Riepilogo Tecnico: Pianificazione del Percorso Subacqueo 3D tramite Surrogati a Campo di Flusso Generativo

Definizione del Problema

Il lancio e il recupero (LAR - Launch and Recovery) di un Veicolo Subacqueo Autonomo (AUV) all'interno dell'alletteramento di una piattaforma ospite in avanzamento (ad esempio, un veicolo sottomarino extra-large non tripulato, XLUUV) richiede la navigazione in una complessa scia di elica tridimensionale. Questo ambiente è caratterizzato da fluttuazioni di velocità localizzate, strati di taglio e vortici di estremità che non possono essere modellati accuratamente da campi di corrente uniformi. Sebbene le simulazioni ad alta fedeltà di fluidodinamica computazionale (CFD) basate sulla Reynolds-Averaged Navier-Stokes (RANS) possano risolvere queste strutture con sufficiente precisione per la pianificazione del percorso, il loro costo computazionale (ore per singola simulazione) le rende impraticabili per il processo decisionale in tempo reale a bordo. Di conseguenza, gli esistenti pianificatori si affidano a modelli semplificati (correnti uniformi o approssimazioni 2D) che non riescono a catturare i carichi idrodinamici critici per l'efficienza energetica e la stabilità del controllo durante le operazioni di stretta prossimità.

Il gap di ricerca centrale affrontato è duplice:

1. Non esiste una quantificazione sistematica della perdita di prestazioni derivante dall'ignorare le strutture di scia 3D nella pianificazione LAR dell'AUV.
2. Non è noto se modelli surrogati computazionalmente trattabili possano recuperare i benefici della piena conoscenza idrodinamica all'interno di un ciclo di pianificazione.

Metodologia

1. Dominio Idrodinamico e Dataset

Lo studio utilizza un ambiente pseudo-statico in cui la velocità e l'orientamento dell'XLUUV ospite sono mantenuti costanti per ogni traiettoria. Il campo di flusso è generato tramite simulazioni CFD RANS (ANSYS Fluent) con un modello di turbolenza $k-\epsilon$ realizabile e un modello di disco attuatore per l'elica.

• Dominio: Un volume di $155 \times 155 \times 155$ m centrato sull'XLUUV.
• Dataset: 550 condizioni di flusso distinte che spaziano da velocità di 0,10–5,00 m/s e angoli di imbardata da 0°–50°. Questi dati sono stati interpolati su una griglia voxel $128^3$ (risoluzione di circa 1,21 m) per servire come verità fondamentale (ground truth) e dati di addestramento.

2. Framework di Pianificazione del Percorso

Viene impiegato un algoritmo A* pesato sull'energia su una griglia di $128^3$ voxel.

• Funzione di Costo: Il costo di attraversamento tra i nodi è derivato dalla forza di resistenza idrodinamica ($F_D \propto v^2$), dove $v$ è l'entità della velocità nel nodo di destinazione. Questa formulazione incentiva l'instradamento attraverso corridoi di scia a bassa velocità (ad esempio, margini di sopravvento/sottovento) anche se il percorso geometrico è più lungo.
• Euristica: Un'euristica ammissibile basata sul costo energetico medio globale per unità di distanza garantisce la garanzia di ottimalità.

3. Surrogati del Campo di Flusso Generativi (cGAN)

Per sostituire le costose simulazioni RANS, gli autori integrano due architetture di Reti Generative Avversarie Condizionali (cGAN) in una pipeline gerarchica. La pipeline accetta condizioni operative scalari (velocità $v$ e imbardata $\theta$) come input e produce un intero campo di velocità volumetrico $128^3$.

• Fase 1 (Sintesi 2D): Una cGAN 2D pre-addestrata (Modello 4) sintetizza sezioni planari di velocità orizzontali e verticali a partire dai metadati scalari.
• Fase 2 (Generazione 3D): Due generatori 3D distinti elevano queste sezioni a un volume 3D completo:
  • PatchGAN GradNorm Regolarizzato: Un'architettura più leggera che utilizza encoder di sezioni 2D, cross-attention e addestramento con normalizzazione del gradiente. È ottimizzata per la velocità di inferenza e l'efficienza della memoria.
  • 2D3DGAN con Self-Attention (2D3DGAN SA): Un'architettura ad alta fedeltà adattata da Yousif et al., dotata di uno strato di auto-attenzione (self-attention) 3D globale per modellare le relazioni idrodinamiche a lungo raggio. Offre metriche di ricostruzione superiori ma richiede molta più memoria GPU.

4. Disegno Sperimentale

Lo studio confronta quattro varianti di pianificatore attraverso 19.800 traiettorie generate indipendentemente (36 nodi di partenza $\times$ 550 condizioni):

1. Solo Corrente (Current-Only): Utilizza un campo di velocità medio uniforme (baseline ingenua).
2. RANS CFD: Utilizza i dati CFD interpolati della verità fondamentale (limite superiore delle prestazioni).
3. PatchGAN: Utilizza il campo di flusso predetto dalla pipeline PatchGAN.
4. 2D3DGAN SA: Utilizza il campo di flusso predetto dalla pipeline 2D3DGAN SA.

Le prestazioni sono valutate utilizzando cinque metriche: Spesa Energetica, Lunghezza del Percorso, Incontri con Celle ad Alta Velocità, Transizioni tra Celle Turbolente e Tempo di Calcolo.

