Внедрение адаптивного управления в автономных подводных транспортных средствах (автомобилях) для глубоководных исследований
Глубоководные исследования остаются одним из самых сложных рубежей в современной науке и технике. Абиссальные равнины, гидротермальные жерла и гадалки Мирового океана не только негостеприимны для людей, но и подвержены экстремальным давлениям, почти замораживающим температурам и непредсказуемым течениям. Автономные подводные транспортные средства (AUV) стали незаменимыми инструментами для изучения этих регионов, выполнения таких задач, как картирование морского дна, мониторинг окружающей среды и оценка ресурсов. Для максимизации их эффективности в таких динамичных и опасных средах инженеры все чаще ищут адаптивные системы управления - интеллектуальные стратегии управления, которые позволяют AUV корректировать свое поведение в реальном времени на основе изменяющихся условий. В этой статье исследуются основы адаптивного управления для AUV, его критическая важность в глубоководных исследованиях, методы, используемые для его реализации, а также проблемы и будущие направления, которые будут формировать следующее поколение автономных океанских роботов.
Понимание адаптивного контроля
В своей основе адаптивное управление является отраслью теории управления, которая позволяет системе автоматически изменять свои собственные параметры контроллера в ответ на изменения в динамике системы, окружающей среде или командном профиле миссии. В отличие от методов управления с фиксированными параметрами (таких как контроллеры с пропорциональным интегральным производным или PID), которые предназначены для определенного набора условий работы и ухудшаются при изменении этих условий, адаптивные контроллеры непрерывно учатся и настраиваются. Они могут компенсировать неизвестные нарушения, износ компонентов или изменения динамики транспортного средства, такие как добавленная масса от биообрастания или сдвиги плавучести из-за давления, без необходимости ручной настройки.
Существует несколько общих архитектурных парадигм адаптивного управления. Модульно-справочное адаптивное управление (MRAC) сравнивает фактический выход AUV с выходом эталонной модели, определяющей желаемое поведение замкнутого цикла. Разница (ошибка) приводит в действие адаптивный закон, который обновляет прирост контроллера, так что AUV отслеживает прирост эталонной модели как можно ближе. Другим широко изученным подходом являются Самонастраивающие регуляторы (STR), которые идентифицируют параметры системы в реальном времени, а затем пересчитывают прирост контроллера на основе этих оценок. Нечеткое адаптивное управление и адаптивное управление на основе нейронной сети также набирают тягу, особенно для систем, динамику которых трудно моделировать математически.
Ключевым атрибутом, который отличает адаптивное управление от надежного или управления с графиком усиления, является его способность реагировать на непредвиденные изменения без предварительного знания этих изменений. Для AUV, работающего на глубине тысячи метров под поверхностью, где дрейф датчиков, износ двигателя и внезапные изменения тока являются общими, эта адаптивность - это не просто улучшение - это часто является требованием для успеха миссии.
Необходимость адаптивного контроля в глубоководных средах
Глубокий океан является одной из самых переменных и экстремальных сред на Земле. На глубинах ниже 1000 метров давление превышает 100 атмосфер, температура колеблется чуть выше нуля, а видимость может быть около нуля. Токи, хотя обычно медленнее, чем в поверхностных водах, могут проявлять внезапные, локализованные всплески, вызванные внутренними волнами, потоками мутности или взаимодействиями с топографией морского дна. Эти непредсказуемые возмущения могут быстро дестабилизировать отношение, глубину и траекторию АУВ, что приводит к сбою миссии или даже потере транспортного средства, если система управления не может компенсировать.
Более того, сами АУВ подвергаются физическим изменениям во время развертывания. По мере опускания транспортного средства корпус слегка сжимается, изменяя плавучесть. Разряд аккумуляторов, смещая центр тяжести. Биопулирование (накопление морских организмов) может увеличить сопротивление корпуса и двигателей. Контроллер с фиксированной нагрузкой, настроенный на один набор условий, будет плохо работать при изменении этих условий. Адаптивное управление напрямую решает эти проблемы, позволяя транспортному средству непрерывно перекалибровывать свои параметры управления, обеспечивая стабильную и точную работу на протяжении всего его дайв-профиля.
Помимо кратковременных нарушений, адаптивный контроль также позволяет AUV обрабатывать длительные миссии, которые длятся дни или недели. Поскольку условия окружающей среды дрейфуют с течением времени (например, сезонные температурные градиенты или приливные циклы), адаптивный контроллер может отслеживать эти медленные изменения и поддерживать оптимальную производительность. Эта способность имеет решающее значение для миссий, которые пересекают большие географические районы или охватывают несколько океанографических режимов.
