcação quanto as estimativas do observador sobre as perturbações, permitindo que cancele grande parte das interferências do oceano antes que se transformem em erros significativos. Para tornar o treinamento eficiente, os autores fatiam os dados de movimento registrados em muitos trechos sobrepostos, multiplicando efetivamente os exemplos úteis de treinamento sem precisar de longos e arriscados testes no mar.

Testando navios e submarinos virtuais

Para verificar se a ideia funciona, a equipe construiu simulações detalhadas de um parque eólico offshore — um campo de provas especialmente severo, onde correntes contornam torres, as ondas são revoltas e as folgas de segurança são apertadas. Eles enviaram um navio de superfície virtual ao longo de seis rotas de inspeção de cabos, submetendo-o a velocidades de vento, alturas de onda e padrões de corrente realistas. Comparado com um controlador popular de aprendizado por reforço profundo, seu sistema baseado em SKAN reduziu os erros médios de seguimento de rota em cerca de um quinto e manteve a embarcação estável mesmo em rajadas fortes e marés de atravessamento. Em seguida, testaram um veículo subaquático autônomo encarregado de contornar fundações de turbinas em trajetórias em espiral e em forma de haltere. Mais uma vez, o método manteve as desvios pequenos e os movimentos suaves, mesmo quando correntes subaquáticas e variações de profundidade tentavam deslocar o veículo.

Aprender mais com menos dados

O estudo também investigou o desempenho do próprio observador de perturbações. Ao treinar com os trechos de dados de movimento aumentados, o observador baseado em SKAN conseguiu alcançar cerca de 90% da acurácia obtida ao usar o conjunto de dados original completo, mesmo tendo apenas um décimo daqueles dados brutos expandidos. Isso significa que o sistema pode ser preparado com muito menos exemplos — uma vantagem importante quando coletar dados reais de navios e submersíveis é caro e demorado. Quando ondas, vento e correntes eram fortes, o controlador equipado com esse observador manteve os erros de rota agrupados de forma apertada, enquanto um sistema sem compensação apresentou desvios muito maiores e mais dispersos.

Viagens mais seguras e inteligentes pela frente

Em termos simples, os autores mostram que, ao mesclar o conhecimento humano sobre o comportamento do mar com aprendizado de máquina que exige dados, é possível guiar robôs marítimos com mais precisão através de condições adversas sem modelar meticulosamente cada detalhe físico. Seu framework transforma o movimento turbulento do oceano em informação utilizável que um controlador pode agir rapidamente, levando a trajetos mais suaves e seguros tanto para embarcações de superfície quanto para veículos subaquáticos. Embora os resultados até agora venham de simulações, as mesmas ideias podem ajudar futuras frotas de robôs oceânicos — e até drones voadores e carros autônomos — a lidar com ambientes imprevisíveis enquanto dependem de menos dados e modelos mais simples.

Citação: 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

Palavras-chave: veículos marítimos autônomos, perturbações oceânicas, controle por aprendizado de máquina, parques eólicos offshore, seguimento de rota