SAGE: Ergodic Control for Autonomous and Adaptive Inspection of Subsea Infrastructure

Tief unter der Meeresoberfläche verwaltet kritische Infrastruktur, bekannt als subsea Christmas Trees (unterseeische Weihnachtsbaum-Strukturen), den Fluss von Öl und Gas. Diese komplexen Strukturen sind mit Ventilen, Flanschen und Verbindungsstücken bestückt, die einer ständigen Überwachung bedürfen, um sicherzustellen, dass sie nicht lecken. Seit Jahrzehnten ist diese Inspektion ein menschlich gesteuertes Unterfangen, das sich auf Taucher oder ferngesteuerte Unterwasserfahrzeuge (ROVs) verlässt, die strengen, vorab geschriebenen Zeitplänen folgen. Die Herausforderung besteht darin, dass nicht jeder Teil der Struktur zu jedem Zeitpunkt gleichermaßen wichtig ist. Ein Ventil mit einem vermuteten Leck erfordert sofortige und häufige Aufmerksamkeit, während eine Komponente mit einer sauberen Historie länger warten kann. Beim traditionellen Ansatz muss der menschliche Bediener, wenn mitten in einer Mission ein neues Leck entdeckt wird, das Fahrzeug stoppen, die Route manuell neu berechnen und neue Befehle erteilen, um die Gefahr zu priorisieren. Dieser Prozess ist langsam, unterbricht den Arbeitsfluss und hinterlässt kritische Lücken in der Abdeckung, während der Plan neu geschrieben wird.

Forscher haben einen neuen Ansatz namens SAGE entwickelt, was für Semantic and Adaptive Generative Ergodicity steht, der es Unterwasserrobotern ermöglichen soll, diese sich ändernden Prioritäten eigenständig zu handhaben. Anstatt einer festen Schleife zu folgen, die jeden Punkt in der gleichen Reihenfolge besucht, betrachtet dieses System das Inspektionsgebiet als eine Karte des Risikos. Der Roboter berechnet kontinuierlich, wo die Gefahr am größten ist, und passt seine Bewegung an, um in diesen spezifischen Stellen mehr Zeit zu verbringen. Die Kernidee ist, dass der Pfad des Roboters die sich ändernden Bedürfnisse der Mission natürlich widerspiegeln sollte. Wenn ein Ventil plötzlich zum Hochrisiko-Bereich wird, wartet der Roboter nicht darauf, dass ein Mensch die Karte neu zeichnet; er beginnt sofort, dieses Ventil häufiger zu umkreisen, einfach weil sich seine interne Berechnung darüber, „wo es als Nächstes hingeht“, geändert hat. Diese Methode, bekannt als ergodische Steuerung, bringt die Bewegung des Roboters mit einer Live-Verteilung des Risikos in Einklang und stellt sicher, dass die Zeit, die in der Nähe einer Komponente verbracht wird, proportional dazu steht, wie viel Aufmerksamkeit diese Komponente gerade benötigt.

In einer simulierten Umgebung testeten die Forscher dieses System gegenüber einer Standardmethode mit fester Route anhand eines Szenarios mit zwei Unterwasserstrukturen, die insgesamt fünf Ventile enthielten. Sie erstellten eine Situation, in der ein Ventil ein signifikantes Leck entwickelte, was ein Hochrisiko-Szenario darstellte, während die anderen Ventile routinemäßig blieben. Die traditionelle Methode, die eine vor geplante Tour nutzte, behandelte jedes Ventil nach demselben Zeitplan. Sie besuchte jedes Ventil exakt alle 8,1 Sekunden, unabhängig davon, ob ein Ventil leckte oder völlig sicher war. Selbst als das Risiko am leckenden Ventil anstieg, setzte der Roboter seine feste Schleife fort, unfähig, das Notfallereignis zu priorisieren, ohne dass ein Mensch die Mission unterbrach, um die Route neu zu planen. Im Gegensatz dazu reagierte das SAGE-System sofort auf das simulierte Leck. Ohne jegliche menschliche Intervention oder eine Pause zur Neuberechnung eines Pfades änderte der Roboter automatisch sein Verhalten. Er begann, das leckende Ventil etwa alle 5,8 Sekunden zu besuchen, was etwa 1,4 Mal häufiger war als beim Roboter mit fester Route. Im Verlauf einer fünfminütigen Simulation besuchte der SAGE-Roboter das leckende Ventil 50 Mal, während der traditionelle Roboter es nur 37 Mal besuchte.