Основные преимущества адаптивного контроля в AUV
Улучшенная навигационная точность
В глубоководных районах сигналы GPS недоступны, поэтому АУВ полагаются на мертвый расчёт, инерциальные навигационные системы, а иногда и на акустическое позиционирование. Адаптивное управление улучшает навигацию, поддерживая АУВ на предполагаемом курсе с большей точностью, даже когда появляются перекрестные токи или неожиданные препятствия (например, крутые хребты). Контроллер может регулировать выходы двигателя и углы плавников в реальном времени, чтобы исправить небольшие отклонения, прежде чем они скапливаются в большие позиционные ошибки. Для глубоководных задач обследования, требующих перекрытия гидролокационных полос с точностью до сантиметра, эта точность неоценима.
Надежная стабильность и маневренность
АУВ, работающий на глубине, должен поддерживать стабильный шаг, крен и рыскание при выполнении маневров, таких как виселица, поворот или подъем через термоклины. Адаптивные контроллеры, особенно те, которые оценивают инерцию и гидродинамические коэффициенты автомобиля на лету, могут держать АУВ хорошо заглушенным и отзывчивым. Это особенно важно вблизи морского дна, где тонкие инструменты отбора проб должны быть расположены без столкновения с хрупкими гидротермальными вентиляционными структурами или коралловыми слоями.
Энергоэффективность и длительность миссии
Подводные транспортные средства несут конечное количество энергии, обычно в виде батарей или топливных элементов. Адаптивное управление может снизить потребление энергии за счет оптимизации тяги и устранения ненужных колебаний или перекоррекций. Например, если контроллер чувствует, что транспортное средство отодвигается от курса постоянным током, он может применять непрерывную коррекцию низкого уровня вместо серии агрессивных, энергоотводящих всплесков. В течение многочасовой миссии такие оптимизации могут расширить дальность полета транспортного средства на 10-20%, что позволяет ему покрывать больше земли или достигать более глубоких, более отдаленных целей.
Большая операционная автономия
Одной из основных целей технологии AUV является снижение потребности в постоянном наблюдении человека. Адаптивные системы управления делают это возможным, позволяя транспортному средству реагировать на неожиданные ситуации, не дожидаясь команд с надводного корабля. AUV может автономно регулировать свою стратегию управления для борьбы с неисправным двигателем, внезапным увеличением сопротивления или изменением приоритета миссии. Этот уровень автономии имеет решающее значение для глубоководных миссий, где пропускная способность связи чрезвычайно ограничена и акустическая задержка может измеряться в секундах.
Адаптивный контроль в AUV-системах
Внедрение адаптивного управления в AUV требует тщательно интегрированной комбинации аппаратного и программного обеспечения.Мобиль должен быть оснащен датчиками, которые обеспечивают обратную связь в реальном времени о его состоянии и окружающей среде, приводами, которые могут влиять на изменения (трустеры, плавучие механизмы), и бортовым компьютером, достаточно мощным, чтобы запускать адаптивные алгоритмы в режиме реального времени.
Наиболее распространенный набор датчиков для адаптивного управления включает в себя инерциальный измерительный блок (IMU) для ускорений и угловых скоростей, датчик давления для глубины, журнал скорости доплера (DVL) для относительной скорости земли и часто компас или гироскоп для заголовка. Некоторые продвинутые реализации также включают профилировщики акустического тока для измерения скорости воды в окружающей колонке, что позволяет контроллеру предвидеть предстоящие возмущения, а не просто реагировать на них.
Модельный справочный адаптивный контроль (MRAC)
MRAC является популярным выбором для AUV, поскольку он не требует точной математической модели динамики транспортного средства. Вместо этого он использует эталонную модель, которая определяет желаемый ответ замкнутого цикла. Адаптивный закон обновляет прирост контроллера на основе ошибки отслеживания. Например, если фактическая глубина AUV отстает от эталонной глубины во время спуска, алгоритм MRAC увеличивает прирост вертикального двигателя. Со временем транспортное средство учится точно следовать эталонной модели. Исследователи из Океанографического института Вудс-Хоул ] успешно продемонстрировали MRAC на нескольких платформах AUV, демонстрируя значительные улучшения в удержании глубины и отслеживании траектории по сравнению с фиксированными PID-контроллерами в бурных водах.
