Underwater MEMS Gyrocompassing: A Virtual Testing Ground

Resumo Técnico: Girocompasso MEMS Subaquático: Um Campo de Teste Virtual

Declaração do Problema
A determinação precisa da rumo é fundamental para o rastreamento de trajetórias durante missões subaquáticas prolongadas. Embora o rolo e o arfagem possam ser calculados com fiabilidade utilizando acelerómetros e a gravidade local, determinar o rumo inicial (guinada) subaquático apresenta desafios significativos. Os métodos tradicionais que dependem de magnetómetros são suscetíveis a interferências eletromagnéticas provenientes da eletrónica própria do Veículo Subaquático Não Tripulado (UUV) e do complexo ambiente subaquático. Os sistemas de navegação baseados em satélite e RF são ineficazes subaquaticamente. Consequentemente, o girocompasso — utilizando a taxa de rotação da Terra ($\omega_{ie}$) — é a solução autónoma preferida. No entanto, o sinal de rotação da Terra é extremamente fraco ($\approx 73 \times 10^{-6}$ rad/s). Embora os giroscópios de Micro-Sistemas Eletromecânicos (MEMS) tenham atingido um nível de sensibilidade capaz de detetar este sinal, o seu desempenho é severamente degradado em condições dinâmicas subaquáticas. As correntes oceânicas e as perturbações induzidas por ondas introduzem ruído e movimentos dinâmicos que obscurecem o subtil vetor de rotação da Terra, tornando os algoritmos convencionais de girocompasso baseados em estação ineficazes para UUVs em movimento ou perturbados.

Metodologia
Os autores propõem uma estrutura baseada em aprendizagem, concebida para mitigar perturbações ambientais e refinar sinais inerciais perturbados para extrair o vetor de rotação da Terra. A metodologia integra dinâmicas teóricas com aprendizagem profunda (DL) num ambiente de teste virtual:

1. Modelação Dinâmica: O artigo estabelece um modelo dinâmico de corpo rígido de 6 Graus de Liberdade (6-DoF) para o UUV. Ao contrário dos modelos cinemáticos, esta abordagem incorpora as equações de Newton-Euler para contabilizar forças e momentos (torques) externos causados por correntes oceânicas. O modelo simplifica o sistema para focar nas coordenadas rotacionais ($\dot{\nu}_2$), tratando os momentos externos ($\tau_2$) como termos de força.
2. Síntese de Perturbações: Para simular condições subaquáticas realistas, os autores geram dinâmicas sintéticas sobrepondo três perfis de perturbação distintos a dados de sensores estacionários do mundo real:
   • Impulso: Perturbações instantâneas.
   • Degrau: Mudanças súbitas que transitam para o estado estacionário.
   • Senoidal: Padrões periódicos semelhantes a ondas que imitam correntes oceânicas.
     Estas perturbações são resolvidas utilizando as equações diferenciais do sistema, criando um conjunto de dados em "modo misto" que combina ruído de sensor real com efeitos dinâmicos simulados.
3. Estrutura de Aprendizagem: Um modelo supervisionado de aprendizagem profunda é treinado para mapear os sinais de entrada sintetizados e perturbados ($\check{\omega}_b$) para os ângulos de rumo de referência ($\psi$). O modelo aprende a distinguir o sinal significativo de rotação da Terra enterrado sob erros instrumentais e dinâmicas hidrodinâmicas complexas. O objetivo do treino minimiza a perda quadrática entre os rumos previstos e os reais.

Principais Contribuições

• Campo de Teste Virtual: O artigo introduz um pipeline inovador para gerar dados dinâmicos subaquáticos sintéticos. Isto permite o treino e a avaliação de algoritmos de girocompasso sob intensidades de perturbação controladas e variáveis, sem a necessidade de ensaios físicos no mar extensos e dispendiosos.
• Aprendizagem Consciente da Dinâmica: Ao contrário dos métodos convencionais de remoção de ruído (por exemplo, denoising por wavelets, filtros de Wiener) que frequentemente assumem condições estacionárias, a estrutura proposta aprende explicitamente a lidar com dinâmicas variantes no tempo e perturbações não estacionárias.
• Integração de Física e IA: A abordagem preenche a lacuna entre dinâmicas analíticas de corpo rígido e aprendizagem de máquina orientada por dados, utilizando modelos físicos para gerar dados de treino que respeitam as leis do movimento e da hidrodinâmica.

Resultados
Simulações empíricas foram conduzidas para avaliar a adaptabilidade da estrutura a intensidades de perturbação variáveis, quantificadas pela razão torque-inércia ($\gamma$).

• Comparação de Desempenho: O modelo de aprendizagem proposto foi comparado com quatro técnicas de filtragem de última geração: denoising por wavelets, filtro de Wiener, filtro de Savitzky-Golay (SG) e filtro de Resposta ao Impulso Finito (FIR).
• Redução de Erro: O modelo baseado em aprendizagem demonstrou desempenho superior em todos os níveis de perturbação testados. Alcançou melhorias no Erro Quadrático Médio (RMSE) que variaram de 30% a 60% em comparação com os filtros convencionais de melhor desempenho.
• Robustez: Enquanto os filtros convencionais lutavam à medida que a intensidade das perturbações dinâmicas aumentava (valores de $\gamma$ mais elevados), o modelo de aprendizagem manteve taxas de erro mais baixas, efetivamente "ignorando" dinâmicas aditivas para focar no sinal de rotação subjacente. Em cenários de alta perturbação (por exemplo, $\gamma = 10$), onde a Relação Sinal-Ruído (SNR) caiu significativamente, o modelo extraiu com sucesso a informação de rumo onde os métodos tradicionais falharam.

Significado e Alegações
O artigo afirma que a sua contribuição principal é fornecer uma solução de girocompasso resiliente para UUVs operando em ambientes subaquáticos dinâmicos. Ao aproveitar os avanços recentes na aprendizagem de máquina, a estrutura aborda as limitações dos procedimentos baseados em modelos que se degradam sob correntes oceânicas. Os autores postulam que esta abordagem redefine os limites de erro para a navegação subaquática, tornando giroscópios MEMS comerciais competentes para a determinação precisa de rumo, mesmo quando sujeitos a perturbações ambientais significativas. O trabalho serve como uma prova de conceito realista, demonstrando que abordagens baseadas em aprendizagem podem mitigar efetivamente a interação complexa entre a dinâmica do veículo e o ruído do sensor, permitindo assim um alinhamento preciso do rumo inicial sem dependência de sinais magnéticos ou de satélite externos.