Contributi Chiave

1. Benchmark Multi-Fedeltà Sistematico: La prima valutazione quantitativa della pianificazione del percorso 3D per il LAR dell'AUV, confrontando la corrente uniforme, la verità fondamentale CFD e due surrogati cGAN attraverso 19.800 traiettorie. Ciò stabilisce il "costo" dell'ignoranza ambientale e il potenziale di recupero dei surrogati.
2. Pipeline cGAN Gerarchica: Validazione di una pipeline a due stadi in tempo reale (sintesi sezione 2D $\to$ generazione volume 3D) che genera interi campi di flusso partendo da metadati scalari in meno di 150 $\mu$s, rendendo fattibile l'implementazione a bordo.
3. Framework di Valutazione Olistico: Introduzione di un sistema di valutazione a cinque metriche che rivela un compromesso non banale: ottimizzare l'efficienza energetica (evitando il nucleo della scia ad alta velocità) aumenta l'esposizione agli strati di taglio turbolenti, una scoperta con implicazioni dirette per la progettazione dei sistemi di controllo dell'AUV.

Risultati

Valore della Conoscenza Idrodinamica

• Risparmio Energetico: La piena conoscenza CFD riduce la spesa energetica del 5,7–12,5% rispetto alla pianificazione con corrente uniforme. I risparmi scalano con l'angolo di imbardata (asimmetria) piuttosto che con la velocità.
• Sicurezza: La pianificazione CFD riduce gli incontri con i nuclei di scia ad alta velocità fino al 77,8%, mitigando significativamente i rischi di saturazione del controllo.
• Compromessi: Questi benefici comportano un aumento della lunghezza dei percorsi del 1,9–8,5% e un aumento delle traversate di celle turbolente (esposizione agli strati di taglio) del 14–59%.

Prestazioni dei Surrogati

• Recupero dei Benefici: Entrambi i surrogati cGAN recuperano circa il 45–60% dei benefici di energia e di evitamento delle alte velocità della CFD in condizioni operative impegnative.
• Divergenza Architetturale:
  • 2D3DGAN SA: Dimostra una fedeltà di ricostruzione globale superiore (MSE inferiore, SSIM più alto) e mantiene benefici di sicurezza positivi (evitamento alta velocità) anche a bassi angoli di imbardata. Tuttavia, richiede circa 25,7 GB di memoria GPU, limitandone l'uso alla pianificazione pre-missione o assistita da superficie.
  • PatchGAN: Offre un'impronta di memoria di circa 2,4 GB, adatta ad hardware embedded (ad es. NVIDIA Jetson). Sebbene funzioni bene ad angoli elevati, presenta un modo di guasto critico ad angoli di imbardata bassi: sottostima le velocità di picco nella zona compatta dell'elica, causando al pianificatore di incanalarsi proprio nel nucleo ad alta velocità, con il 121% in più di incontri ad alta velocità rispetto alla baseline ingenua.
• Ricostruzione vs Utilità: Lo studio rileva che le metriche di ricostruzione standard (MSE, SSIM) non predicono linearmente l'utilità della pianificazione a valle. Un modello con metriche globali leggermente peggiori (PatchGAN) può essere operativamente catastrofico se gli errori sono concentrati in regioni critiche per la pianificazione (il nucleo della scia).

Prestazioni Computazionali

• Velocità di Inferenza: Le pipeline GAN generano i campi di flusso in 28–146 $\mu$s, ovvero quattro ordini di grandezza più velocemente delle simulazioni RANS.
• Tempo di Ricerca: Sorprendentemente, i pianificatori informati dalla GAN presentano tempi di ricerca A* più rapidi rispetto al pianificatore CFD (44,9s rispetto a 55,7s) perché i confini più fluidi nei campi predetti dalla GAN creano un panorama di costi più navigabile, riducendo l'esplorazione del grafo necessaria.

Significato e Rivendicazioni

L'articolo sostiene di fornire la prima quantificazione sistematica del valore della pianificazione del percorso a valle dei campi idrodinamici predetti da cGAN in un'applicazione robotica marittima 3D.

• Valore Operativo: Dimostra che la conoscenza della scia 3D non è solo un miglioramento incrementale, ma una necessità operativa per l'efficienza energetica e la sicurezza nel LAR a stretta prossimità, con benefici che scalano con la severità del flusso.
• Fattibilità dei Surrogati: Stabilisce che i surrogati cGAN possono recuperare una frazione sostanziale (45-60%) dei benefici della piena conoscenza CFD a velocità di inferenza compatibili con dispositivi edge.
• Roadmap di Implementazione: Il lavoro delinea un percorso chiaro per l'implementazione: l'architettura leggera PatchGAN è immediatamente implementabile su hardware embedded attuale per la pianificazione in tempo reale, mentre il 2D3DGAN SA ad alta fedeltà è adatto per la pianificazione pre-missione o per generazioni future di hardware.
• Approfondimento Metodologico: Lo studio sfida l'assunto che un'elevata accuratezza di ricostruzione globale garantisca buone prestazioni delle attività a valle, sostenendo la necessità di obiettivi di addestramento che diano priorità alle caratteristiche spaziali rilevanti per la pianificazione rispetto alla fedeltà del volume globale.

Gli autori concludono che, sebbene gli attuali surrogati non corrispondano pienamente all'ottimo teorico della CFD di base, essi rendono la pianificazione del percorso consapevole della scia e in tempo reale, quantificando il significativo costo (in termini di energia e margine di sicurezza) dell'operare senza tale conoscenza.