Optimal Excitation Trajectories for System Identification of Underwater Vehicles

Diep onder het oppervlak, waar het zonlicht vervaagt en de druk toeneemt, hebben onderwatervoertuigen een van de meest delicate en gevaarlijke taken van de mensheid te volbrengen. Van het inspecteren van verouderde olieplatforms en het in kaart brengen van scheepswrakken tot het monitoren van koraalriffen en het onderhouden van onderzeese kabels: deze machines zijn de ogen en handen van wetenschappers en ingenieurs in een omgeving die vijandig is voor menselijk leven. Om effectief te kunnen opereren, moeten deze robots in staat zijn om met precisie en voorspelbaarheid te bewegen. De oceaan is echter een vloeibaar, verschuivend medium dat weerstand biedt aan beweging op complexe manieren. Om veilig te kunnen navigeren, heeft een voertuig een nauwkeurige interne kaart nodig van zijn eigen fysica—een wiskundig begrip van hoe het reageert op zijn eigen stuwers, hoe het water terugduwt, en hoe zijn gewicht en drijfvermogen met elkaar interageren. Zonder dit nauwkeurige model zou een robot uit koers kunnen raken, zijn positie niet kunnen behouden of een kritieke manoeuvre verkeerd kunnen inschatten. De uitdaging ligt in het creëren van dit model: het gedrag van het voertuig verandert afhankelijk van de lading, de sensoren en zelfs de specifieke wateromstandigheden, waardoor vooraf geprogrammeerde gissingen onbetrouwbaar zijn.

Om dit op te lossen, hebben onderzoekers aan New York University Abu Dhabi een nieuwe manier ontwikkeld om onderwaterrobots over zichzelf te leren. In plaats van te vertrouwen op dure, tijdrovende tests in enorme industriële tanks of complexe computersimulaties die vaak de plank misslaan, heeft het team een methode ontworpen waarbij de robot een specifieke, zorgvuldig uitgevoerde reeks bewegingen uitvoert om zijn eigen dynamische geheimen te onthullen. Door te analyseren hoe de robot reageert op deze specifieke bewegingen, kan het team de exacte fysieke eigenschappen berekenen die de beweging beheersen. Dit proces, bekend als systeemidentificatie, stelt de robot in staat om een gepersonaliseerd model van zijn eigen gedrag op te bouwen, dat vervolgens kan worden gebruikt om hem nauwkeuriger aan te sturen of om zijn toekomstige positie met een hoge mate van vertrouwen te voorspellen.

De kern van deze nieuwe aanpak ligt in het ontwerp van de beweging zelf. In het verleden testten ingenieurs onderwatervoertuigen vaak met eenvoudige, repetitieve bewegingen, zoals het heen en weer bewegen in een rechte lijn of het draaien in een cirkel. Hoewel deze basis-tests enige gegevens opleveren, slagen ze er vaak niet in om de complexe, gekoppelde aard te vangen van hoe een voertuig zich in drie dimensies beweegt. Wanneer een robot draait, roteert hij niet alleen; hij kan ook zijwaarts driften of licht van diepte veranderen door de fysica van het water. Eenvoudige tests missen vaak deze subtiele interacties. De onderzoekers realiseerden zich dat om een volledig beeld te krijgen, de robot op een meer geavanceerde manier "geëxciteerd" moest worden—een sequentie van bewegingen die elk deel van zijn fysieke systeem net genoeg zou belasten om zijn ware aard te onthullen, zonder hem tot het punt van falen te drijven.

Om dit te bereiken, maakte het team gebruik van een wiskundig hulpmiddel genaamd Bézier-curves. Stel je een flexibele draad voor die een ontwerper kan buigen en vormen door aan een paar specifieke punten te trekken; de curve tussen die punten volgt een vloeiend, voorspelbaar pad. De onderzoekers gebruikten dit concept om een traject, of een pad, te ontwerpen dat de robot moet volgen. Door de posities van deze controlepunten aan te passen, konden zij een vloeiende, continue beweging creëren die gegarandeerd binnen veilige grenzen bleef, zoals het niet raken van de wanden van de testtank of het overschrijden van de snelheidslimieten van de motoren. Deze methode bood een flexibiliteit die oudere technieken misten, waardoor zij een pad konden ontwerpen dat niet slechts een simpele lus was, maar een complexe, meerfasige reis die specif kind specifiek ontworpen is om de fysica van de robot te verkennen.

