💻 computer science

Fault Diagnosis for Underwater Vehicles using Moving Horizon Estimation and Gaussian Processes

Este artigo propõe um arcabouço de diagnóstico de falhas robusto para veículos subaquáticos que combina a Estimativa de Horizonte Móvel com Processos Gaussianos para distinguir falhas de atuadores de dinâmicas não modeladas, permitindo a detecção, isolamento e estimativa de magnitude precisos, validados por meio de experimentos laboratoriais.

Autores originais: Fotis Panetsos, Kostas J. Kyriakopoulos

Publicado 2026-09-16

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Fotis Panetsos, Kostas J. Kyriakopoulos

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Profundamente sob a superfície, onde a luz solar desaparece e a pressão aumenta, robôs subaquáticos são incumbidos de algumas das missões mais críticas da humanidade. De inspeção de plataformas de petróleo submersas ao monitoramento de ecossistemas marinhos frágeis, essas máquinas operam em um ambiente que é hostil, imprevisível e implacável. Uma única falha mecânica, como um propulsor perdendo potência, pode transformar um levantamento de rotina em um veículo perdido ou uma missão fracassada. Como esses robôs não podem ser facilmente reparados após o deployment, engenheiros buscam há muito tempo maneiras de dar a eles a capacidade de reconhecer quando algo está errado. O desafio reside em distinguir uma quebra mecânica genuína do ruído natural e caótico do próprio oceano. A água empurra e puxa o veículo de formas que são difíceis de prever perfeitamente, criando uma névoa de incerteza que frequentemente mascara os sinais precoces de uma falha.

Para resolver isso, pesquisadores da Universidade de Nova York Abu Dhabi desenvolveram um novo sistema que permite que veículos subaquáticos diagnostiquem sua própria saúde com precisão notável, mesmo quando a água circundante se comporta de maneiras inesperadas. A abordagem deles combina um modelo matemático de como o veículo deveria se mover com um sistema de aprendizado que entende como o veículo realmente se move no mundo real. Ao comparar essas duas perspectivas, o sistema consegue isolar a assinatura específica de um propulsor quebrado do caos geral das dinâmicas de água não modeladas. Em uma série de testes dentro de um grande tanque de água de laboratório, a equipe demonstrou que seu método poderia não apenas detectar quando um propulsor falhou, mas também localizar exatamente qual deles estava quebrado e calcular quanto de potência ele havia perdido, tudo isso enquanto o veículo estava em movimento.

O cerne desta inovação reside em como os pesquisadores lidam com o desconhecido. Métodos tradicionais dependem de uma descrição matemática perfeita do veículo e de seu ambiente. No entanto, na realidade, nenhum modelo é perfeito; fatores como o formato do casco, a viscosidade da água e a presença de detritos criam forças pequenas e imprevisíveis que o modelo não consegue contabilizar. Essas "dinâmicas não modeladas" muitas vezes parecem exatamente uma falha para um sistema de diagnóstico padrão, levando a alarmes falsos ou detecções perdidas. Os pesquisadores abordaram isso utilizando uma técnica chamada Estimador de Horizonte Móvel (Moving Horizon Estimator). Imagine um sistema que olha constantemente para os últimos segundos do movimento do veículo, comparando seu caminho real contra onde o modelo matemático previa que ele deveria estar. A diferença entre os dois é tratada como uma "perturbação agrupada", um valor único que captura tudo o que o modelo perdeu, incluindo tanto o ruído natural da água quanto qualquer potencial falha mecânica.

Para separar o ruído da falha, a equipe introduziu uma segunda camada de inteligência usando Processos Gaussianos. Este é um tipo de aprendizado de máquina que se destaca em aprender padrões a partir de dados enquanto mede simultaneamente o quão incerto é sobre esses padrões. Antes de qualquer falha ocorrer, os pesquisadores submeteram o veículo a várias manobras para coletar dados sobre como ele se comportava sob condições normais. Eles alimentaram esses dados no Processo Gaussiano, que aprendeu a prever o "ruído" das dinâmicas não modeladas para qualquer situação dada. Quando o veículo estava operando, o sistema comparava a perturbação agrupada estimada pela primeira camada contra a previsão do Processo Gaussiano do que o ruído deveria ser. Se a diferença entre os dois fosse pequena, o veículo estava saudável. Se a diferença fosse grande e estatisticamente significativa, isso sinalizava um problema.

