Technische Samenvatting: 3D Onderwater Padplanning via Generatieve Flow Field Surrogaten

Probleemstelling

De lancering en het binnenhalen (Launch and Recovery - LAR) van een Autonomous Underwater Vehicle (AUV) bij de romp van een naderend gastplatform (bijv. een Extra-Large Uncrewed Underwater Vehicle, XLUUV) vereist navigatie door een complex, driedimensionaal propeller-spoor (wake). Deze omgeving wordt gekenmerkt door gelokaliseerde snelheidsschommelingen, afschuivingslagen (shear layers) en tipwervels die niet nauwkeurig gemodelleerd kunnen worden door uniforme stroomvelden. Hoewel hoogwaardige Reynolds-Averaged Navier-Stokes (RANS) Computational Fluid Dynamics (CFD) simulaties deze structuren met voldoende nauwkeurigheid kunnen oplossen voor padplanning, is hun computationele kost (uren per simulatie) onpraktisch voor real-time besluitvorming aan boord. Bijgevolg vertrouwen bestaande planners op vereenvoudigde modellen (uniforme stromingen of 2D-benaderingen) die er niet in slagen de hydrodynamische belastingen te vatten die cruciaal zijn voor energie-efficiëntie en controle-stabiliteit tijdens operaties op korte afstand.

De centrale onderzoeksleemte die wordt geadresseerd is tweeledig:

1. Er is geen systematische kwantificering van het prestatieverlies dat optreedt wanneer 3D-spoorstructuren worden genegeerd bij AUV LAR-planning.
2. Het is onbekend of computationeel hanteerbare surrogaatmodellen de voordelen van volledige hydrodynamische kennis kunnen herstellen binnen een planning-loop.

Methodologie

1. Hydrodynamisch Domein en Dataset

De studie maakt gebruik van een pseudo-statische omgeving waarbij de snelheid en koers van de gast-XLUUV constant worden gehouden voor elke trajectorie. Het stroomveld wordt gegenereerd met behulp van RANS CFD-simulaties (ANSYS Fluent) met een realizable $k-\epsilon$ turbulentiemodel en een actuator disk propeller-model.

• Domein: Een $155 \times 155 \times 155$ m volume gecentreerd op de XLUUV.
• Dataset: 550 verschillende stroomcondities variërend in snelheid van 0,10–5,00 m/s en koershoeken van 0°–50°. Deze werden geïnterpoleerd naar een $128^3$ voxelgrid (ca. 1,21 m resolutie) om te dienen als grondwaarheid (ground truth) en trainingsdata.

2. Padplanning Framework

Een energie-gewogen A*-algoritme wordt toegepast op de $128^3$ voxelgrid.

• Kostenfunctie: De traversatiekosten tussen knopen worden afgeleid van de hydrodynamische weerstandskracht ($F_D \propto v^2$), waarbij $v$ de snelheidsmagnitude is op de bestemmingsknoop. Deze formulering stimuleert het routeren door gebieden met lage snelheid (bijv. leeward marges), zelfs als het geometrische pad langer is.
• Heuristiek: Een admissible heuristiek gebaseerd op de globale gemiddelde energiekost per eenheid afstand waarborgt optimaliteitsgaranties.

3. Generatieve Flow Field Surrogaten (cGANs)

Om de computationeel dure RANS-simulaties te vervangen, integreren de auteurs twee Conditional Generative Adversarial Network (cGAN) architecturen in een hiërarchische pipeline. De pipeline accepteert scalaire operationele condities (snelheid $v$ en koers $\theta$) als input en genereert een volledige $128^3$ volumetrische stroomveld.

• Fase 1 (2D Synthese): Een getrainde 2D cGAN (Model 4) synthetiseert horizontale en verticale 2D planaire snelheidssneden op basis van de scalaire metadata.
• Fase 2 (3D Generatie): Twee verschillende 3D-generatoren tillen deze sneden naar een volledig 3D-volume:
  • Regularised PatchGAN GradNorm: Een lichtere architectuur met 2D-snede-encoders, cross-attention en gradient-genormaliseerde training. Het is geoptimaliseerd voor inferentiesnelheid en geheugenefficiëntie.
  • 2D3DGAN met Self-Attention (2D3DGAN SA): Een hogere-getrouwheidsarchitectuur aangepast van Yousif et al., voorzien van een globale 3D self-attention laag om langetermijn hydrodynamische relaties te modelleren. Het biedt superieure reconstructie-metrieken, maar vereist aanzienlijk meer GPU-geheugen.

4. Experimenteel Ontwerp

De studie vergelijkt vier varianten van de planner over 19.800 onafhankelijk gegenereerde trajectorieën (36 startknopen $\times$ 550 condities):

1. Current-Only: Gebruikt een uniform gemiddeld snelheidsveld (naïeve baseline).
2. RANS CFD: Gebruikt de geïnterpoleerde grondwaarheid CFD-data (bovengrens van prestaties).
3. PatchGAN: Gebruikt het door de PatchGAN-pipeline voorspelde stroomveld.
4. 2D3DGAN SA: Gebruikt het door de 2D3DGAN SA-pipeline voorspelde stroomveld.

Prestaties worden geëvalueerd aan de hand van vijf metrieken: Energieverbruik, Padlengte, Ontmoetingen met hoge-snelheidscellen, Transities door turbulente cellen en Rekentijd.

