Tests der Cornell University und der U.S. Navy nutzten neue Algorithmen, um die moderne Programmierung für autonome Unterwasser-Sonarbildgebung zu übertreffen und die Geschwindigkeit und Genauigkeit zur Identifizierung von Objekten wie explosiven Minen, gesunkenen Schiffen, Flugzeug-Blackboxen, Pipelines und Korrosion auf Schiffshüllen zu verbessern.
Die Meeresforschung umfasst zahlreiche Herausforderungen wie trübe Gewässer, unvorhersehbare Bedingungen und große Regionen mit Gelände unter der Wasseroberfläche. Das Sonar ist die bevorzugte Abbildungsmethode in den meisten Fällen, aber akustische Wellen können schwer zuzuordnen sein und erfordern oft verschiedene Winkel und Perspektiven eines Objekts, bevor es identifiziert werden kann.
„Wenn man viele Ziele hat, die über eine große Region verteilt sind, dauert es lange, um sie alle zu klassifizieren“, sagte Silvia Ferrari, John Barncaccio Professor of Mechanical and Aerospace Engineering, die Leiterin der Studie. Die Studie wurde am 24. Mai 2022 im Journal IEEE Journal of Oceanic Engineering veröffentlicht. „Manchmal wird ein autonomes Unterwasserfahrzeug nicht in der Lage sein können, die Mission abzuschließen, weil die Kapazität der Batterie begrenzt ist.“
Um die Fähigkeiten dieser Fahrzeuge zu verbessern, schloss sich Ferraris Forschungsgruppe mit dem Naval Surface Warfare Center in Panama City und dem Naval Undersea Warfare Center in Newport (Virginia) zusammen. Das Team entwickelte und testete einen neuen Abbildungsansatz, der als „Informative Multi-View Planning“ bezeichnet wird. Der Ansatz bezieht Informationen über die Lokalisierung von Objekten auf Grundlage von Sonarverabeitungsalgorithmen und deren Entscheidungen für die optimalen Ansichten ein, sowie den effizientesten Kurs, um diese Ansichten zu bekommen. Die Planungsalgorithmen berücksichtigen die Geometrie des Sensor-Blickfeldes und die Position und Ausrichtung des Ziels, und können in Echtzeit Anpassungen basierend auf den aktuellen Meeresbedingungen vornehmen.
In computersimulierten Tests konkurrierten die Algorithmen des Teams mit modernen Bildgebungsmethoden, um Aufgaben bezüglich der Klassifizierung von Mehrfachzielen abzuschließen. Die neuen Algorithmen konnten die Aufgaben in der Hälfte der Zeit abschließen, mit einer 93%-igen Verbesserung der Genauigkeit bei der Identifizierung der Ziele. Ein zweiter Test, bei dem die Ziele zufälliger verstreut waren, führten die neuen Algorithmen die Aufgabe mehr als elf Prozent schneller und 33 Prozent genauer durch.
„Vor der Entwicklung dieser Algorithmen konnten wir die Orientierung und manche der komplexeren automatischen Zielvariablen nicht berücksichtigen, die die Qualität der Bilder beeinflussen“, sagte Ferrari. „Jetzt können wir dieselben Aufgaben mit höherer Genauigkeit in kürzerer Zeit abschließen.“
Als letzten Test wurden die Algorithmen in ein autonomes REMUS-100 Unterwasser-Fahrzeug einprogrammiert, das 40 Ziele innerhalb der St. Andrew Bay vor der Küste Floridas identifizieren sollte. Bei ihrem ersten Unterwassereinsatz erreichten die Algorithmen dieselbe Geschwindigkeit mit gleicher oder besserer Klassifizierungsgenauigkeit wie die aktuellen Algorithmen.
„Die Demonstration der entwickelten Algorithmen mit einem echten Fahrzeug im Unterwassereinsatz ist eine sehr aufregende Leistung“, sagte Jane Jaejeong Shin, die jetzt als Assistenzprofessorin für Mechanik und Luftfahrttechnik an der University of Florida tätig ist. „Dieses Ergebnis zeigt das Potenzial dieser Algorithmen, die allgemeiner bei ähnlichen Unterwassermissionen erweitert und eingesetzt werden können.“
Die Studie wurde mit Fördermitteln des U. S. Office of Naval Research finanziert.
(THK)
Antworten