חקר עמוק-ים נשאר אחד הגבולות התובעניים ביותר במדע ובהנדסת מדעי הרוח המודרניים.מישורים הדו-צדדיים, אומנים הידרותרמיים, וחתכים ימיים של האוקיינוסים בעולם אינם רק בלתי ניתנים לעצירה לבני אדם, אלא גם תחת לחץ קיצוני, שינוי בטמפרטורות אוויריות, וזרםים אוטונומיים בלתי צפויים.

הבנה של Control

בליבתו, בקרה אדפטיבית היא ענף של תורת הבקרה המאפשרת למערכת לשנות את הפרמטרים של בקר שלה באופן אוטומטי בתגובה לריאציות בדינמיקה המערכת, הסביבה, או פרופיל המשימה המפוקפק.בניגוד לשיטות בקרה קבועות (כגון פרופורציונליות-integral-derative-derative-derivative, או PID, בקרים), אשר נועדו למערך ספציפי של תנאי הפעלה ורמות כאשר תנאים אלה, הסתגלות, מתפקוד, יכולים להתאים באופן קבוע, כגון, או לתפקודים, כגון, או לתפקוד ידני, או לתפקוד, או לתפקוד ידני, או לתפקוד, כגון, או לתפקוד ידני, או להתאמה, כגון, כגון, או לתפקוד, או לתפקוד ידני, או לתפקוד, או להתאמה אישית, או לתפקוד, או לתפקוד, או לתפקוד, או לתפקוד ידני, או לתפקוד ידני, או לתפקוד, כגון, או לתפקודי-מתאים מחדש, או לתפקוד ידני, כגון, או לתפקוד ידני, כגון, או לתפקוד ידני, או לתפקוד, או לתפקוד, כגון, או לתפקוד, כגון:

יש כמה פרדיגמות אדריכלות נפוצות לשליטה הסתגלותית:0Model Reference Adaptive control (MRAC)FLT:1 משווה את התפוקה בפועל של AUV נגד תפוקה של מודל ההתייחסות המגדיר את ההתנהגות הסגורה הרצויה (MRAC) מניע חוק הסתגלות אשר מעדכן את הבקר, כך ש- AUV עוקב אחר הסימון באופן הדוק ככל האפשר.

התכונה המרכזית שממבדילה את השליטה ההסתגלות משליטה חזקה או מרווחת היא היכולת שלה להגיב לשינויים בלתי צפויים ללא ידע קודם של שינויים אלה.עבור AUV פועל אלפי מטרים מתחת לפני השטח, שבו חיישן, עונד, ושינויים נוכחיים פתאומיים הם נפוצים, הסתגלות זו אינה רק שיפור - היא לעתים קרובות דרישה להצלחה.

הצורך בשליטה הסתגלות בסביבה של Deep-Sea

האוקיינוס העמוק הוא בין הסביבות המשתנים והקיצוניות ביותר על פני כדור הארץ.במעמקים מתחת לאלף מטרים, לחצים מעל 100 אטמוספירות, טמפרטורות מרחפות רק מעל הקפאת, וניתן להגיע ל- אפס.הנוכחים, בעוד שבדרך כלל איטי יותר מאשר במים לפני השטח, יכולים להציג גלידות פתאומיות מקומיות הנגרמות על ידי גלים פנימיים, זרמי זעזועים סוערים, או אינטראקציות עם טופוגרפיה ים בלתי צפויים אלה עלולים להערים במהירות על ידי אלקטרו-אוויר, אפילו לא יכולים לערערערערערערערערערער את הגישה של המכשיר, ואפילו לאיים, אם לא יכולים להפסדים, אפילו לא יכולים, אפילו לא יכולים לכשל, או להתנגשות, או להתנגשות, אם לא יכולים להתנגשות, או לכשל או להתנגשות, אפילו לא יכולים להתנגשות, אם לא יכולים להתנגשות, אם לאפסת, או להתנגשות, או להתנגשות, אפילו לא יכולים להתנגשות של כלי רכב, אם לא יכולים להתנגשות, או לנטראקטיביות, אפילו לא יכולים לפצות על ידי כישלונות, אם לא יכולים לפצות על ידי כישלונות, אם לא יכולים להתנגשות מובילות, או לנטראקטיביות

יתר על כן, AUVs עצמם עוברים שינויים פיזיים במהלך פריסה.כפי שהרכב יורד, הושע דחוס מעט, שינוי החיוויון.בטריקים, שינוי מרכז הכבידה. Biofouling (הצטברות של אורגניזמים ימיים) יכול להגדיל את גרור על הבקתה ולהבטיח משככי כאבים. again קבוע מכוון עבור אחד התנאים יבצעו גרוע כאשר תנאים אלה משתנים ישירות על ידי שליטה מדויקת על ידי תפקוד יעיל של כלי רכב יציב.

