Multi-AUV Marine Life Tracking with Single Hydrophone Payloads via a Hidden Markov Model Equipped Particle Filter

Resumen Técnico: Seguimiento de Vida Marina con Multi-AUV mediante Cargas Útiles de un Solo Hidrófono

Planteamiento del Problema
El seguimiento de animales marinos es esencial para comprender la migración, el comportamiento y los impactos del cambio climático. Si bien la telemetría acústica permite la recolección continua de datos mediante transmisores, las matrices de hidrófonos estacionarias tradicionales sufren una alta pérdida de datos cuando los animales se mueven fuera de su rango. Por el contrario, el seguimiento activo utilizando embarcaciones de superficie requiere mucha mano de obra y ofrece una resolución espacial limitada. Las soluciones previas de Vehículos Autónomos Submarinos (AUV) intentaron localizar los transmisores utilizando cargas útiles de múltiples hidrófonos montadas en estructuras grandes. Aunque fueron efectivas para la estimación del ángulo de llegada, estas cargas útiles pesadas inducen una resistencia significativa, reduciendo la velocidad, la maniobrabilidad y la duración de la batería del AUV, lo que limita su capacidad para rastrear animales altamente móviles. Además, las soluciones alternativas que utilizan transmisores transpondedores requieren transmisores personalizados y grandes que solo son viables para especies grandes como los tiburones.

Metodología
Este trabajo propone un sistema que utiliza múltiples AUV, cada uno equipado con un único, compacto e omnidireccional hidrófono, para localizar un transmisor acústico. El sistema opera bajo la suposición de que el transmisor y los AUV permanecen cerca de la superficie, lo que permite la estimación de estado en 2D.

1. Estimación de Distancia: Dado que el Tiempo de Vuelo (TOF) no puede medirse directamente sin relojes sincronizados, el sistema estima los cambios de distancia ($\Delta r$) analizando la diferencia entre los intervalos de detección de señales consecutivos ($\Delta t$) y el periodo de pulso ($T$) conocido del transmisor. El cambio en el TOF se calcula como $\Delta TOF = \Delta t - T$. Al acumular estos cambios desde una distancia inicial conocida, el sistema estima la distancia absoluta entre el AUV y el transmisor.
2. Estimación de Estado mediante Filtro de Partículas: Un filtro de partículas fusiona las mediciones de múltiples AUV para estimar el vector de estado del transmisor: posición ($x, y$), orientación ($\theta$), velocidad lineal ($v$) y velocidad angular ($\omega$).
   • Paso de Predicción: Las partículas se propagan en el tiempo utilizando uno de tres modelos de movimiento.
   • Paso de Corrección: Los pesos de las partículas se actualizan basándose en la verosimilitud de la distancia y la tasa de cambio de la distancia ($\dot{r}$) dada la predicción del estado de la partícula.
   • Remuestreo: Las partículas se remuestrean para centrar los recursos computacionales en las regiones de alta probabilidad.
3. Modelos de Movimiento: El estudio compara tres modelos de movimiento distintos:
   • Caminata Aleatoria Base (Baseline Random Walk): Añade ruido gaussiano a las coordenadas.
   • Modelo de Velocidad: Añade ruido gaussiano a las velocidades lineales y angulares.
   • Modelo Oculto de Markov (HMM): Un enfoque novedoso donde el modelo de movimiento se deriva de datos históricos de trayectoria de tiburones blancos. El HMM asume que el animal cambia entre estados de comportamiento no observables, con velocidades observables distribuidas según las distribuciones Gamma (velocidad lineal) y von Mises (velocidad angular) dependientes del estado.

Contribuciones Clave
El artículo describe cinco contribuciones principales:

1. Un método para medir la distancia a transmisores acústicos comerciales utilizando un único hidrófono omnidireccional compacto en un AUV.
2. Un novedoso algoritmo de localización multi-AUV empleando un filtro de partículas con un modelo de movimiento basado en HMM.
3. Validación offline del algoritmo utilizando datos de despliegue oceánico del mundo real y ensayos de simulación extendidos.
4. Un análisis comparativo que demuestra que el modelo de movimiento HMM supera tanto al modelo de velocidad como al de caminata aleatoria.
5. Un análisis de la convergencia y robustez del sistema bajo niveles variables de pérdida de medición.

Resultados
El sistema fue validado utilizando tres conjuntos de datos: un conjunto de datos de Long Beach (transmisor estacionario, AUV en movimiento), un conjunto de datos de Santa Elena Bay (transmisor y AUVs en movimiento) y un gran conjunto de datos simulados basado en 124,000 observaciones de posición de tiburones blancos.

• Precisión:
  • Corto plazo/Mundo real: El sistema logró un Error Cuadrático Medio (RMSE) de aproximadamente 10 metros para despliegues de corto plazo.
  • Largo plazo/Simulado: Para ensayos más largos sobre áreas más grandes, el RMSE fue de aproximadamente 15 metros.
• Desempeño del Modelo:
  • En el conjunto de datos de Long Beach (movimiento simple), todos los modelos funcionaron de manera similar (RMSE ~4.4m a 6.1m).
  • En el conjunto de datos de Santa Elena Bay (movimiento complejo), el modelo HMM logró el RMSE más bajo (8.78 m), superando al modelo de velocidad (12.31 m) y al de base (11.22 m).
  • En el conjunto de datos Simulado (gran escala), el modelo HMM superó significativamente a los demás con un RMSE de 13.62 m, frente a los 30.77 m del modelo de velocidad y los 970.46 m de la base. El HMM fue particularmente efectivo para mantener distribuciones multimodales (manejando la ambigüedad entre dos posibles puntos de intersección) sin divergir.
• Tiempo de Convergencia: El modelo HMM generalmente tardó más en converger (promedio de 180 s en Santa Elena Bay) en comparación con el modelo base (27 s) y el de velocidad (40 s), ya que mantuvo la diversidad de partículas en ubicaciones ambiguas durante más tiempo antes de resolver el estado correcto.
• Robustez: El sistema se mantuvo robusto con hasta un 20% de pérdida de medición (tiempo de convergencia promedio ~44 s, RMSE ~15 m). El desempeño se degradó gradualmente hasta un 80% de pérdida, aunque los tiempos de convergencia y el RMSE aumentaron significativamente. Por encima del 80% de pérdida, el desempeño se deterioró drásticamente.
• Suposición de Profundidad: La suposición 2D fue validada contra los datos de profundidad de los tiburones, mostrando que para profundidades de hasta 10.7 metros, el error en la estimación de la distancia 2D es insignificante en rangos de seguimiento típicos (por ejemplo, <2.4% de error a 50 m).

Significado
El artículo afirma que este trabajo proporciona una alternativa práctica a las pesadas cargas útiles de múltiples hidrófonos para AUV. Al equipar múltiples AUV con hidrófonos únicos y compactos, el sistema reduce la resistencia, permitiendo mayores velocidades y mejor maniobrabilidad para rastrear vida marina altamente móvil. La integración de un modelo de movimiento HMM, ajustado al comportamiento histórico de los animales, mejora la precisión de la localización sobre los modelos de movimiento genéricos, particularmente en escenarios complejos del mundo real. El sistema demuestra que es posible lograr una estimación de estado precisa (aprox. 10–15 m RMSE) incluso con una pérdida de datos significativa y sin requerir transmisores especializados y grandes. Este enfoque mejora la eficiencia de la recolección de datos y ofrece un método de seguimiento más "sigiloso" que minimiza el estrés en el entorno y los animales, ayudando finalmente a la identificación de áreas que requieren protección de conservación.