Prijava EN
Oblast istraživanja

Vještačka inteligencija za podvodne sisteme

Mašinsko učenje za autonomne podvodne sisteme

Pregled istraživanja

Istražujemo nove granice u oblasti: Vještačka inteligencija za podvodne sisteme

Podvodni sistemi generišu složene podatke i rade u uslovima koje je teško precizno modelovati. Akustični kanali se mijenjaju tokom vremena, izvori buke variraju, a procesi u životnoj sredini međusobno djeluju na načine koje fiksna pravila i ručno podešeni algoritmi često ne mogu obuhvatiti.

Naše istraživanje primjenjuje mašinsko učenje u podvodnim komunikacijama, umrežavanju, detekciji signala i praćenju životne sredine, sa fokusom na metode koje su pouzdane, dovoljno efikasne za uređaje sa ograničenim resursima i provjerene na stvarnim podvodnim podacima.

Sve oblasti istraživanja
Istraživački program

Istraživački pravci

Posebni pravci istraživanja povezani zajedničkim putem validacije.

Podvodna komunikacija zasnovana na učenju

Podvodne akustične kanale odlikuju višestruko prostiranje, Doplerovi pomaci i brze vremenske promjene koje otežavaju klasično projektovanje prijemnika. Metode zasnovane na podacima mogu naučiti ponašanje kanala direktno iz primljenih signala.

Istražujemo mašinsko učenje za:

  • Procjenu i predviđanje kanala
  • Ekvalizaciju i detekciju signala
  • Automatsko prepoznavanje modulacije
  • Adaptivni izbor modulacije, kodovanja i parametara prenosa
  • Procjenu kvaliteta veze

Cilj je poboljšati pouzdanost komunikacije u uslovima u kojima pristupi zasnovani na modelima gube tačnost.

Inteligentni pristup mediju i kontrola topologije

Mrežni protokoli moraju odlučivati kada prenositi, koje veze koristiti i kako organizovati mrežu, često uz nepotpune i zakašnjele informacije o stanju drugih čvorova.

Primjenjujemo mašinsko učenje, uključujući učenje podsticajem, na kontrolu pristupa mediju i kontrolu topologije u podvodnim akustičnim mrežama. Protokoli zasnovani na učenju mogu prilagoditi raspored prenosa, nivoe snage i izbor susjeda obrascima saobraćaja i uslovima kanala, sa ciljem veće pouzdanosti i energetske efikasnosti u odnosu na fiksna pravila protokola.

Detekcija i klasifikacija akustičnih signala

Pasivni akustični snimci sadrže zvukove plovila, morskih organizama, prirodnih procesa i ljudskih aktivnosti, koji se često preklapaju i prikriveni su bukom.

Razvijamo metode zasnovane na učenju za:

  • Detekciju slabih signala u pozadinskoj buci
  • Detekciju i klasifikaciju plovila
  • Prepoznavanje zvukova morskih sisara i riba
  • Prepoznavanje neuobičajenih akustičnih događaja
  • Razdvajanje preklopljenih izvora zvuka

Automatizovana analiza omogućava obradu dugih snimaka i neprekidnih tokova podataka koje bi bilo nepraktično ručno pregledati.

Analiza podataka o životnoj sredini

Dugoročno praćenje životne sredine proizvodi velike višedimenzionalne vremenske serije iz fizičkih, hemijskih, bioloških i akustičnih senzora.

Primjenjujemo mašinsko učenje za:

  • Otkrivanje anomalija i događaja
  • Kratkoročno predviđanje parametara životne sredine
  • Rekonstrukciju nedostajućih ili oštećenih mjerenja
  • Otkrivanje odstupanja i kvarova senzora
  • Objedinjavanje podataka iz raznorodnih senzora

Ove metode pomažu da se sirovi senzorski podaci pretvore u pravovremene i pouzdane informacije za istraživače i donosioce odluka.

Ugrađena inteligencija na uređajima

Prenos sirovih podataka sa podvodnih uređaja skup je u pogledu energije i propusnog opsega. Obrada podataka direktno na uređaju omogućava slanje samo relevantnih informacija.

Naše istraživanje obuhvata:

  • Lake modele za procesore male potrošnje
  • Kompresiju i kvantizaciju modela
  • Detekciju i klasifikaciju na samom uređaju
  • Lokalno odlučivanje o tome koje podatke prenijeti
  • Energetski svjesno raspoređivanje obrade i komunikacije

Inteligencija na uređajima smanjuje komunikaciono opterećenje i omogućava brže lokalne reakcije na otkrivene događaje.

Pouzdano učenje sa ograničenim podacima

Označeni podvodni podaci su rijetki i skupi za prikupljanje, a modeli obučeni na jednoj lokaciji ili u jednoj sezoni ne moraju dobro raditi u drugoj.

Istražujemo transferno učenje, obuku zasnovanu na simulacijama, proširivanje skupova podataka i procjenu nesigurnosti kako bi se modeli mogli obučiti sa ograničenim podacima, generalizovati na nove uslove i ukazati kada njihovim predviđanjima ne treba vjerovati. Važna je i interpretabilnost, kako bi operatori i naučnici mogli razumjeti i provjeriti automatizovane odluke.

Naša vizija

Naš cilj je razvoj podvodnih sistema koji tumače sopstvene podatke, prilagođavaju se promjenljivim uslovima i donose pouzdane odluke uz ograničenu energiju, propusni opseg i ljudski nadzor.

Kombinovanjem mašinskog učenja sa komunikacionim inženjerstvom, obradom signala i naukom o moru želimo podvodne sisteme učiniti autonomnijim, a njihove odluke efikasnim, transparentnim i potvrđenim u stvarnim uslovima.

Primijenjeno istraživanje

Povezani projekti

Istraživački projekti koji su trenutno u toku u ovoj oblasti

SWARM
Aktivan
SWARM

Skalabilno praćenje podvodnih ekosistema pomoću akustičnih senzorskih mreža

Distribuirana senzorika i analitika za pouzdanu, dugoročnu procjenu vodenih ekosistema uz primjenu najsavremenije akustične senzorske tehnologije.

Autonomni sistemi Mašinsko učenje +2
BLUE-SHIELD
Aktivan
BLUE-SHIELD

Razvoj tehnologija za zaštitu morskih ekosistema i održivo upravljanje priobalnim područjima

Inovativna pasivna akustična detekcija i klasifikacija plovila, u kombinaciji sa autentifikovanim komunikacionim protokolima zaštićenog integriteta za pouzdan prenos kroz podvodnu senzorsku mrežu.

Pasivna akustika Sigurnost +2
Svi projekti