SeaVis: Modeling and Control of a Remotely Operated Towed Vehicle for Seabed Visualization and Mapping

Resumen Técnico: SeaVis: Modelado y Control de un Vehículo Remolcado Operado Remotamente para Visualización y Mapeo del Fondo Marino

Planteamiento del Problema
El mapeo de alta resolución del fondo marino es crítico para la monitorización ambiental, la investigación científica, el desarrollo de infraestructuras offshore y aplicaciones de defensa. Aunque los Vehículos Remolcados Operados Remotamente (ROTV) ofrecen ventajas significativas sobre los Vehículos Operados Remotamente (ROV) tradicionales en cuanto a eficiencia energética y área de cobertura para la inspección del fondo marino, presentan desafíos de control distintos. A diferencia de los ROV con propulsión a bordo, los ROTV son remolcados pasivamente, lo que hace que su dinámica dependa altamente de las fuerzas hidrodinámicas y del cable de remolque. Los sistemas existentes a menudo carecen de la maniobrabilidad y la compacidad requeridas para el mapeo de alta precisión. Además, las complejas fuerzas acopladas de sustentación y arrastre hidrodinámicas introducidas por superficies de control aladas dificultan el modelado preciso y el diseño de control robusto. Aunque existen enfoques basados en datos, estos requieren extensos datos experimentales, creando la necesidad de modelos analíticos detallados para apoyar el desarrollo inicial del controlador y la simulación realista antes del despliegue de hardware.

Metodología
Los autores abordan estos desafíos mediante una metodología de cuatro partes:

1. Diseño del Sistema e Integración de Sensores: El artículo presenta "SeaVis", un ROTV novedoso diseñado con una configuración inspirada en aviones (122 cm de longitud, 120 cm de envergadura) que cuenta con un fuselaje aerodinámico, alas delanteras y una cola horizontal. La profundidad y la actitud se controlan mediante tres superficies actuadas independientemente: flap de babor, flap de estribor y timón de profundidad. El sistema integra un sonar de visión frontal, una IMU y sensores de efecto Hall para la estimación del estado, comunicándose mediante una arquitectura Raspberry Pi y Arduino Nano utilizando los protocolos MAVLink y UART.

2. Modelado Matemático: Se desarrolla un modelo detallado de cuerpo rígido de 6-DOF (Grados de Libertad) basado en la formulación Newton-Euler. El modelo incorpora:

   • Inercia del Cuerpo Rígido: Propiedades de distribución de masa.
   • Masa Añadida: Calculada aproximando el cuerpo como un elipsoide alargado y las alas como placas planas, centrándose en las aceleraciones de cabeceo, balanceo y guiñada.
   • Amortiguamiento Hidrodinámico: Componentes de arrastre lineales y cuadráticos para los grados de libertad activos.
   • Fuerzas de Sustentación: Generadas por las superficies de control utilizando una aproximación lineal del coeficiente de sustentación del perfil alar NACA0015.
   • Fuerzas de Restauración del Cable: Un momento estabilizador pasivo generado por el cable de remolque cuando el vehículo se desvía del plano horizontal.
   • Dinámica del Actuador: Un modelo de primer orden con una no linealidad de zona muerta (umbral del 17% de PWM) para reflejar el comportamiento real del servo.

3. Estrategia de Control: Los autores diseñan un Regulador Lineal Cuadrático (LQR) con Programación de Ganancias basado en modelo.

   • Las dinámicas altamente no lineales se linealizan alrededor de puntos de operación nominales (vuelo nivelado a profundidad constante).
   • Las matrices del sistema ($A$ y $B$) se parametrizan como funciones explícitas de la velocidad de avance ($U$), permitiendo que el controlador se adapte a condiciones hidrodinámicas cambiantes.
   • Las ganancias se precalculan fuera de línea para velocidades representativas e se interpolan en línea, evitando soluciones de Riccati en tiempo de ejecución.
   • La arquitectura incluye un bucle interno para la estabilización de la actitud y un bucle externo para el seguimiento de profundidad, con mecanismos anti-windup para manejar la saturación del actuador.
   • Para la comparación, también se implementa y ajusta un controlador PID con programación de ganancias para igualar el tiempo de asentamiento de profundidad del LQR en terreno plano.

4. Simulación y Validación: Se construye un entorno de simulación de alta fidelidad utilizando HoloOcean (Unreal Engine) para probar los controladores frente a un perfil de fondo marino desafiante que presenta pendientes continuas y bordes abruptos. La simulación opera a 200 Hz con un bucle de control de 50 Hz, probando el rendimiento a una velocidad de avance objetivo de 5 m/s.

Contribuciones Clave
El artículo hace cuatro contribuciones principales:

1. Desarrollo de un modelo matemático analítico detallado para el ROTV SeaVis, capturando interacciones hidrodinámicas complejas y dinámicas del cable.
2. Diseño de un controlador LQR con programación de ganancias específicamente para la regulación precisa de profundidad y actitud en una configuración remolcada.
3. Implementación de un controlador PID con programación de ganancias comparativo para evaluar el rendimiento en cuanto a esfuerzo de control y robustez.
4. Lanzamiento de un marco de simulación de código abierto y código de controlador para facilitar futuras investigaciones en el modelado y control de ROTV.

Resultados
Los resultados de la simulación demuestran el rendimiento superior del controlador LQR en comparación con el enfoque PID convencional:

• Precisión de Seguimiento: Bajo condiciones nominales, el LQR mantiene errores de profundidad por debajo de 2 cm en terreno plano y exhibe respuestas transitorias rápidas (error pico < 2 cm) al atravesar cambios abruptos de terreno.
• Eficiencia de Control: El LQR requiere significativamente menos esfuerzo del actuador. La máxima deflexión de la aleta de cola para el LQR fue de 3°, en comparación con 5.9° para el controlador PID (aproximadamente el doble), lo que indica un menor consumo de energía y un desgaste potencial reducido.
• Robustez: En presencia de perturbaciones gaussianas, el LQR rechaza eficazmente el ruido, manteniendo errores de profundidad por debajo de 6.5 cm en terreno plano. Aunque el controlador PID mostró un error de profundidad pico ligeramente menor en el borde descendente bajo perturbación, exhibió acciones de control significativamente más agresivas y de alta frecuencia, lo que llevó a un mayor gasto energético.
• Programación de Ganancias: El enfoque con programación de ganancias demostró ser efectivo en todo el rango de velocidades (0 a 5 m/s). A medida que aumentó la velocidad de avance, el tiempo de asentamiento para los errores de profundidad y actitud disminuyó, y se requirieron deflexiones de superficies de control más pequeñas para lograr la misma autoridad de control.

Significado
El artículo afirma que el marco propuesto aborda las demandas específicas de estabilidad y precisión del mapeo de fondo marino de alta resolución para vehículos remolcados. Al integrar la regulación de profundidad y actitud dentro de una arquitectura LQR con programación de ganancias, el sistema maneja eficazmente la hidrodinámica acoplada del remolque submarino mientras minimiza el esfuerzo del actuador. Los resultados destacan un marco de control que ofrece seguimiento robusto, acción de control suave y eficiencia energética mejorada en comparación con los métodos clásicos. Los autores enfatizan que el entorno de simulación de código abierto y el modelo analítico validado proporcionan una línea base necesaria para comprender el comportamiento del vehículo y desarrollar estrategias de control avanzadas antes del despliegue físico.