Der Leistungsunterschied erstreckte sich über das leckende Ventil hinaus. Da das SAGE-System auf den Hochrisikobereich fokussiert war, verbrachte es naturgemäß weniger Zeit an den Ventilen, die keine Bedrohung darstellten. In der Simulation ignorierte der Roboter eines der risikoarmen Ventile vollständig und besuchte es null Mal, während der Roboter mit fester Route Zeit damit verschwendete, es 37 Mal zu überprüfen. Diese Fähigkeit zur dynamischen Zeitallokation bedeutet, dass ein potenzielles Leck unter dem neuen System für eine viel kürzere Zeit unbemerkt bleiben kann. Die Forscher fanden heraus, dass die Zeit zwischen den Kontrollen des gefährlichen Ventils signifikant reduziert wurde, wodurch das Zeitfenster der Verwundbarkeit auf etwa zwei Drittel dessen verkürzt wurde, was mit der alten Methode der Fall war. Das System erreichte dies, indem es eine mentale Risikokarte ständig aktualisierte und Geschwindigkeit sowie Richtung in Echtzeit anpasste, anstatt einem starren Skript zu folgen.

Obwohl die Ergebnisse in der Simulation vielversprechend waren, räumen die Forscher ein, dass das System Einschränkungen hat. In dem Test bedeutete der intensive Fokus des Roboters auf das leckende Ventil, dass er das risikoärmste Ventil komplett vernachlässigte, was problematisch sein könnte, falls dieses Ventil plötzlich ein Problem entwickeln sollte. Das Team schlägt vor, dass zukünftige Versionen der Software eine Sicherheitsregel enthalten könnten, die garantiert, dass jedes Ventil mindestens einmal überprüft wird, selbst wenn es ein geringes Risiko darstellt, um sicherzustellen, dass kein Teil der Struktur völlig vergessen wird. Die nächsten Schritte für die Technologie beinhalten die Schließung des Kreislaufs zwischen den Augen und dem Gehirn des Roboters. Derzeit wurden die Risikostufen in der Simulation manuell festgelegt, aber das ultimative Ziel ist es, dass der Roboter Lecks direkt durch seine Kameras oder Sonar erkennt und die Risikokarte automatisch aktualisiert. Die Forscher planen zudem, das System an echten Unterwasserfahrzeugen im Ozean zu testen, einschließlich Experimenten, bei denen ein Leck mitten in der Mission eingeführt wird, um zu sehen, wie der Robot in der realen Welt adaptiert.

Diese Technologie stellt einen Wechsel von starrer Zeitplanung hin zu adaptiver Wahrnehmung dar, was es autonomen Systemen ermöglicht, Entscheidungen basierend auf Echtzeitbedingungen zu treffen, anstatt auf Basis eines vorab geschriebenen Plans. Dieselbe Logik könnte schließlich auf andere Aufgaben angewendet werden, bei denen sich Prioritäten im laufenden Betrieb ändern, wie etwa die Suche nach Überlebenden in Katastrophengebieten, die Überwachung von Umweltgefahren wie Ölverschmutzungen oder das Sammeln von Müll in Küstengewässern. Indem man dem Roboter überlässt, zu entscheiden, wohin er gehen soll – basierend darauf, wo der Bedarf am größten ist –, bietet das System eine Möglichkeit, die Unterwasserinspektion schneller, sicherer und reaktionsfähiger auf die unmittelbaren Realitäten des tiefen Ozeans zu machen.