KI-Technologie für Unterwasserroboter

Künstliche Intelligenz (KI) hat in letzter Zeit viel Aufmerksamkeit für verschiedene Errungenschaften in Bereichen wie Gesichtserkennung, Verständnis und Produktion natürlicher Sprache sowie in medizinischen Bereichen wie Tumorklassifikation, Herzinsuffizienzprognose und sogar Depressionserkennung erhalten, z. B. in Chockley und Emanuel (J Am Coll Radiol 13(12):1415–1420, 2016, [1]). Die Anwendungsbereiche für KI-Technologien erweitern sich derzeit schnell auf Pharmazie, Finanzen und natürlich Sicherheit in all ihren Formen und Ausprägungen. Was alle oben genannten Bereiche gemeinsam haben, ist die Tatsache, dass wir eine spezifische Art von KI-Technologien anwenden können, die auf der statistischen Analyse riesiger Datenmengen basieren. Dies sind die sogenannten datengetriebenen maschinellen Lernverfahren, deren Leistung exponentiell mit der Menge der für die statistische Analyse verfügbaren Daten steigt. Dabei vergisst man leicht, dass Künstliche Intelligenz tatsächlich ein viel breiteres Feld ist, das bis zum Anfang des letzten Jahrhunderts zurückreicht, als sich Wissenschaftler aus einem viel breiteren Spektrum von Disziplinen mit der Frage der Modellierung intelligenten Verhaltens beschäftigten. Eine Schlüsselfigur in diesem Bereich war Alan Turing selbst, der sich aufgrund seiner Arbeit im Bereich der Berechnungstheorie der Frage zuwandte, die in der Turing-Maschine als universellem Mechanismus bzw. als universelle Theorie für effizient berechenbare Funktionen resultierte. Es war nur konsequent, dass er anfangen würde, über die Menge von Funktionen nachzudenken, die nicht in die oben genannte Klasse fallen, und von dort ist es nur ein kleiner Schritt, über Intelligenz und die möglicherweise zugrunde liegenden Mechanismen zu diskutieren. Abb. 1 zeigt den Ursprung der Künstlichen Intelligenz als Teilmenge eines Spektrums von Disziplinen, das von Ingenieurwesen und Mechatronik über Informatik bis hin zu Kognitionswissenschaften, Neurowissenschaften und sogar Linguistik und Psychologie reicht. Künstliche Intelligenz stellt daher ein Gebiet dar, das für Anwendungen von großem Interesse ist – insbesondere solche Anwendungen, die einen hohen Grad an Autonomie erfordern, wie es die Unterwasserwelt tut.

Dieser Abschnitt beschreibt die Erfahrungen aus sechs Betriebsjahren von dauerhaft installierten, vollständig ferngesteuerten marinen Sensoren und experimentellen Einrichtungen in den Küstengewässern der südlichen Nordsee und im Polarfjordsystem „Kongsfjorden“ auf Spitzbergen von 2012 bis 2018. Der aktuelle Stand und die Herausforderungen bei der Verwendung moderner IT-basierter Sensortechnologie in flachen Gewässern werden zusammengefasst ebenso wie die Hauptmängel und Fallstricke, wenn moderne Sensortechnologie auf die rauen Bedingungen von Küstengebieten in gemäßigten und polaren Gewässern trifft. Ich konzentriere mich speziell auf die beiden kabelgebundenen COSYNA/MOSES-Observatorien, die das Alfred-Wegener-Institut, Helmholtz-Zentrum für Meeres- und Polarforschung (AWI), und das Helmholtz-Zentrum Geesthacht (HZG) gemeinsam in der südlichen Nordsee und im Arktischen Ozean betreiben (Fischer et al. in COSYNA Unterwasserknoten, S. 31–34 [8]; Baschek et al. in Ocean Sci 13:379–410 [1]).

