Optimal Excitation Trajectories for System Identification of Underwater Vehicles

Tief unter der Oberfläche, wo das Sonnenlicht verblasst und der Druck zunimmt, werden Unterwasserfahrzeuge mit einigen der sensibelsten und gefährlichsten Aufgaben der Menschheit betraut. Von der Inspektion alter Ölplattformen und der Kartierung von Schiffswracks bis hin zur Überwachung von Korallenriffen und der Wartung von Unterseekabeln sind diese Maschinen die Augen und Hände von Wissenschaftlern und Ingenieuren in einer Umgebung, die für menschliches Leben lebensfeindlich ist. Damit diese Roboter effektiv arbeiten können, müssen sie in der Lage sein, sich mit Präzision und Vorhersehbarkeit zu bewegen. Das Meer ist jedoch ein flüssiges, sich ständig veränderndes Medium, das Bewegungen auf komplexe Weise entgegenwirkt. Um sicher navigieren zu können, benötigt ein Fahrzeug eine präzise interne Karte seiner eigenen Physik – ein mathematisches Verständnis davon, wie es auf seine eigenen Triebwerke reagiert, wie das Wasser zurückdrückt und wie sein Gewicht und sein Auftrieb interagieren. Ohret dieses genauen Modells fehlt es dem Roboter an Orientierung, er könnte vom Kurs abkommen, seine Position nicht halten können oder ein kritisches Manöver falsch einschätzen. Die Herausforderung liegt in der Erstellung dieses Modells: Das Verhalten des Fahrzeugs ändert sich je nach Ladung, Sensoren und sogar den spezifischen Wasserbedingungen, was vorprogrammierte Vermutungen unzuverlässig macht.

Um dies zu lösen, haben Forscher der New York University Abu Dhabi eine neue Methode entwickelt, um Unterwasserroboter über sich selbst zu lehren. Anstatt sich auf teure, zeitintensive Tests in riesigen Industrietanks oder komplexe Computersimulationen zu verlassen, die oft am Ziel vorbeischießen, entwarf das Team eine Methode, bei der der Roboter eine spezifische, sorgfältig gestaltete Serie von Bewegungen ausführt, um seine eigenen dynamischen Geheimnisse zu enthüllen. Durch die Analyse der Reaktion des Roboters auf diese spezifischen Bewegungen kann das Team die exakten physikalischen Eigenschaften berechnen, die seine Bewegung bestimmen. Dieser Prozess, bekannt als Systemidentifikation, ermöglicht es dem Roboter, ein personalisiertes Modell seines eigenen Verhaltens aufzubauen, das dann verwendet werden kann, um ihn präziser zu steuern oder seine zukünftige Position mit hoher Zuverlässigkeit vorherzusagen.

Der Kern dieses neuen Ansatzes liegt im Design der Bewegung selbst. In der Vergangenheit testeten Ingenieure Unterwasserfahrzeuge oft mit einfachen, repetitiven Bewegungen, wie etwa dem Hin- und Herfahren in einer geraden Linie oder dem Drehen in einem Kreis. Während diese Basistests zwar einige Daten liefern, erfassen sie oft nicht die komplexe, gekoppelte Natur der Bewegung eines Fahrzeugs in drei Dimensionen. Wenn ein Roboter dreht, rotiert er nicht nur; er kann auch seitlich driften oder seine Tiefe leicht verändern, bedingt durch die Physik des Wassers. Einfache Tests übersehen oft diese subtilen Wechselwirkungen. Die Forscher erkannten, dass der Roboter, um ein vollständiges Bild zu erhalten, auf eine anspruchsvollere Weise „angeregt“ werden musste – eine Sequenz von Bewegungen, die jeden Teil seines physikalischen Systems gerade so weit belastet, dass sein wahres Wesen offenbart wird, ohne ihn bis zum Punkt des Versagens zu treiben.

Um dies zu erreichen, wandte sich das Team einem mathematischen Werkzeug namens Bézier-Kurven zu. Stellen Sie sich einen flexiblen Draht vor, den ein Designer verbiegen und formen kann, indem er an einigen spezifischen Punkten zieht; die Kurve zwischen diesen Punkten folgt einem glatten, vorhersehbaren Pfad. Die Forscher nutzten dieses Konzept, um eine Trajektorie, also einen Pfad, für den Roboter zu entwerfen. Durch die Anpassung der Positionen dieser Kontrollpunkte konnten sie eine glatte, kontinuierliche Bewegung erschaffen, die garantiert innerhalb sicherer Grenzen bleibt, wie etwa nicht gegen die Wände des Testtanks zu stoßen oder die Geschwindigkeitsgrenzen der Motoren zu überschreiten. Diese Methode bot eine Flexibilität, die älteren Techniken fehlte, da sie es ermöglichte, einen Pfad zu gestalten, der nicht nur eine einfache Schleife war, sondern eine komplexe, mehrstufige Reise, die speziell darauf ausgelegt war, die Physik des Roboters zu untersuchen.

