Domänkunskap inbyggd anti-störningsautonom navigering för marina farkoster

Varför styrning av fartyg i grov sjö spelar roll

Modern vetenskap och industri förlitar sig alltmer på robotfartyg och undervattensdrönare för att inspektera kablar, serva offshore-vindparker och utforska djuphavet. Dessa farkoster måste dock verka i ett rastlöst hav där vind, vågor och strömmar ständigt skjuter dem ur kurs. Den här artikeln presenterar ett nytt sätt att hjälpa marina robotar att hålla kursen även när havet är som mest oroligt, vilket lovar säkrare operationer, lägre underhållskostnader och mer tillförlitliga data från världens vatten.

Havet som en rörlig hinderbana

Dagens marina uppdrag spänner från att kartlägga antarktiska issocklar till att kontrollera tillståndet på undervattenskablar som bär den globala internettrafiken. I alla dessa uppgifter måste ett fartyg eller en undervattensfarkost följa en föreskriven bana med meterprecision, ibland slingrande mellan täta konstruktioner som vindturbinfundament. Problemet är att havet inte är ett lugnt försökskar. Byiga vindar, branta vågor och skiftande strömmar pressar farkoster i sidled, vrider dem och bromsar dem. Traditionella styrmetoder förutsätter att ingenjörer kan skriva upp exakta ekvationer för hur ett fordon rör sig, men i verkliga hav är dessa ekvationer ofullständiga och blir snabbt föråldrade. Resultatet kan bli stora navigationsfel och i extrema fall olyckor.

Att lära maskiner vågornas språk

Forskarna bakom denna studie tar en annan ansats: i stället för att förlita sig på en perfekt matematisk modell låter de ett lärande system observera vad havet gör och reagera i realtid. Kärnan i deras metod är en särskild form av neuralt nätverk kallad Specialized Kolmogorov–Arnold Network, eller SKAN. Till skillnad från en typisk svartlådes-AI är SKAN konstruerad med havets rytmer i åtanke. Utformarna matar in enkla vågliknande funktioner som fångar hur vind, vågor och strömmar tenderar att stiga och falla över tid. Dessa byggstenar fungerar som en uppsättning musikaliska toner från vilka nätverket kan komponera den komplexa ”melodin” av verkliga störningar, vilket snabbar upp inlärningen och minskar mängden data som behövs.

En styrpartner som tänker med erfarenhet

Ramverket kombinerar två huvuddelar: en störningsobservatör och en modellfri regulator. Observatören använder SKAN-nätverket för att uppskatta de osynliga knuffar och drag som verkar på farkosten i flera riktningar samtidigt. Vid varje ögonblick bearbetar den nyligen noterad rörelse- och sjötillståndsinformation och levererar en bästa gissning av aktuella krafter och vridmoment. Regulatorn, tränad från data snarare än från en handgjord modell, beslutar hur framdrivning och styrning ska justeras. Avgörande är att den får både farkostens tillstånd och observatörens uppskattningar av störningarna, vilket gör det möjligt att neutralisera mycket av havets påfrestningar innan de växer till stora fel. För att göra träningen effektiv skär författarna upp inspelade rörelsedata i många överlappande snuttar, vilket i praktiken multiplicerar användbara träningsexempel utan att kräva långa och riskfyllda sjötester.

Att sätta virtuella fartyg och ubåtar på prov

För att avgöra om idén fungerar byggde teamet detaljerade simuleringar av en offshore-vindpark—en särskilt krävande prövobana där strömmar böjer sig runt pelare, vågor är ojämna och säkerhetsmarginalerna är små. De skickade ett virtuellt ytfartyg längs sex kabelinspektionsrutter samtidigt som det utsattes för realistiska vindhastigheter, våghöjder och strömmönster. Jämfört med en populär deep reinforcement learning-regulator minskade deras SKAN-baserade system i genomsnitt fel i spårföljning med ungefär en femtedel och höll farkosten stabil även vid starka byar och tvärgående sjö. De gick sedan över till ett autonomt undervattensfarkost uppdragat att loopa runt vindturbinfundament längs spiral- och hantelformade banor. Återigen höll metoden avvikelser små och rörelser mjuka, även när undervattensströmmar och djupförändringar försökte knuffa farkosten ur kurs.

Lära mer från mindre data

Studien undersökte också hur väl själva störningsobservatören presterade. Genom att träna med de utökade snuttarna av rörelsedata kunde SKAN-baserade observatören nå ungefär 90% av den noggrannhet som uppnåddes vid användning av den fulla ursprungliga datasetet, trots att endast en tiondel av den råa datamängden hade expanderats. Det innebär att systemet kan förberedas med betydligt färre exempel—en viktig fördel när insamling av verkliga data från fartyg och ubåtar är dyrt och tidskrävande. När vågor, vind och strömmar var starka höll regulatorn utrustad med denna observatör spårfelen tätt samlade, medan ett system utan kompensation visade mycket större och mer spridda avvikelser.

Säkrare, smartare färder framöver

Med enkla ord visar författarna att genom att blanda människans kunskap om hur havet beter sig med datahungrig maskininlärning är det möjligt att styra marina robotar mer exakt genom grova förhållanden utan att minutiöst modellera varje fysisk detalj. Deras ramverk förvandlar rörig havsrörelse till användbar information som en regulator snabbt kan agera på, vilket leder till jämnare och säkrare banor för både ytfartyg och undervattensfarkoster. Även om resultaten hittills kommer från simuleringar kan samma idéer hjälpa framtida flottor av oceanrobotar—och till och med flygande drönare och självkörande bilar—att hantera oförutsägbara miljöer med mindre data och enklare modeller.

Citering: 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

Nyckelord: autonoma marina farkoster, oceanstörningar, maskininlärningsstyrning, offshore vindparker, spårföljning