מעבר להפרעות קצרות טווח, בקרה אדפטיבית מאפשרת גם AUVs להתמודד עם משימות ארוכות טווח כי בימים או שבועות. כמו תנאים סביבתיים סחף לאורך זמן (כגון ⁇ טמפרטורה עונתית או מחזורי טיטד), בקר הסתגלות יכול לעקוב אחר השינויים האטיים ולשמור על ביצועים אופטימליים.

היתרונות העיקריים של בקרת הסתגלות ב AUVs

המונחים: system Precision

בים העמוק, אותות GPS אינם זמינים, כך AUVs להסתמך על מערכות ניווט מתות, אינפורמטיבי, ולעתים גם מיקום אקוסטי.שליטה הסתגלות משפר את הניווט על ידי שמירה על AUV על מסלולו המיועד עם דיוק גדול יותר, גם כאשר זמניים חוצה או מכשולים בלתי צפויים (כגון רכסים תלולים) מופיעים.הבקר יכול להתאים פלטות דחף וזוויתות בזמן אמתי לסטיות קטנות, הם דורשים שגיאות מהירות גבוהה יותר.

רובוסט יציבות ואנושיות

AUV פועל בעומק חייב לשמור על סט יציב, רול, ו- Yaw תוך ביצוע תרגילים כגון מרחף, מפנה, או עלה דרך רכובים thermoclines. התאמות, במיוחד אלה אשר מעריכים את האינטרנציה של הרכב הידרודינמיקה הידרודינמיקה coefficients על זבוב, יכול לשמור על AUV היטב דגימה ותגובה.זה חשוב במיוחד ליד קרקעית הים, שבו כלי דגימה עדין חייב להיות ממוקם ללא מקודמת אלמוגים שברירי או מלוכדים.

אנרגיה יעילה ומשימה מורחבת

כלי רכב תת-ימיים מחזיקים כמות סופית של אנרגיה, בדרך כלל בצורת סוללות או תאי דלק.שליטה הסתגלותית יכולה להפחית את צריכת האנרגיה על ידי אופטימיזציה של דחף אימפולסיבי וחיסול תנודות מיותרות או תיקונים מיותרים.לדוגמה, אם הבקר חש כי המכונית נדחקת על ידי זרם קבוע, זה יכול ליישם תיקון מתמשך, נמוך במקום סדרה של אנרגיה אגרסיבית, מתפזר יותר, 000 שעות, יכול להגיע לכיסויים יותר, או יותר, על ידי טווח רחב יותר, או יותר, על ידי טווח רחב יותר, או יותר, או יותר של 10 שעות, כדי לאפשר מהירויות של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, כדי יותר, 000 של יותר, 000 של יותר, 000 רחב יותר, 000 יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 של יותר, 000 רחב יותר, 000 רחב יותר, 000 רחב יותר, 000, 000, 000, 000, 000 יותר, 000 $, 000, 000, 000, 000, 000, 000, יכול ליישם תיקון קבוע יותר, 000, 000, 000, 000, 000, 000, 000 יותר, 000, 000,

המונחים: Greater Autonomy

אחת המטרות העיקריות של טכנולוגיית AUV היא להפחית את הצורך בפיקוח אנושי קבוע.מערכות בקרה הסתגלותיות מאפשרות את זה על ידי הפעלת הרכב למצבים בלתי צפויים ללא המתנה לפקודות מספינת פני השטח.ה- AUV יכול להתאים באופן אוטונומי את אסטרטגיית השליטה שלו להתמודד עם דחף כושל, עלייה פתאומית בגרור, או שינוי בעדיפות זו של אוטונומיה הוא קריטי עבור משימות רוחב פס עמוק שבו תקשורת מוגבלת מאוד יכול להיות נמדד שניות.

ניהול הסתגלות ב- AUV Systems

יישום שליטה אדפטיבית ב- AUV דורש שילוב משולב בקפידה של חומרה ותוכנה.הרכב חייב להיות מצויד עם חיישנים המספקים משוב בזמן אמת על המצב והסביבה שלו, פועלים שיכולים להשפיע על שינוי (התרגילים, הפנים, מנועי החילוף), ומחשב על הסיפון חזק מספיק כדי להפעיל את האלגוריתמים ההסתגלות בזמן אמת.

