В испытаниях, проведенных Корнеллом и ВМС США, использовались новые алгоритмы, которые превзошли современное программирование для автономного подводного гидролокатора, значительно повысив скорость и точность идентификации таких объектов, как взрывоопасные мины, затонувшие корабли, черные ящики самолетов, трубопроводы. и коррозия корпусов кораблей.
Морская разведка наполнена проблемами, которые включают в себя мутные воды, непредсказуемые условия и обширные участки подводной местности. Сонар является предпочтительным методом визуализации в большинстве случаев, но акустические волны могут быть трудны для расшифровки, часто требуя разных углов и видов объекта, прежде чем его можно будет идентифицировать.
«Если у вас много целей и они распределены по большому региону, потребуется много времени, чтобы классифицировать их все», — сказала Сильвия Феррари, профессор машиностроения и аэрокосмической инженерии Джона Бранкаччо, которая возглавляла исследование, опубликованное 24 мая. в журнале IEEE Journal of Oceanic Engineering . «Иногда автономный подводный аппарат не может завершить миссию из-за ограниченного времени автономной работы».
Чтобы улучшить возможности этих машин, исследовательская группа Ferrari объединилась с Центром надводных боевых действий ВМС в Панама-Сити и Центром подводных боевых действий ВМС в Ньюпорте, штат Вирджиния. Команда создала и протестировала новый подход к визуализации, называемый информативным планированием с несколькими видами, который объединяет информацию о том, где могут быть расположены объекты, с алгоритмами обработки сонара , которые определяют оптимальные виды и наиболее эффективный путь для получения этих видов. Алгоритмы планирования учитывают геометрию поля зрения гидроакустического датчика, а также положение и ориентацию каждой цели и могут вносить коррективы на лету в зависимости от текущих морских условий.
В тестах, смоделированных на компьютере, алгоритмы исследовательской группы конкурировали с самыми современными методами визуализации для выполнения задач классификации по нескольким целям. Новые алгоритмы смогли выполнить задачи всего за половину времени и повысить точность определения целей на 93%. Во втором тесте, в котором цели были разбросаны более случайным образом, новые алгоритмы выполнили задачу визуализации более чем на 11% быстрее и с большей точностью на 33%.
«До появления этих алгоритмов мы никогда не могли учитывать ориентацию и некоторые более сложные автоматические целевые переменные, влияющие на качество изображений », — сказал Феррари. «Теперь мы можем выполнять те же задачи визуализации с большей точностью и за меньшее время».
В качестве окончательного теста алгоритмы были запрограммированы на автономный подводный аппарат REMUS-100, которому было поручено идентифицировать 40 целей, разбросанных в районе залива Сент-Эндрю у побережья Флориды. Выполняя свои первые подводные испытания, новые алгоритмы достигли той же скорости, что и современные алгоритмы, и с такой же или превосходящей производительностью классификации.
«Демонстрация разработанных алгоритмов на реальном транспортном средстве в ходовых испытаниях — очень захватывающее достижение», — сказала Джейн Джеджон Шин, которая в настоящее время является доцентом кафедры машиностроения и аэрокосмической техники в Университете Флориды. «Этот результат показывает потенциал этих алгоритмов для расширения и более широкого применения в аналогичных подводных исследованиях».