Die Forscher stellten dann ein Optimierungsproblem auf, indem sie im Wesentlichen einen Computer fragten, den einen optimalen Satz von Kontrollpunkten zu finden, der die informativsten Daten generiert. Das Ziel war es, einen Pfad zu erstellen, der die Bewegungen des Roboters so unterscheidbar und messbar wie möglich macht, um sicherzustellen, dass die gesammelten Daten genutzt werden können, um die physikalischen Parameter des Fahrzeugs mit hoher Genauigkeit zu lösen. Sie legen strikte Sicherheitsregeln in diese Optimierung ein: Der Roboter musste sanft starten und stoppen, innerhalb der Dimensionen eines Labor-Wassertanks bleiben und Geschwindigkeiten bewegen, die seine Motoren tatsächlich erreichen können. Die resultierende Trajektorie war eine 280-sekündige Reise, unterteilt in fünf distinkte Segmente. In den ersten vier Segmenten wurde der Roboter geleitet, sich jeweils auf eine Art von Bewegung zu konzentrieren – Vorwärtsbewegung, Seitwärtsbewegung, Aufsteigen und Drehen – während andere Bewegungen minimal gehalten wurden. Im letzten Segment wurden alle Einschränkungen gelockert, sodass der Roboter gleichzeitig in alle Richtungen frei agieren konnte. Diese Struktur stellte sicher, dass die Forscher zuerst die grundlegenden, unabhängigen Verhaltensweisen des Roboters identifizieren und dann die komplexeren Interaktionen erfassen konnten, die auftreten, wenn alle Bewegungen gleichzeitig stattfinden.

Das Team testete diese Methodik mit einem VideoRay Defender, einem kleinen, torpedoartigen Unterwasserfahrzeug, das mit sieben Schubdüsen ausgestattet ist. Sie platzierten den Roboter in einem Labortank mit den Maßen 6,3 m x 3,7 m x 1,8 m. Um die Position des Roboters mit extremer Präzision zu verfolgen, platzierten sie eine Tafel mit speziellen visuellen Markern am Boden des Tanks und nutzten eine nach unten gerichtete Kamera am Roboter, um diese zu beobachten. Während der Roboter dem optimierten Pfad folgte, zeichnete das Team seine Position, Geschwindigkeit und die an seine Motoren gesendeten Befehle auf. Anschließend nutzten sie diese Daten, um die dynamischen Parameter des Roboters zu berechnen, wie etwa seine Masse, den Widerstand des Wassers gegen seine Bewegung und die Verteilung seines Gewichts.

Die Ergebnisse waren beeindruckend. Als die Forscher ihr neues Modell verwendeten, um vorherzusagen, wie sich der Roboter auf einem völlig anderen Pfad bewegen würde, stimmten die Vorhersagen mit bemerkenswerter Genauigkeit mit den tatsächlichen Messungen überein. Das Modell sagte die Geschwindigkeit und Richtung des Roboters bei einer Vielzahl von Manövern erfolgreich voraus, einschließlich glatter, geplanter Pfade und sogar plötzlicher, ruckartiger Bewegungen, die von einem Menschen über einen Joystick gesteuert wurden. Der einzige Bereich, in dem das Modell eine leichte Diskrepanz zeigte, war die Drehbewegung (Gierbewegung/Yaw), was die Forscher auf das physische Tether (die Verbindungskabel) zurückführten, das den Roboter mit der Oberfläche verbindet und einen unerwarteten Widerstand und Schleppwiderstand hinzufügte. Trotz dessen demonstrierte die Gesamtleistung, dass das identifizierte Modell das Verhalten des Fahrzeugs zuverlässig erfassen kann.

Diese Arbeit stellt einen bedeutenden Schritt dar, um Unterwasserroboter autonomer und zuverlässiger zu machen. Indem sie auf das bloße Raten und generische Tests verzichten und stattdule einen strukturierten, datengesteuerten Ansatz zum Verständnis der eigenen Physik eines Fahrzeugs nutzen, haben die Forscher ein Werkzeug bereitgestellt, das auf jedes modulare Unterwasserfahrzeug angewendet werden kann. Da die Methode auf den eigenen Sensoren des Roboters und einem Standard-Controller basiert, kann sie leicht an Fahrzeuge angepasst werden, die unterschiedliche Nutzlasten tragen oder in anderen Umgebungen operieren. Das Team plant, diese Arbeit auf die vollen sechs Freiheitsgrade der Bewegung auszuweiten, einschließlich der Roll- und Nickbewegungen, die in dieser Studie vereinfacht wurden, und die Modelle schließlich im offenen Ozean zu testen. Letztendlich bietet dieser Ansatz eine Möglichkeit, sicherzustellen, dass die Maschinen, die unsere Ozeane erkunden, nicht nur Befehlen folgen, sondern wirklich verstehen, wie sie sich durch das Wasser bewegen.