חבילת החיישן הנפוצה ביותר לשליטה הסתגלותית כוללת יחידת מדידה לא רצויה (IMU) עבור האצות ושיעורי זווית, חיישן לחץ לעומק, יומן מהירות דופלר (DVL) למהירויות קרקעיות, ולעתים קרובות מצפן או ג'ירו לכותרות.יש יישומים מתקדמים גם משלבים פרופילים עכשוויים אקוסטיים כדי למדוד מהירות במים בעמודה שמסביב, ומאפשרים לבקר לצפות הפרעות מתקרבות ולא להגיב פשוט.

בקרת הסתגלות (MRAC)

(ה-MRAC הוא בחירה פופולרית עבור AUVs כי הוא אינו דורש מודל מתמטי מדויק של הדינמיקה של הרכב. במקום זאת, הוא משתמש במודל ההתייחסות המשקף את התגובה הסגורה הרצויה.חוק ההסתגלות מעדכן את הרווחים המבוססים על טעות המעקב.לדוגמה, אם ה-V של ה-MRGate באמת עומק מאחורי ההערה במהלך הירידה, האלגוריתם מגביר את הרווח האנכימי שהוכחד על ידי מכון ה-ה באופן מוצלח, בהשוואה ל-DV, בהתאמה ל-DFide באופן משמעותי, לאחר מספר שיפורים בכיוון הנכון, לאחר מכן, לאחר מכן, לאחר מכן, כלומר, לאחר מכן, שיפורי של מספר שלבים בכיוון הנכון של ה-DFLTDV.

בקרת פוזי

בקרים לוגיים פוזי משתמשים בחוקים לשוניים (למשל, "אם השגיאה העומק גדולה והקצב של שינוי הוא חיובי, ולאחר מכן ליישם דחף גדול למעלה"), כדי למפות קלטי חיישן כדי לפעולת תפוקה.בקר פוטבולי הסתגלות מוסיף מנגנון סימולציה פרמטר המתאים את פונקציות החברות או לשלוט במשקלים המבוססים על ביצועים נצפו. גישה זו יעילה כאשר הדינמיקה של AUV הם לעתים קרובות בכושר מותאם אישית של פעילות גופנית, או תפקוד לקויה, כאשר היא לעתים קרובות, או שינוי יעיל יותר, כאשר היא בעלת תפקודים של מערכות ביו-פעמינלית, או קבוע, כאשר היא בעלת תפקוד לקוי של פעילות גופנית, כאשר היא לעתים קרובות, או תצורה ראשונית של פעילות גופנית, היא בעלת תפקודים, או מאופיינת במקרים מוקדמים יותר, כאשר היא בעלת תפקודים, או למערכות למערכות קיבולת לקויה, לעתים קרובות, כאשר היא בעלת תפקודים, כאשר היא בעלת תפקודים, לעתים קרובות, כאשר היא בעלת תפקודים, כאשר היא בעלת תפקודים, כאשר היא בעלת תפקודים, לעתים קרובות, לעתים קרובות, כאשר היא בעלת תפקודים, כאשר היא בעלת תפקודים, היא בעלת תפקודים, היא יעילה יותר, כאשר היא בעלת תפקודים, לעתים קרובות, כאשר היא בעלת תפקודים, היא יעילה

בקרת הסתגלות מבוססת רשת

עם כניסת מעבדים מוטבעים בעלי כוח נמוך, רשתות עצביות הפכו להיות אפשריות לשליטה הסתגלות בזמן אמת ב- AUVs. רשת עצבית יכולה ללמוד את המיפוי המורכב, הלא ליניארי בין קלטי חיישן לבין תפוקות בקרה הרצויות ישירות מהנתונים.במהלך הניתוח, הרשת מתפתחת ללא הרף (או מעודכנת באמצעות למידה מקוונת) כדי לפצות על שינוי הדינמיקה אחת מבטיחה היא לשלב רשת עצבית עם בקר מסורתי בתצורה של "אפקטים" שבו לא ניתן לשלוט על ידי בקרה מדויקת יותר על ידי בקרה על ידי שימוש באפקטים על ידי בקרה על ידי תפקוד אוטומטי.