Die moderne Gesellschaft verlangt nach Gütern und Dienstleistungen, die Ressourcen wie Mineralien und Kohlenwasserstoffe erfordern. Trotz der Forschung und Entwicklung neuer Energiequellen ist die Erkundung und Verarbeitung der derzeit verfügbaren Ressourcen für viele Länder notwendig. Dennoch gibt es viele Herausforderungen, um die negativen Umweltauswirkungen zu reduzieren und sogar in einem wettbewerbsfähigen kommerziellen Szenario umzukehren. In diesem Kontext suchen Industrien kontinuierlich nach neuen Technologien, um ihr Geschäft umweltfreundlicher zu gestalten, während sie gleichzeitig rentabel und sicherer sind. Eine Möglichkeit, die sich der Industrie bietet, besteht darin, neue Öl- und Gasfelder zu erschließen. Darüber hinaus gibt es auch Möglichkeiten, die Betriebskosten der aktuellen Felder zu senken. Dies sind derzeit die Herausforderungen, denen sich die Öl-, Gas- und Bergbauindustrien in Bezug auf Tiefseeerkundungen und -operationen stellen. In diesem Kapitel werden die technologischen Herausforderungen diskutiert, die sich in der Unterwasserumgebung stellen. Weiterhin wird ein integrierter multidisziplinärer strategischer Langzeitplan zur Steigerung der Technologiereife und ihrer allgemeinen Anwendbarkeit vorgeschlagen.

Der Rumpf oder die Haut autonomer Unterwasserfahrzeuge (AUVs) ist ein wesentliches Element, das eine Schutzschicht und eine hydrodynamisch effiziente Einkapselung der verschiedenen Systemkomponenten bietet sowie eine große Schnittstellenfläche mit der Umgebung. Diese grundlegenden Anforderungen stellen eine Reihe von Design-Herausforderungen dar, wie drucktolerante mechanische Stabilität, hydrodynamische Effizienz, Korrosions- und Bewuchsschutz. Aber diese Schnittstelle bietet auch eine Vielzahl von Möglichkeiten, die bisher nicht vollständig ausgeschöpft wurden. Das vorliegende Kapitel befasst sich mit diesen Herausforderungen und Möglichkeiten und identifiziert potenzielle neue Lösungen, die den Übergang von AUV-Rümpfen zu einer intelligenten Haut ermöglichen.

Die Arbeit an einem modularen und rekonfigurierbaren Systemdesign zielt darauf ab, die Benutzerfreundlichkeit von Unterwasserfahrzeugen zu verbessern, indem ihre Vielseitigkeit und Anpassungsfähigkeit an neue Situationen und Szenarien erweitert wird. Dies wird durch ein modulares Systemdesign auf der Hardwareseite und ein rekonfigurierbares Softwaresystem erreicht. Dies ist notwendig, da das aktuelle Design von Unterwasserfahrzeugen in der Regel maßgeschneidert für eine spezifische Aufgabe oder vollständig offen ist. Die zweite Option ist zwar vielseitiger, findet sie sich aber fast ausschließlich in ROV-Systemen, da ein offenes Design in der Regel mit begrenzten hydrodynamischen Optimierungen einhergeht, die starke Schubdüsen und damit viel Energie erfordern, die nur über ein Kabel geliefert werden kann. Es gibt einige AUV-Systeme mit modularem Design, aber diese Designs integrieren die Module in der Regel nicht in das Steuerungsframework des Fahrzeugs: Zusätzliche Module sind unabhängig von der Hauptfahrzeugsteuerung und werden nur zur Datenerfassung verwendet.

