Deniz araçları için alan bilgisi gömülü anti-bozulma otonom navigasyon

Fırtınalı denizlerde gemi yönlendirmek neden önemli

Modern bilim ve endüstri, kabloları denetlemek, açık deniz rüzgar çiftliklerine servis sağlamak ve derin okyanusu keşfetmek için giderek daha fazla robot gemi ve su altı drone’una dayanıyor. Ancak bu araçlar rüzgâr, dalga ve akıntıların sürekli olarak rotadan saptırdığı huzursuz bir denizde çalışmak zorunda. Bu makale, okyanusun en çalkantılı olduğu anlarda bile deniz robotlarının rotada kalmasına yardımcı olacak yeni bir yaklaşımı tanıtıyor; bu sayede daha güvenli operasyonlar, daha düşük bakım maliyetleri ve dünyanın sularından daha güvenilir veriler elde edilmesi vaat ediliyor.

Okyanus hareketli bir engelli parkuru gibi

Bugünün deniz görevleri Antarktika buz raflarını taramaktan küresel internet trafiğini taşıyan deniz altı kablolarının durumunu kontrol etmeye kadar uzanıyor. Bu işlerin tümünde bir gemi veya su altı aracı bazen metre düzeyinde doğrulukla önceden belirlenmiş bir yolu izlemeli; bazen de rüzgar türbini temelleri gibi yoğun yapılar arasından geçmelidir. Sorun şu ki okyanus sakin bir test tankı değil. Sert rüzgârlar, dik dalgalar ve değişen akıntılar araçları yana doğru iter, döndürür ve yavaşlatır. Geleneksel kontrol yöntemleri mühendislerin bir geminin nasıl hareket ettiğine dair kesin denklemler yazabileceğini varsayar, oysa gerçek denizlerde bu denklemler eksik kalır ve hızla geçersizleşir. Sonuç büyük navigasyon hataları ve uç durumlarda kazalar olabilir.

Makinelere dalgaların dilini öğretmek

Bu çalışmanın arkasındaki araştırmacılar farklı bir yol izliyor: kusursuz bir matematiksel modele bel bağlamak yerine, öğrenen bir sistemin denizin ne yaptığını izlemesine ve gerçek zamanlı yanıt vermesine izin veriyorlar. Yaklaşımın merkezinde Uzmanlaşmış Kolmogorov–Arnold Ağı (SKAN) adı verilen özel bir sinir ağı formu var. Tipik bir kara kutu yapay zekâdan farklı olarak SKAN, okyanusun ritimleri gözetilerek inşa edilmiş. Tasarımcılar rüzgâr, dalga ve akıntıların zaman içinde nasıl yükselip alçaldığını yakalayan basit dalga benzeri fonksiyonları ağa veriyor. Bu yapıtaşları, ağın gerçek bozulmaların karmaşık “melodisini” bestelemesine olanak veren bir dizi müzik notası gibi davranarak öğrenmeyi hızlandırıyor ve gereken veri miktarını azaltıyor.

Deneyimle düşünen bir kontrol ortağı

Çerçeve iki ana parçayı birleştiriyor: bir bozulma gözlemcisi ve model-free (modelden bağımsız) bir kontrolör. Gözlemci, birden çok yönde gemi üzerinde etkili olan görünmez itme ve çekmeleri tahmin etmek için SKAN ağını kullanıyor. Her an, son hareket ve deniz durumu bilgilerini işliyor ve o anki kuvvetler ile dönme momentlerinin en iyi tahminini veriyor. Verilerden eğitilmiş, el yapımı bir modele dayanmayan kontrolör ise itki ve dümen ayarlarını nasıl değiştireceğine karar veriyor. Kritik olarak kontrolör hem geminin durumunu hem de gözlemcinin bozulma tahminlerini alıyor; böylece okyanusun neden olduğu sorunların pek çoğunu büyük hatalara dönüşmeden önce iptal edebiliyor. Eğitimi verimli kılmak için yazarlar kaydedilmiş hareket verilerini birçok çakışan parçaya bölüyor, böylece uzun ve riskli deniz denemelerine gerek kalmadan kullanılabilecek eğitim örneklerini çoğaltıyorlar.

Sanal gemi ve denizaltıları teste sokmak

Bu fikrin işe yarayıp yaramadığını görmek için ekip, akıntıların kulelerin etrafında büküldüğü, dalgaların çalkantılı ve güvenli boşlukların dar olduğu özellikle zorlu bir sınama alanı olan bir açık deniz rüzgar çiftliğinin ayrıntılı simülasyonlarını kurdu. Sanal bir yüzey aracını altı kablo-denetleme rotası boyunca gerçekçi rüzgâr hızları, dalga yükseklikleri ve akıntı desenlerine maruz bıraktılar. Popüler bir derin pekiştirmeli öğrenme kontrolörüyle kıyaslandığında, SKAN tabanlı sistemleri ortalama yol takip hatalarını yaklaşık beşte bir oranında azalttı ve kuvvetli rüzgâr darbelerinde ve çapraz deniz koşullarında bile aracı kararlı tuttu. Ardından, sarmal ve dambıl şeklinde izler boyunca rüzgar türbini temellerinin etrafında dönme görevi verilen otonom bir su altı aracına geçtiler. Yöntem yine sapmaları küçük ve hareketleri yumuşak tuttu; su altı akıntıları ve derinlik değişiklikleri aracı uzaklaştırmaya çalışsa da başarı sağlandı.

Daha az veriden daha fazlasını öğrenmek

Çalışma ayrıca bozulma gözlemcisinin kendisinin ne kadar iyi performans gösterdiğini de inceledi. Hareket verilerinin genişletilmiş parçalarıyla eğitildiğinde, SKAN tabanlı gözlemci orijinal tam veri kümesi kullanıldığında elde edilen doğruluğun yaklaşık %90’ını yakalayabildi; oysa yalnızca bu ham verinin onda biri genişletilmişti. Bu, gemilerden ve su araçlarından gerçek dünya verisi toplamanın pahalı ve zaman alıcı olduğu durumlarda sistemi çok daha az örnekle hazır hale getirebilme anlamına geliyor. Dalgalar, rüzgâr ve akıntılar güçlü olduğunda, bu gözlemciyle donatılmış kontrolör yol hatalarını sıkıca kümeledi; oysa tazminasız bir sistem çok daha büyük ve dağınık sapmalar gösterdi.

Daha güvenli, daha akıllı seferler

Basitçe söylemek gerekirse yazarlar, denizin nasıl davrandığına dair insan bilgisini veriyle beslenen makine öğrenimiyle harmanlayarak, her fiziksel detayı titizlikle modellemeden zorlu koşullarda deniz robotlarını daha isabetli yönlendirmenin mümkün olduğunu gösteriyor. Çerçeveleri, karmaşık okyanus hareketini kontrolörün hızla harekete geçebileceği kullanılabilir bilgiye çeviriyor; bu da yüzey gemileri ve su altı araçları için daha yumuşak ve daha güvenli rotalar sağlıyor. Şimdiye kadar elde edilen sonuçlar simülasyonlardan gelmiş olsa da aynı fikirler gelecekteki okyanus robot filolarının—ve hatta uçan drone’ların ve sürücüsüz arabaların—öngörülemeyen çevrelerle daha az veriye ve daha basit modellere dayanarak başa çıkmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: otonom deniz araçları, okyanus bozulmaları, makine öğrenimi kontrolü, açık deniz rüzgar çiftlikleri, yol takip