Адаптивный Fuzzy Control
Нечеткие логические контроллеры используют лингвистические правила (например, «если ошибка глубины велика и скорость изменения положительна, то применяйте большую повышательную тягу») для отображения входов датчиков на выходы привода. Адаптивный нечеткий контроллер добавляет механизм настройки параметров, который регулирует функции членства или веса правил на основе наблюдаемой производительности. Этот подход эффективен, когда динамика AUV плохо понята или очень нелинейна, как это часто бывает при маневрировании вблизи морского дна или в присутствии биообрастания. Адаптивные нечеткие системы также могут включать человеческий опыт в виде первоначальных наборов правил, что облегчает их развертывание в практических приложениях.
Нейронный сетевой адаптивный контроль
С появлением встраиваемых процессоров малой мощности нейронные сети стали выполнимыми для адаптивного управления в AUV в реальном времени. Нейронная сеть может изучать сложное, нелинейное отображение между входами датчиков и желаемыми выходами управления непосредственно из данных. Во время работы сеть постоянно переобучается (или обновляется посредством онлайн-обучения) для компенсации изменяющейся динамики. Одним из перспективных подходов является объединение нейронной сети с традиционным контроллером в «прямой адаптивной» конфигурации, где сеть выводит сигнал аддитивного управления, который корректирует ошибки, не захваченные базовым контроллером. Например, нейронная сеть может научиться отменять эффекты деградации двигателя с течением времени, поддерживая последовательную маневренность по мере развития состояния транспортного средства.
Интеграция с навигацией и планированием миссий
Адаптивное управление не работает изолированно. Оно должно быть интегрировано с системами навигации и планирования миссий более высокого уровня AUV. Контроллер может получать путевые точки от планировщика и обратную связь от навигационного фильтра. В некоторых архитектурах адаптивный контроллер предоставляет планировщику оценки возможностей транспортного средства в режиме реального времени (например, максимальную достижимую скорость в заданном токе), позволяя ему настраивать миссию на лету. Эта замкнутая связь между управлением и планированием является отличительной чертой действительно автономного поведения и является активной областью исследований, особенно для длительных глубоководных миссий.
Реальные приложения и тематические исследования
Методы адаптивного управления уже были протестированы и развернуты на нескольких известных платформах AUV. Серия REMUS 6000 (Удалённые блоки мониторинга окружающей среды), используемая для глубоководных изысканий и поисковых операций, прошла испытания с адаптивными регуляторами шага и заголовка для повышения производительности при различной плотности воды. Аналогично, AUV SeaBED и Nereid Under Ice (NUI) , разработанные Океанографическим институтом Woods Hole , использовали адаптивный контроль для поддержания стабильности при работе вблизи гидротермальных вентиляционных отверстий и под шельфовыми ледниками в Арктике.
В нефтегазовой отрасли АУВ, оснащенные адаптивным управлением, используются для инспекции трубопроводов и мониторинга подводной инфраструктуры в глубоких водах. Возможность точного зависания в токах при позиционировании камер и датчиков гидролокатора значительно сократила время и стоимость таких проверок. Академические проекты, такие как планер SLOCUM (управляемый плавучестью автомобиль, а не управляемый двигателем АУВ), используют адаптивные алгоритмы управления для оптимизации траекторий плавучести и шага в ответ на измеренные океанические течения и внутренние волновые поля. Национальное управление океанических и атмосферных исследований (NOAA) также поддержало исследования адаптивного управления для АУВ, используемых при картировании глубоководного пола для навигационных карт и характеристик среды обитания.
Проблемы и ограничения
Несмотря на очевидные преимущества, адаптивный контроль для АУВ не является панацеей. Для широкого оперативного развертывания необходимо решить ряд существенных проблем.
Вычислительная сложность
Многие адаптивные контроллеры требуют решения дифференциальных уравнений, матричных инверсий или передних проходов нейронной сети со скоростью 10-100 Гц. В то время как современные микропроцессоры способны на это, энергопотребление таких вычислений может быть незначительным, особенно для ограниченных батареями AUV. Балансировка производительности управления с энергоэффективностью является постоянным компромиссом.
Надежность и стабильность
Адаптивные контроллеры иногда могут стать нестабильными, если скорость адаптации слишком высока или если присутствует немоделированная динамика (например, резонансы высокочастотного двигателя). Исследователи разработали надежные адаптивные схемы, которые включают мертвые зоны или операторы проекции, чтобы предотвратить безудержную адаптацию, но они добавляют сложность. В экстремальных глубоководных средах шум датчика также может ухудшить производительность адаптивных алгоритмов. Например, DVL может потерять нижнюю блокировку на длинных плоских равнинах, оставляя транспортное средство без точной обратной связи скорости.
