Optimal Excitation Trajectories for System Identification of Underwater Vehicles

Profundamente sob a superfície, onde a luz solar desaparece e a pressão aumenta, os veículos subaquáticos são incumbidos de alguns dos trabalhos mais delicados e perigosos da humanidade. Desde a inspeção de plataformas de petróleo envelhecidas e o mapeamento de naufrágios até o monitoramento de recifes de coral e a manutenção de cabos submarinos, essas máquinas são os olhos e as mãos de cientistas e engenheiros em um ambiente hostil à vida humana. Para que esses robôs operem de forma eficaz, eles devem ser capazes de se mover com precisão e previsibilidade. No entanto, o oceano é um meio fluido e mutável que resiste ao movimento de formas complexas. Para navegar com segurança, um veículo precisa de um mapa interno preciso de sua própria física — uma compreensão matemática de como ele responde aos seus próprios propulsores, como a água o empurra de volta e como seu peso e flutuabilidade interagem. Sem esse modelo preciso, um robô pode desviar do curso, falhar em manter sua posição ou errar um manobra crítica. O desafio reside em criar este modelo: o comportamento do veículo muda dependendo de sua carga, de seus sensores e até mesmo das condições específicas da água, tornando as suposições pré-programadas pouco confiáveis.

Para resolver isso, pesquisadores da Universidade de Nova York Abu Dhabi desenvolveram uma nova maneira de ensinar robôs subaquáticos sobre si mesmos. Em vez de depender de testes caros e demorados em enormes tanques industriais ou simulações computacionais complexas que frequentemente falham, a equipe projetou um método onde o robô realiza uma série de movimentos específicos e cuidadosamente elaborados para revelar seus próprios segredos dinâmicos. Ao analisar como o robô reage a esses movimentos específicos, a equipe pode calcular as propriedades físicas exatas que regem seu movimento. Esse processo, conhecido como identificação de sistema, permite que o robô construa um modelo personalizado de seu próprio comportamento, que pode então ser usado para controlá-lo com mais precisão ou para prever sua posição futura com alta confiança.

O cerne desta nova abordagem reside no design do próprio movimento. No passado, os engenheiros frequentemente testavam veículos subaquáticos usando movimentos simples e repetitivos, como mover-se para frente e para trás em uma linha reta ou girar em um círculo. Embora esses testes básicos forneçam alguns dados, eles frequentemente falham em capturar a natureza complexa e acoplada de como um veículo se move em três dimensões. Quando um robô vira, ele não apenas rotaciona; ele pode também derivar lateralmente ou mudar levemente sua profundidade devido à física da água. Testes simples costumam perder essas interações sutis. Os pesquisadores perceberam que, para obter uma imagem completa, o robgem precisava ser "excitado" de uma forma mais sofisticada — uma sequência de movimentos que estressasse cada parte de seu sistema físico o suficiente para revelar sua verdadeira natureza, sem levá-lo ao ponto de falha.

Para alcançar isso, a equipe recorreu a uma ferramenta matemática chamada curvas de Bézier. Imagine um fio flexível que um designer pode dobrar e moldar puxando em alguns pontos específicos; a curva entre esses pontos segue um caminho suave e previsível. Os pesquisadores usaram esse conceito para projetar uma trajetória, ou um caminho, para o robô seguir. Ao ajustar as posições desses pontos de controle, eles pudiam criar um movimento suave e contínuo que fosse garantido permanecer dentro de limites seguros, como não bater nas paredes do tanque de teste ou exceder os limites de velocidade dos motores. Este método ofereceu uma flexibilidade que as técnicas antigas careciam, permitindo-lhes criar um caminho que não era apenas um loop simples, mas uma jornada complexa e de múltiplos estágios projetada especificamente para sondar a física do robô.

Os pesquisadores então configuraram um problema de otimização, essencialmente pedindo a um computador para encontrar o melhor conjunto de pontos de controle que geraria os dados mais informativos. O objetivo era criar um caminho que tornasse os movimentos do robô o mais distintos e mensuráveis possível, garantindo que os dados coletados pudessem ser usados para resolver os parâmetros físicos do veículo com alta precisão. Eles impuseram regras de segurança rigorosas a essa otimização: o robô tinha que começar e parar suavemente, permanecer dentro das dimensões de um tanque de água de laboratório e mover-se em velocidades que seus motores pudessem realmente alcançar. A trajetória resultante foi uma jornada de 280 segundos dividida em cinco segmentos distintos. Nos primeiros quatro segmentos, o robô foi guiado para focar em um tipo de movimento por vez — movendo-se para frente, movendo-se lateralmente, subindo e virando — enquanto mantinha outros movimentos mínimos. No segmento final, todas as restrições foram relaxadas, permitindo que o robô se movesse livremente em todas as direções simultaneamente. Essa estrutura garantiu que os pesquisadores pudessem primeiro identificar os comportamentos básicos e independentes do robô e, em seguida, capturar as interações mais complexas que ocorrem quando todos os movimentos acontecem ao mesmo tempo.

A equipe testou esta metodologia usando um VideoRay Defender, um pequeno veículo subaquático em forma de torpedo equipado com sete propulsores. Eles colocaram o robô em um tanque de água de laboratório medindo 6,3 metros por 3,7 metros por 1,8 metros. Para rastrear a posição do robô com extrema precisão, eles colocaram uma placa com marcadores visuais especiais no fundo do tanque e usaram uma câmera voltada para baixo no robô para observar esses marcadores. Enquanto o robô seguia o caminho otimizado, a equipe registrou sua posição, velocidade e os comandos enviados para seus motores. Eles então usaram esses dados para calcular os parâmetros dinâmicos do robô, como sua massa, como a água resistia ao seu movimento e como seu peso estava distribuído.

Os resultados foram impressionantes. Quando os pesquisadores usaram o novo modelo para prever como o robô se moveria em um caminho completamente diferente, as previsões coincidiram com as medições reais com uma precisão notável. O modelo previu com sucesso a velocidade e a direção do robô através de uma variedade de manobras, incluindo caminhos suaves e planejados e até mesmo movimentos bruscos e repentinos comandados por um operador humano via joystick. A única área em que o modelo mostrou uma pequena discrepância foi no movimento de giro, ou guinada (yaw), que os pesquisadores atribuíram ao cabo físico conectando o robô à superfície, um fator que adicionou arrasto e resistência inesperados. Apesar disso, o desempenho geral demonstrou que o modelo identificado poderia capturar o comportamento do veículo de forma confiável.

Este trabalho representa um passo significativo para tornar os robôs subaquáticos mais autônomos e confiáveis. Ao substituir o guesswork e os testes genéricos por uma abordagem estruturada e baseada em dados para entender a própria física de um veículo, os pesquisadores forneceram uma ferramenta que pode ser aplicada a qualquer veículo subaquático modular. Como o método depende dos próprios sensores do robô e de um controlador padrão, ele pode ser facilmente adaptado para veículos que carregam diferentes cargas úteis ou operam em diferentes ambientes. A equipe prevê estender este trabalho para incluir os seis graus de liberdade totais de movimento, incluindo os movimentos de rolagem e arfagem que foram simplificados neste estudo, e, eventualmente, testar esses modelos no oceano aberto. Fundamentalmente, esta abordagem oferece uma maneira de garantir que as máquinas que exploram nossos oceanos não estejam apenas seguindo comandos, mas compreendendo verdadeiramente como se movem através da água.