SAGE: Ergodic Control for Autonomous and Adaptive Inspection of Subsea Infrastructure

Diep onder het wateroppervlak beheert kritieke infrastructuur, bekend als subsea Christmas trees, de stroming van olie en gas. Deze complexe structuren zijn bezaaid met kleppen, flenzen en connectoren die constante monitoring vereisen om te garanderen dat ze niet lekken. Decennialang was deze inspectie een door mensen geleide onderneming, waarbij vertrouwd werd op duikers of remotely operated vehicles die strikte, vooraf geschreven schema's volgden. De uitdaging ligt in het feit dat niet elk onderdeel van de structuur op elk moment even belangrijk is. Een klep met een vermoedelijke lekkage vereist onmiddellijke en frequente aandacht, terwijl een component met een schoon verleden langer kan wachten. Bij de traditionele aanpak moet een menselijke operator, indien er halverwege een missie een nieuw lek wordt ontdekt, het voertuig stoppen, handmatig een nieuwe route berekenen en nieuwe commando's uitgeven om de gevaren te prioriteren. Dit proces is traag, onderbreekt de workflow en laat kritieke hiaten in de dekking achter terwijl het plan wordt herschreven.

Onderzoekers hebben een nieuwe aanpak ontwikkeld genaamd SAGE, wat staat voor Semantic and Adaptive Generative Ergodicity, ontworpen om onderwaterrobots deze verschuivende prioriteiten zelfstandig te laten afhandelen. In plaats van een vaste lus te volgen die elk punt in dezelfde volgorde bezoekt, behandelt dit systeem het inspectiegebied als een kaart van risico. De robot berekent continu waar het gevaar het grootst is en past zijn bewegingen aan om meer tijd door te brengen op die specifieke plekken. Het kernidee is dat het pad van de robot van nature de veranderende behoeften van de missie moet weerspiegelen. Als een klep plotseling een hoog risico wordt, wacht de robot niet tot een mens de kaart opnieuw tekent; het begint onmiddellijk die klep vaker te cirkelen, simpelweg omdat de interne berekening van "waarheen te gaan als volgende" is veranderd. Deze methode, bekend als ergodische controle, stemt de beweging van de robot af op een live distributie van risico, waardoor de tijd die nabij een component wordt doorgebracht proportioneel is aan de hoeveelheid aandacht die dat component op dat moment nodig heeft.

In een gesimuleerde omgeving testten de onderzoekers dit systeem tegen een standaard, vaste route-methode met behulp van een scenario met twee onderwaterstructuren die in totaal vijf kleppen bevatten. Ze creëerden een situatie waarin één klep een aanzienlijk lek ontwikkelde, wat een scenario met een hoog risico vertegenwoordigde, terwijl de andere routine bleven. De traditionele methode, die een vooraf geplande tour gebruikte, behandelde elke klep met hetzelfde schema. Het bezocht elke klep precies elke 8,1 seconden, ongeacht of een klep lekte of perfect veilig was. Zelfs toen het risico bij de lekkende klep piekte, zette de robot zijn vaste lus voort, niet in staat om de noodsituatie te prioriteren zonder dat een mens de missie onderbrak om de route te herplannen. In contrast hiermee reageerde het SAGE-systeem onmiddellijk op het gesimuleerde lek. Zonder enige menselijke interventie of een pauze om een pad te herberekenen, paste de robot zijn gedrag automatisch aan. Het begon de lekkende klep elke 5,8 seconden te bezoeken, waardoor het de klep ongeveer 1,4 keer vaker controleerde dan de robot met de vaste route. Gedurende een simulatie van vijf minuten bezocht de SAGE-robot de lekkende klep 50 keer, terwijl de traditionele robot deze slechts 37 keer bezocht.

Het verschil in prestaties strekte zich uit voorbij alleen de lekkende klep. Omdat het SAGE-systeem gefocust was op het gebied met een hoog risico, besteedde het van nature minder tijd aan de kleppen die geen dreiging vormden. In de simulatie negeerde de robot een van de laag-risico kleppen volledig en bezocht deze nul keer, terwijl de vaste-route-robot tijd verspilde door deze 37 keer te controleren. Dit vermogen om tijd dynamisch toe te wijzen betekent dat een potentieel lek onder het nieuwe systeem veel korter onopgemerkt kan blijven. De onderzoekers ontdekten dat de tijd tussen controles voor de gevaarlijke klep aanzienlijk werd verminderd, waardoor de kwetsbaarheidsperiode werd teruggebracht tot ongeveer twee derde van wat het was met de oude methode. Het systeem bereikte dit door voortdurend een mentale risicokaart bij te werken en de snelheid en richting in realtime aan te passen, in plaats van een rigide script te volgen.

Hoewel de resultaten in de simulatie veelbelovend waren, erkennen de onderzoekers dat het systeem beperkingen heeft. In de test betekende de intense focus van de robot op de lekkende klep dat hij de klep met het laagste risico volledig verwaarloosde, wat een probleem zou kunnen zijn als die klep plotseling een probleem zou ontwikkelen. Het team suggereert dat toekomstige versies van de software een veiligheidsregel kunnen bevatten om te garanderen dat elke klep ten minste één keer wordt gecontroleerd, zelfs als deze een laag risico heeft, om ervoor te zorgen dat geen enkel deel van de structuur volledig wordt vergeten. De volgende stappen voor de technologie omvatten het sluiten van de lus tussen de ogen en het brein van de robot. Momenteel werden de risiconiveaus in de simulatie handmatig ingesteld, maar het uiteindelijke doel is dat de robot lekken direct via zijn camera's of sonar detecteert en de risicokaart automatisch bijwerkt. De onderzoekers zijn ook van plan om het systeem te testen op echte onderwatervoertuigen in de oceaan, inclus\n_bij experimenten waarbij een lek halverwege een missie wordt geïntroduceerd om te zien hoe de robot zich in de echte wereld aanpast._

Deze technologie vertegenwoordigt een verschuiving van rigide planning naar adaptief bewustzijn, waardoor autonome systemen beslissingen kunnen nemen op basis van realtime condities in plaats van een vooraf geschreven plan. Dezelfde logica zou uiteindelijk kunnen worden toegepast op andere taken waarbij prioriteiten gaandeweg veranderen, zoals het zoeken naar overlevenden in rampgebieden, het monitoren van milieuproblemen zoals olierampen, of het verzamelen van zwerfvuil in kustwateren. Door de robot te laten beslissen waarheen te gaan op basis van waar de nood het grootst is, biedt het systeem een manier om onderwatersinspecties sneller, veiliger en responsiever te maken voor de directe realiteiten van de diepe oceaan.