Resumen Técnico: Planificación de Trayectorias Subacuáticas 3D mediante Surrogates de Campos de Flujo Generativos

Declaración del Problema

El Lanzamiento y Recuperación (LAR) de Vehículos Submarinos Autónomos (AUV) en el casco de una plataforma anfitriona en avance (por ejemplo, un Vehículo Submarino No Tripulado de Tamaño Extra Grande, XLUUV) requiere navegar por una compleja estela de hélice tridimensional. Este entorno se caracteriza por fluctuaciones de velocidad localizadas, capas de cizalladura y vórtices de punta que no pueden modelarse con precisión mediante campos de corriente uniformes. Si bien las simulaciones de alta fidelidad de Dinámica de Fluidos Computacional (CFD) basadas en Reynolds-Averaged Navier-Stokes (RANS) pueden resolver estas estructuras con suficiente precisión para la planificación de trayectorias, su costo computacional (horas por simulación) las hace impracticables para la toma de decisiones en tiempo real a bordo. En consecuencia, los planificadores existentes dependen de modelos simplificados (corrientes uniformes o aproximaciones 2D) que no logran capturar las cargas hidrodinámicas críticas para la eficiencia energética y la estabilidad del control durante operaciones de proximidad cercana.

El vacío de investigación central abordado es doble:

1. No existe una cuantificación sistemática de la pérdida de rendimiento incurrida al ignorar las estructuras de la estela 3D en la planificación LAR de AUV.
2. Se desconoce si los modelos sustitutos (surrogates) computacionalmente tratables pueden recuperar los beneficios del conocimiento hidrodinámico completo dentro de un bucle de planificación.

Metodología

1. Dominio Hidrodinámico y Conjunto de Datos

El estudio utiliza un entorno pseudoestático donde la velocidad y el rumbo del XLUUV anfitrión se mantienen constantes para cada trayectoria. El campo de flujo se genera mediante simulaciones CFD RANS (ANSYS Fluent) con un modelo de turbulencia $k-\epsilon$ realizable y un modelo de disco de actuador de hélice.

• Dominio: Un volumen de $155 \times 155 \times 155$ m centrado en el XLUUV.
• Conjunto de datos: 550 condiciones de flujo distintas que abarcan velocidades de 0.10–5.00 m/s y ángulos de rumbo de 0°–50°. Estos fueron interpolados en una rejilla de vóxeles de $128^3$ (resolución aproximada de 1.21 m) para servir como verdad de terreno (ground truth) y datos de entrenamiento.

2. Marco de Planificación de Trayectorias

Se emplea un algoritmo A* ponderado por energía en la rejilla de $128^3$ vóxeles.

• Función de Costo: El costo de trayectoria entre nodos se deriva de la fuerza de arrastre hidrodinámico ($F_D \propto v^2$), donde $v$ es la magnitud de la velocidad en el nodo de destino. Esta formulación incentiva el enrutamiento a través de corredores de baja velocidad (por ejemplo, márgenes de sotavento) incluso si la trayectoria geométrica es más larga.
• Heurística: Una heurística admisible basada en el costo de energía medio global por unidad de distancia garantiza la optimalidad.

3. Surrogates de Campo de Flujo Generativo (cGANs)

Para reemplazar las costosas simulaciones CFD RANS, los autores integran dos arquitecturas de Redes Generativas Antagónicas Condicionales (cGAN) en un pipeline jerárquico. El pipeline acepta condiciones operativas escalares (velocidad $v$ y rumbo $\theta$) como entrada y produce un campo de flujo volumétrico completo de $128^3$.

• Etapa 1 (Síntesis 2D): Una cGAN 2D preentrenada (Modelo 4) sintetiza cortes planos de velocidad horizontales y verticales a partir de los metadatos escalares.
• Etapa 2 (Generación 3D): Dos generadores 3D distintos elevan estos cortes a un volumen 3D completo:
  • PatchGAN GradNorm Regularizado: Una arquitectura más ligera que utiliza codificadores de secciones 2D, atención cruzada y entrenamiento de normalización de gradiente. Está optimizada para la velocidad de inferencia y la eficiencia de memoria.
  • 2D3DGAN con Auto-Atención (2D3DGAN SA): Una arquitectura de mayor fidelidad adaptada de Yousif et al., que cuenta con una capa de auto-atención 3D global para modelar relaciones hidrodinámicas de largo alcance. Ofrece métricas de reconstrucción superiores, pero requiere significativamente más memoria de GPU.

4. Diseño Experimental

El estudio compara cuatro variantes de planificador a través de 19,800 trayectorias generadas independientemente (36 nodos de inicio $\times$ 550 condiciones):

1. Solo Corriente (Current-Only): Utiliza un campo de velocidad media uniforme (línea base ingenua).
2. RANS CFD: Utiliza los datos de CFD interpolados de verdad de terreno (límite superior de rendimiento).
3. PatchGAN: Utiliza el campo de flujo predicho por el pipeline PatchGAN.
4. 2D3DGAN SA: Utiliza el campo de flujo predicho por el pipeline 2D3DGAN SA.

El rendimiento se evalúa utilizando cinco métricas: Gasto de Energía, Longitud de Trayectoria, Encuentros con Celdas de Alta Velocidad, Transiciones de Celdas Turbulentas y Tiempo de Cómputo.