Проверка и проверка
Поскольку адаптивные контроллеры со временем меняют свое поведение, проверить, что они останутся стабильными и безопасными при всех возможных сценариях, сложнее, чем с контроллерами с фиксированной прибылью. Сертификация адаптивных систем управления для критически важных миссий (таких как военные или коммерческие подводные операции) требует обширного моделирования и реальных испытаний, что является одновременно трудоемким и дорогостоящим.
Экстремальные условия
На глубинах ниже 6000 метров (зона хедала) давление превышает 600 атмосфер. Такое давление может вызвать материальные изменения в двигателях и датчиках, включая отказы электронных компонентов или утечки жидкости. Адаптивные контроллеры должны быть в состоянии справиться не только с постепенными изменениями, но и с внезапными, серьезными сбоями. Разработка алгоритмов, которые изящно деградируют в таких условиях, является активной областью исследований.
Будущие направления
Следующее десятилетие обещает значительные успехи в адаптивном управлении для глубоководных AUV, обусловленные прогрессом в области искусственного интеллекта, миниатюризации датчиков и материаловедения.
Машинное обучение и глубокое обучение с подкреплением
Глубокое обучение усилению (DRL) предлагает мощную основу для обучения оптимальной политике управления непосредственно от взаимодействия с окружающей средой, без необходимости в явных моделях. AUV может обучать политику нейронной сети в моделировании, а затем настраивать ее во время реальных миссий. Ранняя работа таких учреждений, как Monterey Bay Aquarium Research Institute (MBARI) показала, что DRL может изучать сложные маневры наведения и образца, которые превосходят традиционные адаптивные контроллеры. Проблемы остаются в обеспечении того, что политики DRL являются надежными и стабильными, но по мере увеличения точности моделирования, DRL, вероятно, станет стандартным инструментом в наборе инструментов управления AUV.
Био-вдохновленный контроль
Наблюдение за тем, как морские животные (рыбы, кальмары, черепахи) ориентируются в бурных и изменяющихся водах, вдохновило новые парадигмы управления. Например, датчики боковой линии (имитирующие сенсорную систему рыб) могут предоставлять контроллеру информацию о поле потока, позволяя ему предвидеть, а не реагировать на токи. Алгоритмы адаптивного управления, которые включают такие био-вдохновленные датчики, тестируются в новом поколении AUV, предназначенных для высокой маневренности вблизи сложных структур, таких как коралловые рифы и гидротермальные вентиляционные отверстия.
Многофункциональный адаптивный контроль
По мере того, как глубоководные исследования будут двигаться в направлении роев сотрудничающих AUV, адаптивное управление должно будет распространяться на уровень флота. Группа AUV может обмениваться данными датчиков и адаптировать свои индивидуальные контроллеры для поддержания формирования или распределения охвата выборки на большой площади. Адаптивные алгоритмы координации, которые уравновешивают автономию отдельных транспортных средств с коллективными целями, являются захватывающим рубежом для океанографических исследований.
Edge AI и бортовое обучение
Достижения в энергоэффективных ускорителях ИИ позволят более сложным адаптивным алгоритмам управления работать на борту без разрядки батареи. Это позволит AUV учиться не только во время миссии, но и во время нескольких миссий, запоминая эффективные стратегии управления для конкретных мест или сезонов. Интеграция адаптивного управления с прогнозным обслуживанием (предсказывающее отказы двигателя или накопление биообрастания) может еще больше снизить потребность в человеческом вмешательстве.
Заключение
Глубоководные исследования расширяют границы того, чего могут достичь автономные системы. Жесткость и непредсказуемость бездны требуют систем управления, которые являются такими же гибкими и устойчивыми, как живые организмы, которые там выживают. Адаптивный контроль в его различных формах - MRAC, нечеткая, нейронная сеть и обучение подкреплению - обеспечивает путь к AUV, которые могут не только противостоять проблемам глубокого океана, но и процветать в них. Благодаря улучшенной навигации, стабильности, энергоэффективности и истинной автономии адаптивные контроллеры превращают AUV из простых запрограммированных машин в интеллектуальных партнеров для открытия океана.
В то время как проблемы в вычислениях, надежности и экстремальных условиях остаются, продолжающиеся исследования и практические развертывания продолжают совершенствовать эти системы. Операторы флота и океанские инженеры, которые инвестируют в адаптивную технологию управления сегодня, будут хорошо расположены, чтобы возглавить следующую волну глубоководных исследований, от картирования гадальных траншей до мониторинга здоровья наименее понятых экосистем нашей планеты.