De onderzoekers stelden vervolgens een optimalisatieprobleem op, waarbij ze de computer in essentie vroegen om de enkel beste set controlepunten te vinden die de meest informatieve gegevens zou genereren. Het doel was om een pad te creëren dat de bewegingen van de robot zo onderscheidbaar en meetbaar mogelijk zou maken, om ervoor te zorgen dat de verzamelde gegevens met hoge nauwkeurigheid gebruikt kunnen worden om de fysieke parameters van het voertuig te bepalen. Zij stelden strikte veiligheidsregels op voor deze optimalisatie: de robot moest zachtjes starten en stoppen, binnen de afmetingen van een laboratorium watertank blijven en bewegen met snelheden die zijn motoren daadwerkelijk kunnen bereiken. Het resulterende traject was een reis van 280 seconden verdeeld in vijf afzonderlijke segmenten. In de eerste vier segmenten werd de robot geleid om zich op één type beweging tegelijk te concentreren—naar voren bewegen, zijwaarts bewegen, stijgen en draaien—terwijl andere bewegingen minimaal werden gehouden. In het laatste segment werden alle beperkingen versoepeld, waardoor de robot vrij in alle richtingen tegelijk kon bewegen. Deze structuur zorgde ervoor dat de onderzoekers eerst de basis, onafhankelijke gedragingen van de robot konden identificeren en vervolgens de complexere interacties konden vastleggen die optreden wanneer alle bewegingen tegelijkertijd plaatsvinden.

Het team testte deze methodologie met behulp van een VideoRay Defender, een kleine, torpedo-vormige onderwatervoertuig uitgerust met zeven stuwers. Ze plaatsten de robot in een laboratorium watertank van 6,3 meter bij 3,7 meter bij 1,8 meter. Om de positie van de robot met extreme precisie te volgen, plaatsten ze een bord met speciale visuele markeringen op de bodem van de tank en gebruikten ze een naar beneden kijkende camera op de robot om deze te observeren. Terwijl de robot het geoptimaliseerde pad volgde, legde het team zijn positie, snelheid en de commando's die naar zijn motoren werden gestuurd, vast. Vervolgens gebruikten ze deze gegevens om de dynamische parameters van de robot te berekenen, zoals zijn massa, de weerstand die het water aan zijn beweging bood en hoe zijn gewicht was verdeeld.

De resultaten waren opmerkelijk. Wanneer de onderzoekers het nieuwe model gebruikten om te voorspellen hoe de robot zich op een volledig ander pad zou bewegen, kwamen de voorspellingen met opmerkelijke nauwkeurigheid overeen met de werkelijke metingen. Het model voorspelde de snelheid en richting van de robot met grote precisie tijdens een verscheidenheid aan manoeuvres, inclusend vloeiende, vooraf geplande paden en zelfs plotselinge, schokkerige bewegingen die door een mens via een joystick werden aangestuurd. Het enige gebied waar het model een lichte discrepantie vertoonde, was de draaibeweging, of giering (yaw), wat de onderzoekers toeschreven aan de fysieke kabel die de robot met het oppervlak verbond, een factor die onverwachte weerstand en sleep veroorzaakte. Ondanks dit bewees de algehele prestatie dat het geïdentificeerde model het gedrag van het voertuig betrouwbaar kon vastleggen.

Dit werk vormt een belangrijke stap vooruit in het toegankelijker en betrouwbaarder maken van onderwaterrobots. Door giswerk en generieke tests te vervangen door een gestructureerde, op gegevens gebaseerde aanpak om het eigen gedrag van een voertuig te begrijpen, hebben de onderzoekers een instrument geleverd dat kan worden toegepast op elk modulair onderwatervoertuig. Omdat de methode steunt op de eigen sensoren van de robot en een standaard controller, kan deze gemakkelijk worden aangepast voor voertuigen die verschillende ladingen dragen of in verschillende omgevingen opereren. Het team ziet het voor zich om dit werk uit te breiden naar de volledige zes vrijheidsgraden van beweging, inclusclusief de rollende en stampende bewegingen die in deze studie vereenvoudigd zijn, en uiteindelijk deze modellen in de open oceaan te testen. Uiteindelijk biedt deze aanpak een manier om ervoor te zorgen dat de machines die onze oceanen verkennen niet alleen bevelen opvolgen, maar ook echt begrijpen hoe ze zich door het water bewegen.