Belangrijkste Bijdragen

1. Systematische Multi-Fidelity Benchmark: De eerste kwantitatieve beoordeling van 3D padplanning-prestaties voor AUV LAR, waarbij uniform stroom, grondwaarheid CFD en twee cGAN-surrogaten worden vergeleken over 19.800 trajectorieën. Dit stelt de "kosten" van omgevingsonwetendheid en het herstelpotentieel van surrogaten vast.
2. Hiërarchische cGAN Pipeline: Validatie van een real-time, twee-fasen pipeline (2D snede synthese $\to$ 3D volume generatie) die volledige stroomvelden genereert uit scalaire metadata in minder dan 150 $\mu$s, wat onboard inzetbaarheid mogelijk maakt.
3. Holistisch Evaluatieframework: Introductie van een vijf-metrieken evaluatiesysteem dat een niet-triviale trade-off onthult: het optimaliseren voor energie-efficiëntie (vermijden van de kern met hoge snelheid) verhoogt de blootstelling aan turbulente afschuivingslagen, een bevinding met directe implicaties voor het controleontwerp van AUV's.

Resultaten

Waarde van Hydrodynamische Kennis

• Energiebesparing: Volledige CFD-kennis vermindert het energieverbruik met 5,7–12,5% vergeleken met planning met een uniforme stroom. Besparingen schalen met de koershoek (asymmetrie) in plaats van de snelheid.
• Veiligheid: CFD-planning vermindert de ontmoetingen met kernen met hoge snelheid met tot wel 77,8%, wat het risico op verzadiging van de besturing aanzienlijk beperkt.
• Trade-offs: Deze voordelen gaan gepaard met 1,9–8,5% langere padlengtes en een toename van 14–59% in het passeren van turbulente cellen (blootstelling aan afschuivingslagen).

Prestaties van de Surrogaatmodellen

• Herstel van Voordelen: Beide cGAN-surrogaten herstellen ongeveer 45–60% van de energie- en hoge-snelheidsvermijdingsvoordelen van de CFD onder veeleisende operationele condities.
• Architecturale Divergentie:
  • 2D3DGAN SA: Demonstreert superieure globale reconstructiefailliteit (lagere MSE, hogere SSIM) en behoudt positieve veiligheidsvoordelen (vermijding van hoge snelheden), zelfs bij lage koershoeken. Het vereist echter ~25,7 GB GPU-geheugen, wat het beperkt tot planning voorafgaand aan de missie of oppervlakte-ondersteunde planning.
  • PatchGAN: Biedt een geheugenvoetafdruk van ~2,4 GB, geschikt voor embedded hardware (bijv. NVIDIA Jetson). Hoewel het goed presteert bij hoge hoeken, vertoont het een kritieke foutmodus bij lage koershoeken: het onderschat de pieksnelheden in de compacte propellerrace, waardoor de planner in de kern met hoge snelheid routeert, wat resulteert in 121% meer ontmoetingen met hoge snelheden dan de naïeve baseline.
• Reconstructie versus Nut: De studie stelt vast dat standaard reconstructie-metrieken (MSE, SSIM) de downstream planning-utiliteit niet lineair voorspellen. Een model met iets slechtere globale metrieken (PatchGAN) kan operationeel catastrofaal zijn als fouten geconcentreerd zijn in planning-kritische regio's (de spoor-kern).

Computationele Prestaties

• Infersiesnelheid: De cGAN-pipelines genereren stroomvelden in 28–146 $\mu$s, wat vier ordes van grootte sneller is dan RANS-simulatie.
• Zoektijd: Opvallend genoeg vertonen de GAN-geïnformeerde planners snellere A*-zoektijden dan de CFD-planner (44,9s vs 55,7s), omdat de gladdere grenzen in de door de GAN voorspelde velden een beter navigeerbaar kostenlandschap creëren, wat de vereiste graafverkenning vermindert.

Betekenis en Claims

Het artikel claimt de eerste systematische kwantificering te bieden van de downstream waarde van cGAN-voorspelde hydrodynamische velden voor 3D padplanning in een maritieme robotica-toepassing.

• Operationele Waarde: Het demonstreert dat 3D-sporkennis niet slechts een incrementele verbetering is, maar een operationele noodzaak voor energie-efficiëntie en veiligheid bij LAR op korte afstand, waarbij de voordelen schalen met de ernst van de stroming.
• Haalbaarheid van Surrogaten: Het stelt vast dat cGAN-surrogaten een aanzienlijk deel (45–60%) van de voordelen van volledige CFD-kennis kunnen herstellen tegen inferentiesnelheden die compatibel zijn met edge-devices.
• Implementatieroadmap: Het werk schetst een duidelijk pad voor implementatie: de lichte PatchGAN-architectuur is direct inzetbaar op huidige embedded hardware voor real-time planning, terwijl de hogere-getrouwheids 2D3DGAN SA geschikt is voor planning voorafgaand aan de missie of toekomstige hardwaregeneraties.
• Methodologische Inzicht: De studie daagt de aanname uit dat een hoge globale reconstructienauwkeurigheid een goede downstream taakprestatie garandeert, en pleit voor trainingsdoelstellingen die prioriteit geven aan planning-relevante ruimtelijke kenmerken boven globale volumetrische getrouwheid.

De auteurs concluderen dat hoewel de huidige surrogaten de theoretische optimum van de grondwaarheid CFD niet volledig evenaren, ze 3D-spoorbewuste padplanning in real-time werkbaar maken, waarbij ze de significante kosten (in energie en veiligheidsmarge) kwantificeren van opereren zonder dergelijke kennis.