Contribuciones Clave

1. Benchmark Multifidelidad Sistemático: La primera evaluación cuantitativa de la planificación de trayectorias 3D para el LAR de AUV, comparando la corriente uniforme, la verdad de terreno de CFD y dos surrogates cGAN a través de 19,800 trayectorias. Esto establece el "costo" de la ignorancia ambiental y el potencial de recuperación de los surrogates.
2. Pipeline de cGAN Jerárquico: Validación de un pipeline de dos etapas en tiempo real (síntesis de sección 2D $\to$ generación de volumen 3D) que genera campos de flujo completos a partir de metadatos escalares en menos de 150 $\mu$s, haciendo que el despliegue a bordo sea factible.
3. Marco de Evaluación Holístico: Introducción de un sistema de cinco métricas que revela un compromiso (trade-off) no trivial: optimizar la eficiencia energética (evitando el núcleo de alta velocidad) aumenta la exposición a las capas de cizalladura turbulentas, un hallazgo con implicaciones directas para el diseño del sistema de control del AUV.

Resultados

Valor del Conocimiento Hidrodinámico

• Ahorro de Energía: El conocimiento completo de CFD reduce el gasto de energía en un 5.7–12.5% en comparación con la planificación de corriente uniforme. Los ahorros escalan con el ángulo de rumbo (asimetría) más que con la velocidad.
• Seguridad: La planificación con CFD reduce los encuentros con los núcleos de alta velocidad de la estela hasta en un 77.8%, mitigando significativamente los riesgos de saturación del control.
• Compromisos (Trade-offs): Estos beneficios tienen el costo de trayectorias de 1.9–8.5% más largas y un aumento del 14–59% en las traversas de celdas turbulentas (exposición a capas de cizalladura).

Rendimiento de los Surrogates

• Recuperación de Beneficios: Ambos surrogates cGAN recuperan aproximadamente el 45–60% de los beneficios de energía y de evasión de alta velocidad de la CFD en condiciones operativas exigentes.
• Divergencia Arquitectónica:
  • 2D3DGAN SA: Demuestra una fidelidad de reconstrucción global superior (menor MSE, mayor SSIM) y mantiene beneficios de seguridad positivos (evasión de alta velocidad) incluso en ángulos de rumbo bajos. Sin embargo, requiere ~25.7 GB de memoria GPU, lo que limita su uso a la planificación pre-misión o asistida por superficie.
  • PatchGAN: Ofrece una huella de memoria de ~2.4 GB, adecuada para hardware embebido (por ejemplo, NVIDIA Jetson). Aunque funciona bien en ángulos altos, exhibe un modo de falla crítico en ángulos de rumbo bajos: subestima las velocidades pico en la carrera compacta de la hélice, lo que provoca que el planificador se dirija hacia el núcleo de alta velocidad, resultando en un 121% más de encuentros de alta velocidad que la línea base ingenua.
• Reconstrucción vs. Utilidad: El estudio encuentra que las métricas de reconstrucción estándar (MSE, SSIM) no predicen linealmente la utilidad de la planificación posterior. Un modelo con métricas globales ligeramente peores (PatchGAN) puede ser operativamente catastrófico si los errores se concentran en regiones críticas para la planificación (el núcleo de la estela).

Rendimiento Computacional

• Velocidad de Inferencia: Los pipelines cGAN generan campos de flujo en 28–146 $\mu$s, lo cual es cuatro órdenes de magnitud más rápido que la simulación RANS.
• Tiempo de Búsqueda: Curiosamente, los planificadores informados por GAN exhiben tiempos de búsqueda A* más rápidos que el planificador CFD (44.9s frente a 55.7s) porque los límites más suaves en los campos predichos por GAN crean un paisaje de costos más navegable, reduciendo la exploración del grafo requerida.

Significancia y Reivindicaciones

El artículo afirma proporcionar la primera cuantificación sistemática del valor de la planificación de trayectorias de los campos hidrodinámicos predichos por cGAN en una aplicación robótica marítima 3D.

• Valor Operativo: Demuestra que el conocimiento de la estela 3D no es simplemente una mejora incremental, sino una necesidad operativa para la eficiencia energética y la seguridad en el LAR de proximidad cercana, con beneficios que escalan con la severidad del flujo.
• Factibilidad de los Surrogates: Establece que los surrogates cGAN pueden recuperar una fracción sustancial (45–60%) de los beneficios de la CFD completa a velocidades de inferencia compatibles con dispositivos de borde (edge devices).
• Hoja de Ruta de Despliegue: El trabajo delinea un camino claro para el despliegue: la arquitectura ligera PatchGAN es inmediatamente desplegable en hardware embebido actual para la planificación en tiempo real, mientras que la de mayor fidelidad 2D3DGAN SA es adecuada para la planificación pre-misión o futuras generaciones de hardware.
• Perspectiva Metodológica: El estudio desafía la suposición de que una alta precisión de reconstrucción global garantiza un buen desempeño de la tarea posterior, argumentando por objetivos de entrenamiento que prioricen las características espaciales relevantes para la planificación sobre la fidelidad de volumen global.

Los autores concluyen que, si bien los surrogates actuales no igualan totalmente el óptimo teórico de la CFD de verdad de terreno, hacen que la planificación de trayectorias consciente de la estela sea tratable en tiempo real, cuantificando el costo significativo (tanto en energía como en margen de seguridad) de operar sin tal conocimiento.