שילוב עם תכנון ניווט ומשימה

בקרה הסתגלותית אינה פועלת בבידוד.זה יש לשלב עם מערכות ניווט גבוהות יותר של AUV מערכות תכנון המשימה.הבקר עשוי לקבל נקודות דרך מהמתכננים ומשוב מסנן הניווט.בכמה אדריכלות, הבקר ההסתגלויבי מספק הערכות בזמן אמת של יכולות הפיכה (למשל, מהירות מקסימלית בזרם נתון) לתוכנית, ומאפשרת לו להסתגל למשימה הזמנית של בקרה אקטיבית, במיוחד עבור מערכת בקרה אוטונומית של תחום זה הוא סגור במיוחד.

יישומים אמיתיים ומקריות

(ה) טכניקות בקרה הסתגלויות כבר נבדקו ונפרסו על מספר פלטפורמות של AUV הבולטות (FLT:0REMUS 6000FLT:1 (Remote Environmental Monitoring Units) המשמשות סקר מעמיק של הים ופעולות חיפוש, עברו ניסויים עם שלט הסתגלות ובקרי כותרות כדי לשפר את הביצועים בתנודות מים שונות, LTF:2BULFIOFIRD) ו-DNERODNER (ODERODER)

בתעשיית הנפט והגז, AUVs מצוידת בשליטה הסתגלותית משמשים לבדיקה צינורות ותשתיות תת-ימית ניטור במים עמוקים.היכולת לרחף במדויק בזרמים תוך עמידה במצלמות ובחיישנים נונאריים הפחיתה משמעותית את הזמן ועלות של פרויקטים אקדמיים כגון טבלאות אלקטרו-ימיות (FLT:0SLOCUMGUMGERFLT:1) במקום טיפול באלגוריתמים של מיפוי חשמלי (DIF) ו-OVjective Control) לתקני בקרה (DIFDIECT) ו-OVjective Control (DIFR) ו-OVjective Control (DIGNFLT2 (DITUED) אלגוריתמים) אלגוריתמים) אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים לשימוש ב-NUMCUMCUMCUMCUMCUMDIGNFLT:1LT:1LT:1LT) לשימוש ב-NUMCUMCUMCUMCUMDIGNOVjective Control (DIGNOVjective Control (DIGNR) אלגוריתמים לשימוש ב-DIGNOL (

אתגרים ומגבלות

למרות היתרונות ברורים שלה, שליטה הסתגלות עבור AUVs אינה panacea. יש לטפל כמה אתגרים משמעותיים עבור פריסה תפעולית נרחבת.

מורכבות

בקרים אדפטיים רבים דורשים פתרון משוואות שונות, מטריקס inversions, או רשת עצבית קדימה עובר בשיעורים של 10-100 הרץ. בעוד מיקרומעבדים מודרניים מסוגלים לכך, צריכת החשמל של חישובים כאלה יכולה להיות בלתי נסבלת, במיוחד עבור סוללה מוגבלת AUVs. Balancing שליטה בביצוע יעילות אנרגיה הוא מתמשכים סחר.

רובוסטנטיות ויציבות

בקרים אדפטיים יכולים לפעמים להיות לא יציבים אם קצב ההתאמה גבוה מדי או אם דינמיקות לא מתוכננות (למשל, תשואות דחף גבוה קידוד) נוכחים. החוקרים פיתחו תוכניות הסתגלות חזקות המשלבות אזורי מת או מפעילי הקרנה כדי למנוע הסתגלות בורחת, אבל אלה להוסיף מורכבות. בסביבות עמוקות קיצוניות, חיישן יכול גם להרוס את הביצועים של אלגוריתמים הסתגלות.

אימות ואימות

מכיוון שבקרים אדפטיים משנים את התנהגותם לאורך זמן, הם יימשכו יציבים ובטוחים תחת כל התרחישים האפשריים קשה יותר מאשר עם בקרים קבועים-גאין, הסמכה של מערכות בקרה הסתגלות למשימות קריטיות (כגון פעולות צבאיות או מסחריות) דורשת סימולציה נרחבת ובדיקה של עולם אמת, שהיא גם זמן-consumuming ויקרה.

תנאים קיצוניים

בעומקים מתחת ל-6,000 מטרים (אזור העדר), לחץ עולה על 600 אטמוספירה.לחץ כזה יכול לגרום לשינויים חומריים בדחפורים ובחיישנים, כולל כשלים של רכיבים אלקטרוניים או דליפות נוזלים. בקרים הסתגלותיים חייב להיות מסוגל להתמודד לא רק שינויים הדרגתיים אלא גם בכשלים פתאומיים וחמורים.

