Underwater MEMS Gyrocompassing: A Virtual Testing Ground

Resumen Técnico: Girocompás MEMS Submarino: Un Campo de Pruebas Virtual

Planteamiento del Problema
La determinación precisa de la dirección es fundamental para el seguimiento de trayectorias durante misiones submarinas prolongadas. Aunque el balanceo y el cabeceo pueden calcularse de manera fiable utilizando acelerómetros y la gravedad local, determinar la dirección inicial (guiñada) bajo el agua presenta desafíos significativos. Los métodos tradicionales que dependen de magnetómetros son susceptibles a interferencias electromagnéticas provenientes de la electrónica propia del Vehículo Submarino No Tripulado (UUV) y del complejo entorno submarino. Los sistemas de navegación basados en satélites y radiofrecuencia son ineficaces bajo el agua. En consecuencia, el girocompás —que utiliza la tasa de rotación de la Tierra ($\omega_{ie}$)— es la solución independiente preferida. Sin embargo, la señal de rotación terrestre es extremadamente débil ($\approx 73 \times 10^{-6}$ rad/seg). Aunque los giroscopios de Sistemas Micro-Electro-Mecánicos (MEMS) han alcanzado un nivel de sensibilidad capaz de detectar esta señal, su rendimiento se degrada severamente en condiciones submarinas dinámicas. Las corrientes oceánicas y las perturbaciones inducidas por las olas introducen ruido y movimientos dinámicos que oscurecen el sutil vector de rotación terrestre, volviendo ineficaces los algoritmos convencionales de girocompás basados en la estación para UUVs en movimiento o perturbados.

Metodología
Los autores proponen un marco basado en aprendizaje diseñado para mitigar las perturbaciones ambientales y refinar las señales inerciales perturbadas para extraer el vector de rotación terrestre. La metodología integra la dinámica teórica con el aprendizaje profundo (DL) en un entorno de pruebas virtual:

1. Modelado Dinámico: El artículo establece un modelo dinámico de cuerpo rígido de 6 Grados de Libertad (DoF) para el UUV. A diferencia de los modelos cinemáticos, este enfoque incorpora las ecuaciones de Newton-Euler para tener en cuenta las fuerzas y momentos (torques) externos causados por las corrientes oceánicas. El modelo simplifica el sistema para centrarse en las coordenadas rotacionales ($\dot{\nu}_2$), tratando los momentos externos ($\tau_2$) como términos de forzamiento.
2. Síntesis de Perturbaciones: Para simular condiciones submarinas realistas, los autores generan dinámicas sintéticas superponiendo tres perfiles de perturbación distintos sobre datos de sensores estacionarios del mundo real:
   • Impulso: Perturbaciones instantáneas.
   • Escalón: Cambios bruscos que transicionan a un estado estacionario.
   • Senoidal: Patrones periódicos similares a ondas que imitan las corrientes oceánicas.
     Estas perturbaciones se resuelven utilizando las ecuaciones diferenciales del sistema, creando un conjunto de datos en "modo mixto" que combina el ruido real del sensor con efectos dinámicos simulados.
3. Marco de Aprendizaje: Se entrena un modelo de aprendizaje profundo supervisado para mapear las señales de entrada sintetizadas y perturbadas ($\check{\omega}_b$) a los ángulos de dirección de referencia ($\psi$). El modelo aprende a distinguir la señal significativa de rotación terrestre enterrada bajo errores instrumentales y dinámicas hidrodinámicas complejas. El objetivo de entrenamiento minimiza la pérdida cuadrática entre las direcciones predichas y las reales.

Contribuciones Clave

• Campo de Pruebas Virtual: El artículo introduce una nueva tubería para generar datos dinámicos submarinos sintéticos. Esto permite el entrenamiento y la evaluación de algoritmos de girocompás bajo intensidades de perturbación variables y controladas, sin necesidad de pruebas físicas en el mar extensas y costosas.
• Aprendizaje Consciente de la Dinámica: A diferencia de los métodos convencionales de eliminación de ruido (por ejemplo, desruido por wavelets, filtros de Wiener) que a menudo asumen condiciones estacionarias, el marco propuesto aprende explícitamente a manejar dinámicas variables en el tiempo y perturbaciones no estacionarias.
• Integración de Física e IA: El enfoque cierra la brecha entre la dinámica analítica de cuerpos rígidos y el aprendizaje automático basado en datos, utilizando modelos físicos para generar datos de entrenamiento que respetan las leyes del movimiento y la hidrodinámica.

Resultados
Se realizaron simulaciones empíricas para evaluar la adaptabilidad del marco a intensidades de perturbación variables, cuantificadas por la relación torque-inercia ($\gamma$).

• Comparación de Rendimiento: El modelo de aprendizaje propuesto se comparó con cuatro técnicas de filtrado de vanguardia: desruido por wavelets, filtro de Wiener, filtro de Savitzky-Golay (SG) y filtro de Respuesta Finita al Impulso (FIR).
• Reducción del Error: El modelo basado en aprendizaje demostró un rendimiento superior en todos los niveles de perturbación probados. Logró mejoras en el Error Cuadrático Medio (RMSE) que oscilaron entre el 30% y el 60% en comparación con los filtros convencionales de mejor rendimiento.
• Robustez: Mientras que los filtros convencionales lucharon a medida que aumentaba la intensidad de las perturbaciones dinámicas (valores de $\gamma$ más altos), el modelo de aprendizaje mantuvo tasas de error más bajas, "ignorando" efectivamente las dinámicas aditivas para centrarse en la señal de rotación subyacente. En escenarios de alta perturbación (por ejemplo, $\gamma = 10$), donde la Relación Señal-Ruido (SNR) disminuyó significativamente, el modelo extrajo con éxito la información de dirección donde los métodos tradicionales fallaron.

Significado y Afirmaciones
El artículo afirma que su contribución principal es proporcionar una solución de girocompás resiliente para UUVs que operan en entornos submarinos dinámicos. Al aprovechar los avances recientes en aprendizaje automático, el marco aborda las limitaciones de los procedimientos basados en modelos que se degradan bajo las corrientes oceánicas. Los autores postulan que este enfoque redefine los límites de error para la navegación submarina, haciendo que los giroscopios MEMS de uso general sean competentes para la determinación precisa de la dirección incluso cuando están sujetos a perturbaciones ambientales significativas. El trabajo sirve como una prueba de concepto realista, demostrando que los enfoques basados en aprendizaje pueden mitigar efectivamente la interacción compleja entre la dinámica del vehículo y el ruido del sensor, permitiendo así una alineación precisa de la dirección inicial sin depender de señales magnéticas o satelitales externas.