Os pesquisadores testaram essa estrutura em um pequeno veículo subaquático de sete propulsores conhecido como VideoRay Defender. Eles realizaram experimentos em um tanque de água medindo 6,3 metros por 3,7 metros, usando um sistema de câmera para rastrear a posição do veículo com alta precisão. No primeiro conjunto de testes, o veículo foi teleoperado, o que significa que um piloto humano controlava seus movimentos via joystick. Os pesquisadores simularam uma falha completa em um dos propulsores horizontais cortando sua energia. Em dois segundos após a falha, o sistema detectou a anomalia, identificou corretamente o propulsor específico quebrado e calculou que sua eficácia havia caído para zero. O sistema alcançou isso analisando o sinal residual — a lacuna entre a perturbação estimada e a previsão de ruído aprendida — que revelou claramente a assinatura da falha.

O verdadeiro teste da robustez do sistema ocorreu durante experimentos de malha fechada (closed-loop), onde o veículo foi programado para seguir uma trajetória elíptica específica por conta própria, sem intervenção humana. Nesses cenários, o veículo tinha que ajustar constantemente seus propulsores para manter o curso, criando um ambiente complexo e dinâmico. Os pesquisadores introduziram uma falha parcial, reduzindo a potência de um propulsor para apenas 25% de sua capacidade normal. O sistema identificou com sucesso a falha, isolou o propulsor específico e estimou com precisão o nível de potência restante. Crucialmente, a equipe também realizou um teste de comparação onde ignoraram as dinâmicas não modeladas e confiaram apenas nas estimativas de perturbação bruta. Sem o componente de aprendizado, o sistema gerou alarmes falsos, disparando avisos mesmo quando o veículo estava saudável, e falhou em medir com precisão a gravidade da falha. Isso confirmou que aprender o ruído de fundo era essencial para um diagnóstico confiável.

Os resultados, validados através de múltiplos cenários, incluindo falha total de propulsor e degradação parcial, mostram que a estrutura proposta oferece um salto significativo na segurança da robótica subaquática. Ao integrar um estimador baseado em modelo com um sistema de aprendizado baseado em dados, os pesquisadores criaram uma ferramenta de diagnóstico que é tão sensível para capturar falhas sutis quanto robusta para ignorar a turbulência natural do oceano. Embora o trabalho atual se concentre em falhas únicas e condições controladas de laboratório, o sucesso desta abordagem sugere um futuro onde veículos subaquáticos podem operar com um grau maior de autonomia e segurança, capazes de autodiagnóstico mesmo nos ambientes mais desafiadores e imprevisíveis. A equipe planeja estender este trabalho para lidar com múltiplas falhas simultâneas e adaptar o sistema para uso no oceano aberto, onde as perturbações ambientais são muito mais severas.

Resumo Técnico: Diagnóstico de Falhas para Veículos Subaquáticos utilizando Estimativa de Horizonte Móvel e Processos Gaussianos

Definição do Problema
Veículos subaquáticos (UVs) operam em ambientes complexos onde falhas de atuadores, particularmente nos propulsores devido ao desgaste, bioincrustação ou emaranhamento, representam riscos significativos à segurança e ao sucesso da missão. Embora existam técnicas de Detecção e Diagnóstico de Falhas (FDD), elas enfrentam um desafio crítico: distinguir entre falhas reais de atuadores e "dinâmicas não modeladas" (ex: efeitos hidrodinâmicos, incertezas de parâmetros e simplificações de modelos). Abordagens baseadas em modelos frequentemente dependem de modelos dinâmicos precisos; contudo, discrepâncias entre os modelos nominais e o comportamento real do sistema podem levar a alarmes falsos ou estimativas imprecisas da magnitude da falha. Por outro lado, abordagens baseadas em dados (model-free) geralmente exigem extensos dados de falhas para treinamento, o que é difícil de obter, e tipicamente carecem da capacidade de fornecer estimativas quantitativas da severidade da falha. O problema central abordado é o desenvolvimento de um framework de FDD robusto capaz de detectar, isolar e quantificar falhas únicas de atuadores na presença de dinâmicas não modeladas variáveis, sem depender de dados de falhas pré-coletados.

Metodologia
Os autores propõem um framework de FDD unificado e baseado em modelo que integra três componentes primários:

