Resumo Técnico: Planejamento de Trajetória Subaquática 3D via Surrogates de Campo de Fluxo Generativo

Definição do Problema

O Lançamento e Recuperação (LAR) de Veículos Subaquáticos Autônomos (AUV) no casco de uma plataforma hospedeira avançando (por exemplo, um Veículo Subaquático Não Tripulado de Tamanho Extra-Grande, XLUUV) requer a navegação em um complexo rastro de hélice tridimensional. Este ambiente é caracterizado por flutuações localizadas de velocidade, camadas de cisalhamento e vórtices de ponta que não podem ser modelados com precisão por campos de corrente uniformes. Embora simulações de alta fidelidade de Dinâmica de Fluidos Computacional (CFD) baseadas em Reynolds-Averaged Navier-Stokes (RANS) possam resolver essas estruturas com precisão suficiente para o planejamento de trajetória, seu custo computacional (horas por simulação) as torna impraticáveis para a tomada de decisão em tempo real a bordo. Consequentemente, os planejadores existentes dependem de modelos simplificados (correntes uniformes ou aproximações 2D) que falham em capturar as cargas hidrodinâmicas críticas para a eficiência energética e estabilidade de controle durante operações de proximidade.

A lacuna de pesquisa central abordada é dupla:

1. Não há uma quantificação sistemática da perda de desempenho incorrida ao ignorar as estruturas de rastro 3D no planejamento de LAR de AUV.
2. Não se sabe se modelos substitutos (surrogates), computacionalmente tratáveis, podem recuperar os benefícios do conhecimento hidrodinâmico completo dentro de um loop de planejamento.

Metodologia

1. Domínio Hidrodinâmico e Conjunto de Dados

O estudo utiliza um ambiente pseudoestático onde a velocidade e o curso do XLUUV hospedeiro são mantidos constantes para cada trajetória. O campo de fluxo é gerado usando simulações de CFD RANS (ANSYS Fluent) com um modelo de turbulência $k-\epsilon$ realizável e um modelo de disco de atuador para a hélice.

• Domínio: Um volume de $155 \times 155 \times 155$ m centrado no XLUUV.
• Conjunto de Dados: 550 condições de fluxo distintas abrangendo velocidades de 0,10–5,00 m/s e ângulos de curso de 0°–50°. Estes foram interpolados em uma grade de voxels de $128^3$ (aprox. 1,21 m de resolução) para servir como verdade fundamental (ground truth) e dados de treinamento.

2. Estrutura de Planejamento de Trajetória

Um algoritmo A* ponderado por energia é empregado na grade de voxels de $128^3$.

• Função de Custo: O custo de travessia entre nós é derivado da força de arrasto hidrodinâmico ($F_D \propto v^2$), onde $v$ é a magnitude da velocidade no nó de destino. Esta formulação incentiva o roteamento através de corredores de rastro de baixa velocidade (ex: margens de sotavento), mesmo que o caminho geométrico seja mais longo.
• Heurística: Uma heurística admissível baseada no custo de energia média global por unidade de distância garante garantias de otimalidade.

3. Surrogates de Campo de Fluxo Generativos (cGANs)

Para substituir as caras simulações de CFD RANS, os autores integram duas arquiteturas de Redes Adversárias Generativas Condicionais (cGAN) em um pipeline hierárquico. O pipeline aceita condições operacionais escalares (velocidade $v$ e curso $\theta$) como entrada e produz um campo de fluxo volumétrico completo de $128^3$.

• Estágio 1 (Síntese 2D): Uma cGAN 2D pré-treinada (Modelo 4) sintetiza fatias de velocidade planares horizontais e verticais a partir dos metadados escalares.
• Estágio 2 (Geração 3D): Dois geradores 3D distintos elevam estas fatias a um volume 3D completo:
  • PatchGAN GradNorm Regularizado: Uma arquitetura mais leve usando codificadores de fatias 2D, atenção cruzada (cross-attention) e treinamento de normalização de gradiente. É otimizada para velocidade de inferência e eficiência de memória.
  • 2D3DGAN com Auto-Atenção (2D3DGAN SA): Uma arquitetura de maior fidelidade adaptada de Yousif et al., apresentando uma camada de auto-atenção 3D global para modelar relacionamentos hidrodinâmicos de longo alcance. Oferece métricas de reconstrução superiores, mas requer significativamente mais memória de GPU.

4. Desenho Experimental

O estudo compara quatro variantes de planejadores em 19.800 trajetórias geradas independentemente (36 nós iniciais $\times$ 550 condições):

1. Apenas Corrente (Current-Only): Utiliza um campo de velocidade média uniforme (linha de base ingênua).
2. RANS CFD: Utiliza dados de CFD interpolados da verdade fundamental (limite superior de desempenho).
3. PatchGAN: Utiliza o campo de fluxo previsto pelo pipeline PatchGAN.
4. 2D3DGAN SA: Utiliza o campo de fluxo previsto pelo pipeline 2D3DGAN SA.

O desempenho é avaliado usando cinco métricas: Gasto de Energia, Comprimento de Trajetória, Encontros com Células de Alta Velocidade, Transições de Células Turbulentas e Tempo de Computação.