Frei schwimmende Unterwasserroboter können sich in allen sechs Freiheitsgraden bewegen. Während aktives Nicken und Rollen in der Regel durch das Design, d. h. hydrostatische Stabilität, begrenzt sind, basiert die Steuerung von Lage, Position und Geschwindigkeit der Roboter auf Thruster, möglicherweise in Kombination mit Steuerflächen, beweglichen Massen oder variablen Auftriebssystemen. Aktuelle Systeme verfügen oft nicht über Selbst-Diagnosefähigkeiten und Redundanz, was den übergeordneten Missions-Controller „im Unklaren“ über den Zustand des Thruster lässt. Dieser Informationsmangel kann zu unsicheren binären Entscheidungen über das Abbrechen oder Fortsetzen von Missionen führen. Bessere Informationen, die möglicherweise die Systemredundanz berücksichtigen, ermöglichen es dem übergeordneten Missions-Controller, die Reaktion auf Fehler oder Systemleistung entsprechend zu skalieren, wodurch die Wahrscheinlichkeit für eine zumindest teilweise erfolgreiche Mission einschließlich System- und Datenwiederherstellung erhöht und für einen Daten- oder sogar für einen totalen Systemverlust gesenkt wird. In diesem Kapitel schlagen wir vor, das Thema Antrieb aus verschiedenen Perspektiven wie Motordesign und -steuerung, Systemtechnik sowie Optimierung durch maschinelles Lernen und adaptive Identifikation und Steuerung anzugehen. Die treibende Motivation ist die Forschung nach einer Antriebslösung, die den Anforderungen an einen langfristig autonomen Unterwasserroboter hinsichtlich hoher Systemeffizienz, Zuverlässigkeit und Selbst-Diagnosefähigkeiten genügt. Dies wird durch einen integrierten Systemansatz zwischen der elektrischen Maschine, dem Propeller und möglicherweise einer Düse erreicht. Darüber hinaus wird die Forschung sich auf die Echtzeit-Systemleistung konzentrieren, indem maschinelles Lernen in Kombination mit deterministischeren modellbasierten Ansätzen für Leistungsvorhersage und Überwachung zur Fehlererkennung von weichen und harten Fehlern eingesetzt wird.

Drahtlose Kommunikation ist für autonome Unterwasserfahrzeuge (AUVs) unerlässlich, um Arbeitsanweisungen zu geben, gesammelte Daten weiterzuleiten oder mehrere AUVs, die in einem Schwarm arbeiten, zu koordinieren. Die Kommunikation in der Unterwasserumgebung ist jedoch unzuverlässig und erlaubt aufgrund hoher Störungen und schlechter Signalübertragungsbedingungen keine hohen Datenraten. In diesem Kapitel werden bestehende Konzepte für Unterwasserkommunikation sowohl aus der Sicht der Informationsübertragung als auch aus dem Netzwerkaspekt heraus überprüft. Die Einführung semantischer Kommunikation hilft, die Menge der übertragenen Daten zu reduzieren, indem semantische Nebeninformationen genutzt werden. Opportunistische Netzwerke ermöglichen eine Ende-zu-Ende-Datenweiterleitung ohne permanente Konnektivität und können erweitert werden, um die am besten geeignete Kommunikationstechnologie zu nutzen, wenn Daten mit gegebener Größe und Priorität weitergeleitet werden. Maschinelles Lernen (ML) hilft, Hintergrundinformationen zu speichern und zu klassifizieren, um die Effizienz der Kommunikation zu erhöhen.

Die Kernkompetenz einer aktiven Unterwasserintervention ist die Fähigkeit zur Manipulation. Präzise, geschickte und autonome Unterwassermanipulation erfordert Extremitäten und Endeffektoren, die so robust sind, dass sie den Umweltbedingungen standhalten und in der Lage sind, genügend Kraft aufzubringen, um die normalerweise schwere Arbeit zu verrichten. Gleichzeitig müssen die Systeme auch empfindlich genug sein, um eine präzise und adaptive Steuerung zu ermöglichen. Darüber hinaus müssen sowohl das mechatronische Konzept als auch die Steuerungsstrategie der Manipulatoren miteinander kompatibel sein und ideal auf der  Trägerplattformen integriert sein. Dieser Beitrag zeigt den Bedarf an solchen Systemen, gibt einen Überblick über den Stand der Technik und hebt den Entwicklungsbedarf sowie die damit verbundenen Herausforderungen hervor. Erste Konzepte für leistungsfähige skalierbare Aktuatoren sowie Modellierungs- und Steuerungsstrategien für aus diesen Elementen zusammengesetzte Manipulatoren werden vorgestellt.