Estimador de Horizonte Móvel (MHE): Um MHE é formulado com base na dinâmica nominal do UV para estimar um vetor de "distúrbio agrupado" ( $d$ ). Este vetor agrega tanto as dinâmicas não modeladas ( $d_n$ ) quanto os efeitos induzidos por falhas ( $d_f$ ). O distúrbio é modelado como um passeio aleatório (random walk), e o MHE resolve um problema de otimização restrito sobre um horizonte de tempo finito recorrente para fornecer estimativas de distúrbio total consistentes com a dinâmica.
Processos Gaussianos (GP): Para separar as dinâmicas não modeladas das falhas, os autores empregam Processos Gaussianos (especificamente, Processos Gaussianos Variacionais Estocásticos, ou SVGP, para eficiência computacional). Os GPs são treinados apenas com dados coletados durante a operação livre de falhas. Eles aprendem uma representação probabilística não paramétrica das dinâmicas não modeladas ( $d_n$ ) através de diversas condições operacionais, fornecendo tanto uma média prevista quanto uma incerteza preditiva (variância/covariância).
Teste de Razão de Verossimilhança Generalizado (GLRT): Um sinal de resíduo é gerado comparando a estimativa de distúrbio agrupado do MHE com a previsão do GP sobre as dinâmicas não modeladas. Sob condições normais, este resíduo segue uma distribuição Gaussiana de média zero definida pela incerteza preditiva do GP. Na presença de uma falha, o resíduo exibe uma média diferente de zero. Um GLRT é formulado para cada propulsor para testar a hipótese de operação normal versus uma falha única. O teste utiliza uma janela móvel de dados de resíduo e adapta seu limiar com base na incerteza do estado do GP. Se uma falha é detectada, o framework fornece uma Estimativa de Máxima Verossimilhança (MLE) da magnitude da falha ( $\lambda_j$ ), representando a perda de eficácia.

Principais Contribuições

Robustez a Dinâmicas Não Modeladas: Ao modelar explicitamente as dinâmicas não modeladas usando GPs, o framework alcança robustez contra imprecisões de modelo e variações nas condições operacionais, um ponto de falha comum em FDD tradicional baseado em modelos.
Estimativa Quantitativa de Falhas: Diferente de muitos métodos de classificação baseados em dados, esta abordagem fornece uma estimativa quantitativa da magnitude da falha (perda de eficácia de empuxo), não apenas o tipo de falha.
Limiar Adaptativo: O uso da incerteza preditiva do GP permite que o GLRT se adapte às mudanças nas condições operacionais, reduzindo a necessidade de limiares constantes ajustados manualmente e minimizando alarmes falsos.
Eficiência de Dados: O método não requer dados de falhas para o treinamento dos modelos GP, pois aprende apenas as dinâmicas não modeladas nominais. A detecção de falhas baseia-se em desvios estatísticos deste baseline aprendido.
Validação Experimental: A metodologia foi validada experimentalmente em um veículo VideoRay Defender em um tanque de água de laboratório sob cenários de controle de malha aberta (teleoperação) e malha fechada (rastreamento de trajetória).

Resultos Experimentais
O framework foi testado em um tanque de água de 6,3m × 3,7m usando um VideoRay Defender equipado com sete propulsores.

Teleoperação (Malha Aberta): Experimentos envolvendo a falha completa do Propulsor 2 e do Propulsor 3 demonstraram que a estatística do GLRT excedeu com sucesso o limiar de detecção aproximadamente 2 segundos após a injeção da falha. O MLE convergiu precisamente para a verdadeira magnitude da falha ( $\lambda=0$ ).
Controle em Malha Fechada: O sistema foi testado enquanto rastreava uma trajetória elipsoidal. Falhas foram introduzidas em $t=65$ s, incluindo falha completa ( $\lambda_0=0$ ), falha parcial ( $\lambda_0=0,25$ ) e perda intermediária ( $\lambda_0=0,5$ ). O framework detectou e isolou as falhas com sucesso e estimou suas magnitudes.
Análise Comparativa: Uma comparação foi realizada onde as dinâmicas não modeladas foram ignoradas (resíduos baseados apenas no MHE). Esta abordagem de baseline resultou em alarmes falsos antes da injeção da falha e estimativas imprecisas da magnitude da falha. Isso confirmou que a aproximação via GP das dinâmicas não modeladas é essencial para um desempenho confiável.
Computação: A otimização do MHE e a inferência do SVGP foram executadas em tempo real (aproximadamente 7,8 ms e 20,2 ms, respectivamente) em uma estação de trabalho padrão com uma GPU NVIDIA RTX 4090.

Significância e Alegações
O artigo afirma que a metodologia proposta permite a detecção, isolamento e estimativa quantitativa de severidade de falhas confiáveis para veículos subaquáticos, mesmo quando a dinâmica do veículo é imperfeitamente modelada. A integração de MHE e GPs permite que o sistema distinga entre erros inerentes de modelagem e falhas reais de atuadores, reduzindo assim alarmes falsos e melhorando a precisão do diagnóstico. Os autores enfatizam que esta abordagem é particularmente valiosa para missões críticas de segurança onde os dados de falhas são escassos e as condições operacionais são variáveis.

Trabalhos Futuros
Os autores identificam três direções principais para pesquisas futuras:

Estender o framework para lidar com a ocorrência simultânea de múltiplas falhas.
Incorporar distúrbios ambientais significativos através da implementação de treinamento de GP online com um mecanismo de atualização seguro.
Integrar o framework de FDD com um esquema de controle tolerante a falhas ativo para melhorar o desempenho geral do controle.

Mais como este