Principais Contribuições

1. Benchmark de Multifidelidade Sistemático: A primeira avaliação quantitativa do desempenho de planejamento de trajetória 3D para LAR de AUV, comparando corrente uniforme, CFD de verdade fundamental e dois surrogates cGAN ao longo de 19.800 trajetórias. Isso estabelece o "custo" da ignorância ambiental e o potencial de recuperação dos surrogates.
2. Pipeline cGAN Hierárquico: Validação de um pipeline de dois estágios em tempo real (síntese de fatia 2D $\to$ geração de volume 3D) que gera campos de fluxo completos a partir de metadados escalares em menos de 150 $\mu$s, tornando o implante embarcado viável.
3. Estrutura de Avaliação Holística: Introdução de um sistema de cinco métricas que revela um compromisso (trade-off) não trivial: otimizar para eficiência energética (evitar o núcleo de alta velocidade do rastro) aumenta a exposição a camadas de cisalhamento turbulentas, um achado com implicações diretas para o design do sistema de controle do AUV.

Resultados

Valor do Conhecimento Hidrodinâmico

• Economia de Energia: O conhecimento total de CFD reduz o gasto de energia em 5,7–12,5% em comparação com o planejamento de corrente uniforme. As economias escalam com o ângulo de curso (assimetria) em vez da velocidade.
• Segurança: O planejamento com CFD reduz os encontros com núcleos de rastro de alta velocidade em até 77,8%, mitigando significativamente os riscos de saturação de controle.
• Compromissos (Trade-offs): Estes benefícios ocorrem ao custo de trajetórias 1,9–8,5% mais longas e um aumento de 14–59% nas travessias de células turbulentas (exposição a camadas de cisalhamento).

Desempenho do Surrogate

• Recuperação de Benefícios: Ambos os surrogates cGAN recuperam aproximadamente 45–60% dos benefícios de energia e de evasão de alta velocidade do CFD em condições operacionais exigentes.
• Divergência Arquitetural:
  • 2D3DGAN SA: Demonstra fidelidade de reconstrução global superior (menor MSE, maior SSIM) e mantém benefícios de segurança positivos (evasão de alta velocidade) mesmo em baixos ângulos de curso. No entanto, requer cerca de 25,7 GB de memória GPU, limitando-o ao planejamento pré-missão ou assistido por superfície.
  • PatchGAN: Oferece uma pegada de memória de ~2,4 GB, adequada para hardware embarcado (ex: NVIDIA Jetson). Embora funcione bem em ângulos altos, apresenta um modo de falha crítico em baixos ângulos de curso: subestima os picos de velocidade no rastro compacto da hélice, fazendo com que o planejador roteie para dentro do núcleo de alta velocidade, resultando em 121% mais encontros de alta velocidade do que a linha de base ingênua.
• Reconstrução vs. Utilidade: O estudo descobre que as métricas de reconstrução padrão (MSE, SSIM) não predizem linearmente a utilidade de planejamento subsequente. Um modelo com métricas globais ligeiramente piores (PatchGAN) pode ser operacionalmente catastrófico se os erros estiverem concentrados em regiões críticas para o planejamento (o núcleo do rastro).

Desempenho Computacional

• Velocidade de Inferência: Os pipelines cGAN geram campos de fluxo em 28–146 $\mu$s, o que é quatro ordens de magnitude mais rápido que a simulação RANS.
• Tempo de Busca: Curiosamente, os planejadores informados por GAN exibem tempos de busca A* mais rápidos do que o planejador CFD (44,9s vs 55,7s) porque as fronteiras mais suaves nos campos previstos pela GAN criam um cenário de custo mais navegável, reduzindo a exploração do grafo necessária.

Significância e Alegações

O artigo afirma fornecer a primeira quantificação sistemática do valor de planejamento de trajetória subsequente dos campos hidrodinâmicos previstos por cGAN em uma aplicação de robótica marítima 3D.

• Valor Operacional: Demonstra que o conhecimento do rastro 3D não é apenas uma melhoria incremental, mas uma necessidade operacional para eficiência energética e segurança em LAR de proximidade, com benefícios que escalam com a severidade do fluxo.
• Viabilidade de Surrogates: Estabelece que os surrogates cGAN podem recuperar uma fração substancial (45–60%) dos benefícios do conhecimento total de CFD em velocidades de inferência compatíveis com dispositivos de borda (edge devices).
• Roteiro de Implantação: O trabalho delineia um caminho claro para implantação: a arquitetura leve PatchGAN é imediatamente implantável em hardware embarcado atual para planejamento em tempo real, enquanto o 2D3DGAN SA de maior fidelidade é adequado para planejamento pré-missão ou futuras gerações de hardware.
• Insight Metodológico: O estudo desafia a suposição de que a alta precisão de reconstrução global garante um bom desempenho de tarefa subsequente, argumentando por objetivos de treinamento que priorizem características espaciais relevantes para o planejamento sobre a fidelidade de volume global.

Os autores concluem que, embora os atuais surrogates não correspondam totalmente ao ótimo teórico do CFD de verdade fundamental, eles tornam o planejamento de trajetória consciente do rastro e em tempo real tratável, quantificando o custo significativo (em energia e margem de segurança) de operar sem tal conhecimento.