Autonome Unterwassermanipulation ist heutzutage immer noch eine offene Forschungsaufgabe. Dieses Kapitel beschreibt Ansätze, einige der offenen Herausforderungen zu bewältigen. Auf der einen Seite wird der Einsatz von maschinellem Lernen für die Online-Identifikation und Anpassung der Fahrzeugdynamik (Umgang mit Driftkompensation, Massenänderungen usw.) sowie der Einsatz von high-level kontextbasierten Konfigurationen von Controllern zur Anpassung an Änderungen in der Systemmorphologie, Hardware und/oder Aufgaben. Auf der anderen Seite wird eine robuste Steuerung von Unterwassermanipulatoren auf Basis einer Erweiterung von Ganzkörpersteuerungstechniken angestrebt, die die heterogene Aktuation (Antrieb an der Basis, Aktuatoren an den Armgelenken) sowie die unsichere Unterwasserfahrzeugdynamik berücksichtigt. Das Ergebnis ist ein hochkonfigurierbares System, das sein Verhalten automatisch anpassen kann, um mit Änderungen in der Umgebung, in seiner eigenen Morphologie und/oder in den Aufgabenzielen fertig zu werden. Die Ergebnisse sollen in zwei verschiedenen Szenarien validiert werden: einem Testbed für die Dynamik von schwimmenden Basen, das aus Raumfahrtanwendungen und Luftrobotern beim DLR stammt, und einem Unterwasserbecken beim DFKI.

Das Greifen von Objekten unter Wasser ist auch heute noch eine der größten Herausforderungen beim Betrieb von Robotersystemen, sei es ferngesteuert oder autonom. Derzeit werden die meisten Manipulationsaufgaben unter Wasser mit ferngesteuerten Fahrzeugen (ROVs) durchgeführt, die alle industriellen Wartungs- und Inspektionsaufgaben übernehmen, bei denen ein Eingriff erforderlich ist. Die Manipulation mit autonomen Unterwasserfahrzeugen (AUVs) ist noch ein Forschungsthema, da sie die Steuerung einer beweglichen Basis und die Wechselwirkung der Kräfte in der anspruchsvollsten Konfiguration beinhaltet. Die hier vorgestellten Arbeiten und die beabsichtigte weitere Forschung konzentrieren sich auf die Steuerung und Signalverarbeitung des Endeffektors selbst während der autonomen mobilen Manipulation.

Dieses Kapitel behandelt die visuelle Navigation von autonomen Unterwasserfahrzeugen (AUVs) mit und ohne gegebene Karte, wobei Letzteres als Simultane Lokalisierung und Kartierung (SLAM) bezeichnet wird. Wir fassen die Herausforderungen und Möglichkeiten in Unterwasserumgebungen zusammen, die die visuelle Navigation von der Landnavigation unterscheiden, und geben auch einen kurzen Überblick über den aktuellen Stand der Technik in diesem Bereich. Dann argumentieren wir als Positionspapier, warum viele dieser Herausforderungen durch eine angemessene Modellierung von Unsicherheiten in der SLAM-Darstellung bewältigt werden könnten. Dies würde insbesondere dem SLAM-Algorithmus ermöglichen, die Mehrdeutigkeit zwischen „Ich sehe das gleiche Merkmal wieder“, „Ich sehe ein anderes, aber ähnlich aussehendes Merkmal“ und „Die Umgebung hat sich verändert und das Merkmal hat sich bewegt“ gründlich zu behandeln.

