Addestramento di veicoli sottomarini senza equipaggio per la visualizzazione di strutture sottomarine / Training Uncrewed Underwater Vehicles for Visualization of Subsurface Structures

 Addestramento di veicoli sottomarini senza equipaggio per la visualizzazione di strutture sottomarine. Il procedimeto del brevetto ENEA RM2012A000637 è molto utile in questo tipo di applicazione. / Training Uncrewed Underwater Vehicles for Visualization of Subsurface Structures. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application.

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

L'Università del Mississippi meridionale sviluppa ed utilizza app di simulazione per integrare modelli di apprendimento automatico nell'addestramento di veicoli sottomarini e di superficie senza equipaggio.

In una giornata calma lungo la costa del Mississippi, una piccola imbarcazione di superficie viene trascinata metodicamente avanti ed indietro in un'area di prova. Questa piattaforma di sensori a bassa firma magnetica è al lavoro per scansionare il fondale marino alla ricerca di bersagli ferromagnetici. Queste scansioni sono solo una parte di un ambizioso progetto condotto dal Roger F. Wicker Center for Ocean Enterprise dell'Università del Mississippi Meridionale (USM). Attraverso una combinazione di modellazione, simulazione ed apprendimento automatico (ML), i ricercatori dell'USM stanno gettando le basi per veicoli sottomarini intelligenti senza equipaggio (UUV) in grado di rivelare in modo autonomo e preciso ciò che si trova sotto le onde.

Modellazione delle strutture ferromagnetiche sul fondale oceanico

Sul fondo della maggior parte dei porti (e più in generale dei fondali oceanici) si trovano materiali ferromagnetici come strutture e detriti antropici, e persino ordigni inesplosi. Per evitare che il traffico portuale incontri questi pericoli, le carte nautiche devono rifletterne accuratamente la posizione. Uno dei metodi più efficaci per la scansione di queste anomalie magnetiche sottomarine è l'utilizzo di UUV dotati di sensori avanzati. Tuttavia, questi veicoli presentano alcune sfide: sono costosi da costruire, le loro scansioni fisiche sono complesse ed, a causa del significativo rumore di piattaforma e del rumore ambientale (come l'inquinamento ambientale, il vento e le onde), non sempre forniscono un quadro accurato. A complicare ulteriormente le cose, la non unicità di alcune firme del fondale marino può far sì che le scansioni di diverse configurazioni del sottosuolo appaiano simili. Un gruppo dell'USM sta studiando come superare queste sfide ed aprire la strada ad un migliore rilevamento e mappatura basati su UUV.

ENGLISH

The University of Southern Mississippi builds and uses simulation apps to integrate machine learning models into the training of uncrewed underwater and surface vehicles.

On a calm day along the coast of Mississippi, a small surface vessel is pulled methodically back and forth in a test area. This low magnetic signature sensor platform is hard at work scanning the seabed for ferromagnetic targets. These scans are just one part of an ambitious project conducted by the University of Southern Mississippi’s (USM) Roger F. Wicker Center for Ocean Enterprise. Through a combination of modelling, simulation and machine learning (ML), USM researchers are laying the groundwork for intelligent uncrewed underwater vehicles (UUVs) capable of autonomously and accurately revealing what lies beneath the waves.

Modelling Ferromagnetic Structures on the Ocean Floor

Resting on the bottom of most harbours (and the ocean floor more generally) are ferromagnetic materials such as anthropogenic structures and debris, and even unexploded ordnance. To keep harbour traffic from hitting these hazards, navigational charts need to accurately reflect their locations. One of the more effective methods for scanning for these underwater magnetic anomalies is by using UUVs with advanced sensor equipment. However, these vehicles come with certain challenges, as they are expensive to build, their physical scans are complex, and, due to significant platform noise and environmental noise (such as environmental clutter and wind and waves), they do not always paint an accurate picture. To further complicate matters, the nonuniqueness of certain seafloor signatures can cause scans of different subsurface configurations to look similar. A team at USM is researching how to overcome these challenges and pave the way for better UUV-based sensing and mapping.

Da

:https://www.theengineer.co.uk/content/product/training-uncrewed-underwater-vehicles-for-visualization-of-subsurface-structures/?utm_source=content_recommendation&utm_medium=blueconic