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

Sintesi Tecnica: Monitoraggio della Vita Marina con Multi-AUV e Payload di Singolo Idrofono

Problematica
Il monitoraggio degli animali marini è essenziale per comprendere le migrazioni, il comportamento e gli impatti del cambiamento climatico. Sebbene la telemetria acustica permetta una raccolta dati continua tramite trasmettitori, le tradizionali reti di idrofoni stazionari soffrono di un'elevata perdita di dati quando gli animali si spostano fuori dal raggio d'azione. Al contrario, il tracciamento attivo tramite imbarcazioni di superficie è laborioso e offre una risoluzione spaziale limitata. Le precedenti soluzioni basate su Veicoli Sottomarini Autonomi (AUV) hanno tentato di localizzare i trasmettitori utilizzando payload multi-idrofono montati su grandi telai. Sebbene efficaci per la stima dell'angolo di arrivo (angle-of-arrival), questi pesanti payload inducono un significativo drag, riducendo la velocità dell'AUV, la manovrabilità e la durata della batteria, limitando così la capacità di seguire animali altamente mobili. Inoltre, le soluzioni alternative che utilizzano trasmettitori transponder richiedono trasmettitori personalizzati e ingombranti, fattibili solo per specie di grandi dimensioni come gli squali.

Metodologia
Questo lavoro propone un sistema che utilizza più AUV, ciascuno equipaggiato con un singolo, compatto e omnidirezionale idrofono, per localizzare un trasmettitore acustico. Il sistema opera sotto l'assunto che il trasmettitore e gli AUV rimangano vicino alla superficie, consentendo una stima dello stato in 2D.

1. Stima della Distanza: Poiché il Tempo di Volo (TOF) non può essere misurato direttamente senza clock sincronizzati, il sistema stima le variazioni di distanza ($\Delta r$) analizzando la differenza tra gli intervalli di rilevamento del segnale consecutivi ($\Delta t$) e il periodo di impulso noto del trasmettitore ($T$). La variazione del TOF è calcolata come $\Delta TOF = \Delta t - T$. Accumulando queste variazioni da una distanza iniziale nota, il sistema stima la distanza assoluta tra l'AUV e il trasmettitore.
2. Stima dello Stato tramite Filtro a Particelle: Un filtro a particelle fonde le misurazioni di più AUV per stimare il vettore di stato del trasmettitore: posizione ($x, y$), orientamento ($\theta$), velocità lineare ($v$) e velocità angolare ($\omega$).
   • Step di Predizione: Le particelle vengono propagate nel tempo utilizzando uno dei tre modelli di moto.
   • Step di Correzione: I pesi delle particelle vengono aggiornati in base alla verosimiglianza della distanza osservata e della variazione del tasso di distanza ($\dot{r}$) data la predizione dello stato della particella.
   • Resampling (Ricampionamento): Le particelle vengono ricampionate per concentrare le risorse computazionali sulle regioni ad alta probabilità.
3. Modelli di Moto: Lo studio confronta tre distinti modelli di moto:
   • Random Walk di Base: Aggiunge rumore Gaussiano alle coordinate.
   • Modello di Velocità: Aggiunge rumore Gaussiano alle velocità lineari e angolari.
   • Modello a Catena di Markov Nascosta (HMM): Un approccio innovativo in cui il modello di moto è derivato dai dati storici delle traiettorie degli squali bianchi. L'HMM assume che l'animale passi tra stati comportamentali non osservabili, con velocità osservabili distribuite secondo distribuzioni Gamma (velocità lineare) e von Mises (velocità angolare) dipendenti dallo stato.

Contributi Principali
Il documento delinea cinque contributi primari:

1. Un metodo per misurare la distanza da trasmettitori acustici commerciali utilizzando un singolo idrofono omnidirezionale su un AUV.
2. Un nuovo algoritmo di localizzazione multi-AUV che impiega un filtro a particelle con un modello di moto basato su HMM.
3. Validazione offline dell'algoritmo utilizzando dati di dispiegamento oceanico reali ed estesi test di simulazione.
4. Un'analisi comparativa che dimostra come il modello di moto HMM superi sia i modelli di velocità standard che il random walk.
5. Un'analisi della convergenza e della robustezza del sistema sotto diversi livelli di perdita di misurazione.

Risultati
Il sistema è stato validato utilizzando tre dataset: un dataset di Long Beach (trasmettitore stazionario, AUV in movimento), un dataset di Santa Elena Bay (trasmettitore e AUV in movimento) e un grande dataset simulato basato su 124.000 osservazioni di posizione di squali bianchi.

• Accuratezza:
  • Breve termine/Reale: Il sistema ha raggiunto un Errore Quadratico Medio (RMSE) di circa 10 metri per i dispiegamenti a breve termine.
  • Lungo termine/Simulato: Per prove più lunghe su aree più vaste, l'RMSE è stato di circa 15 metri.
• Performance dei Modelli:
  • Nel dataset Long Beach (movimento semplice), tutti i modelli si sono comportati in modo simile (RMSE ~4,4 m a 6,1 m).
  • Nel dataset Santa Elena Bay (movimento complesso), il modello HMM ha ottenuto l'RMSE più basso (8,78 m), superando il modello di velocità (12,31 m) e il baseline (11,22 m).
  • Nel dataset Simulato (grande scala), il modello HMM ha superato significativamente gli altri con un RMSE di 13,62 m, rispetto ai 30,77 m del modello di velocità e ai 970,46 m del baseline. L'HMM è stato particolarmente efficace nel mantenere distribuzioni multimodali (gestendo l'ambiguità tra due possibili punti di intersezione) senza divergere.
• Tempo di Convergenza: Il modello HMM ha generalmente richiesto più tempo per convergere (media di 180 s in Santa Elena Bay) rispetto al baseline (27 s) e al modello di velocità (40 s), poiché ha mantenuto la diversità delle particelle tra le posizioni ambigue prima di risolvere lo stato corretto.
• Robustezza: Il sistema è rimasto robusto con fino al 20% di perdita di misurazione (tempo medio di convergenza ~44 s, RMSE ~15 m). Le performance sono degradate gradualmente fino all'80% di perdita, sebbene i tempi di convergenza e l'RMSE siano aumentati significativamente. Sopra l'80% di perdita, le prestazioni sono deteriorate drasticamente.
• Assunzione di Profondità: L'assunzione 2D è stata validata rispetto ai dati di profondità degli squali, mostrando che per profondità fino a 10,7 metri, l'errore nella stima della distanza 2D è trascurabile alle tipiche distanze di tracciamento (ad es., errore <2,4% a 50 m).

Significatività
Il documento afferma che questo lavoro fornisce un'alternativa pratica ai pesanti payload multi-idrofono per AUV. Dotando più AUV di singoli e compatti idrofoni, il sistema riduce il drag, permettendo velocità più elevate e una migliore manovrabilità per tracciare la vita marina altamente mobile. L'integrazione di un modello di moto HMM, adattato al comportamento storico degli animali, migliora l'accuratezza della localizzazione rispetto ai modelli di moto generici, specialmente in scenari reali complessi. Il sistema dimostra che è possibile ottenere una stima dello stato accurata (circa 10–15 m RMSE) anche con una significativa perdita di dati e senza richiedere trasmettitori speciali e voluminosi. Questo approccio migliora l'efficienza della raccolta dati e offre un metodo di tracciamento più "silenzioso" che minimizza lo stress sull'ambiente e sugli animali, aiutando infine nell'identificazione delle aree che richiedono protezione ambientale.