Die autonome Navigation unter Wasser, bei der a priori Informationen über die Umgebung spärlich sind und sich ändernde Umgebungsbedingungen die Wahrnehmung erschweren, erfordert robuste Sensoreigenschaften sowie fortgeschrittene Signalverarbeitungsstrategien. Multimodalität in der Sensorik sowie der Datenverarbeitung wird als Ansatz zur Stärkung der Robustheit der Entscheidungsfindung für autonome Unterwasserroboter betrachtet. Dieses Kapitel fasst die aktuellen Entwicklungen in der Sensortechnologie zusammen und eröffnet neue Forschungsfragen hinsichtlich der Sensorik und Signalverarbeitung unter Verwendung von maschinellem Lernen.

In dem Kapitel werden Aspekte der potenziellen Nutzung von Computational Fluid Dynamics (CFD) im Kontext der Unterwasserrobotik diskutiert. Obwohl CFD ein interdisziplinäres Forschungsgebiet ist, behandelt das Kapitel ausschließlich die Rolle der Informatikforschung mit Schwerpunkt auf CFD. Daher werden beispielhafte Beiträge der von den Autoren geleiteten Informatikforschungsgruppen diskutiert. Die industrielle Anwendbarkeit früherer Forschungen wird kurz dargestellt. Schließlich werden Herausforderungen und offene Forschungsfragen zu einem Simulationsrahmen für die Analyse und Schulung von Unterwassereingriffen skizziert. Potenzielle Anwendungsszenarien für CFD-Simulationen im Bereich der Unterwasserrobotik werden im gesamten Kapitel skizziert.

Dieses Positionspapier präsentiert erste Gedanken darüber, wie einige Techniken aus der allgemeinen Robotik zur Navigation autonomer Unterwasserfahrzeuge (AUV) in engen Räumen beitragen können, indem sie insbesondere die räumlichen Grenzen ausnutzen und Informationen berücksichtigen, die in offenen Gewässern nicht verfügbar sind. Es gibt natürliche enge Räume, z. B. Höhlen, sowie künstliche, z. B. Dreibeine von Offshore-Windturbinen oder Unterwasser-Öl- und Gasanlagen, die diese Anwendung interessant machen. Wir argumentieren, dass das übliche Wahrnehmungssystem von AUV mit nach vorne gerichteter Kamera und/oder Sonar Defizite bei der Messung von Strukturen in der unmittelbaren Umgebung des AUV aufweist. Diese Umgebung ist jedoch besonders wichtig in engen Räumen, wo das AUV nicht als „Punkt im Raum“ gesehen werden kann, sondern seine physische Ausdehnung berücksichtigt werden muss. Entfernte Umgebungsmerkmale, die in den Fernsensoren beobachtet werden, können kartiert werden, aber später, wenn das AUV näher kommt und die Fernsensoren sie nicht mehr beobachten können, sind sie möglicherweise nicht direkt für die Lokalisierung mit diesen Sensoren nutzbar. Wir sehen jedoch immer noch die Möglichkeit, sie zu nutzen und darüber hinaus neue Merkmale auf andere Weise zu erzeugen. Wie dies erreicht werden kann, ist die zentrale Idee, die wir hier vermitteln möchten.

Um die kooperative Aufgabenplanung und Koordination zwischen dem menschlichen Bediener und Roboterteams zu ermöglichen, werden neue Arten von Schnittstellen benötigt. Wir präsentieren ein interaktives strategisches Missionsmanagementsystem (ISMMS) für Unterwassererkundungen, die von gemischten Teams aus Robotern und menschlichen Ermittlern durchgeführt werden, das eine kooperative Aufgabenplanung und Koordination zwischen dem menschlichen Bediener und Roboterteams ermöglicht. Die Hauptziele des ISMMS sind es, Roboter in die Lage zu versetzen, dem Menschen ihre Absichten, Probleme und Situation schnell und auf intuitive Weise zu „erklären“, eine reibungslose Schnittstelle zwischen autonomem Verhalten und menschlicher Kontrolle zu ermöglichen, intelligente Schnittstellen zur obligatorischen externen Kontrolle bereitzustellen und eine adaptive Aufgabenteilung zu ermöglichen, wobei die intuitive Nutzung und Interaktion anhand von verhaltensbezogenen und physiologischen menschlichen Daten optimiert wird.