כיוונים עתידיים

העשור הבא מבטיח התקדמות משמעותית בשליטה אדפטיבית עבור AUVs עמוקים, מונע על ידי התקדמות באינטליגנציה מלאכותית, מיניוורט חיישן, ומדעי החומרים.

למידה מרחוק ולימודים חזקים

למידה עמוקה חיזוק (DRL) מציעה מסגרת עוצמתית ללמידה של מדיניות בקרה אופטימלית ישירות מאינטראקציה עם הסביבה, ללא צורך במודלים מפורשים. An AUV יכול להכשיר מדיניות רשת עצבית בסימולציה ולאחר מכן לנקז אותה במהלך משימות בעולם האמיתי.עבודה מוקדמת על ידי מוסדות כגון AUFLT:0Verey Bay אקווריום Institute (MBARI)FLT:1 הוכיחה כי DRL יכול ללמוד כלי סטנדרטי, אך ככל הנראה, כמו בקר סטנדרטי, אך מבטיח, אך מבטיח, אך ורקמות סטנדרטיות, אך מבטיח, אך מבטיח, סטנדרטיות, אך מבטיח, סטנדרטיות, אך מבטיח, אך ורקדקנות, סטנדרטיות, כמו DRL, אך מבטיח, כמו DRL, סביר להניח, אך מבטיח, 000, 000, 000 סטנדרטית, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 סטנדרטית, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000,

בקרה ביולוגית-Inspired

בהתחשב איך חיות ימיות (דגים, דיונון, צבים) לנווט במים הסוערים והמשתנים בהשראת פרדיגמות שליטה חדשות.לדוגמה, חיישנים קו מאוחר יותר (המיסת מערכת חושית של דגים) יכולים לספק מידע שדה זרימה לבקר, ומאפשר לו לצפות ולא להגיב לזרמים.

Multi-Vehicle Adaptive control

ככל שחיפוש עמוק בים נע לעבר חקיפים של שיתוף פעולה, שליטה הסתגלות תצטרך להרחיב את רמת הצי. קבוצה של AUVs יכולה לשתף נתונים חיישן ולהתאים את בקרים האישיים שלהם כדי לשמור על היווצרות או להפיץ כיסוי דגימה על אזור גדול. אלגוריתמי תיאום הסתגלות אשר מאזן האוטונומיה של רכב אינדיבידואלי עם מטרות קולקטיביות הם גבול מרגש למחקר ים ים ים.

צוק איתן ו- Onboard Learning

ההתקדמות ב מאיץ AI יעיל באנרגיה תאפשר לאלגוריתמים מתקדמים יותר להפעלה של אלגוריתמים של שליטה להסתגלות, מבלי לרוקן את הסוללה.זה יאפשר ל- AUVs ללמוד לא רק במהלך משימה, אלא גם על פני משימות מרובות, לזכור אסטרטגיות בקרה יעילות עבור מיקומים ספציפיים או עונות.שילוב של שליטה הסתגלות עם תחזוקה חיזויית (הפעלת כישלונות דחף או בניית ביופו) יכול להפחית עוד את הצורך בהתערבות אנושית.

מסקנה

חקר עמוק-ים דוחף את הגבולות של מה שמערכות אוטונומיות יכולות להשיג.הנוקשות וחוסר האחריות של מערכות השליטה בביקוש של הדו-חמצני, גמישות וגמישות ככל שהאורגניזמים החיים ששרדו שם.שליטה הסתגלותית, בצורותיה השונות –MRAC, רשת עצבית, וחיזוק הלמידה – מספקת נתיב לעבר AUVs, אשר לא רק יכול לעמוד באתגרים העמוקים של האוקיינוסים, אלא גם לשגשגות, לשגשוגן של מערכות בקרה פשוטות, ליציבות של תאים.

בעוד אתגרים חישוב, חזקות וביצועים קיצוניים במצב נשארים, מחקר מתמשך ופריסה מעשית ממשיכים לחדד את המערכות הללו.סיצי מפעילי ומהנדסי האוקיינוס שמשקיעים בטכנולוגיית בקרה אדפטיבית היום יהיו ערוכים היטב להוביל את הגל הבא של חקר הים העמוק, ממיפוי תעלות העפילות כדי לפקח על בריאות המערכות האקולוגיות הפחות מכוונות של הפלנטה שלנו.