مقاله سال ۲۰۱۷

رباتهای هوشمند زیرآبی(AUV) در یک محیط خشن و نامشخص کار می کنند که چالش هایی بر انرژی، ناوبری، و ارتباطات آنها تحمیل می گردد. در محیط فرض شده، پهنای باند کمی برای ارتباط راه حلها برای یک خطا یا خرابی on-board وجود دارد. نرم افزارAUV مورد بحث برای بررسی اقدامات متقابل مین(mine) نیروی دریایی (NMCM) و ماموریت های استخراج مین است. برای چنین ماموریتهایی، قابلیت دسترسی عملیات، درخواستهای مطمئن و ایمنی سیستم از اهمیت بالایی برخوردارند. برای پرداختن به این، یک سیستم تشخیص خطای on-board،جداسازی و بازیابی(FDIR) توسط سازنده برای خطاهای اساسی مانند نفوذهای آرام(slow leaks)، overdepth، و وقفه ها با توجه به دستورات اپراتور ارائه شده است. که با آن، بیشتر AUVها می توانند یک ماموریت اسکریپت شده را پیاده سازی کنند، اما به طور کلی قادر به بازیابی از شکستهای پیچیده تر مانند انرژی پایین، و یا کاهش عملکرد در هواپیمای دریایی نیستند. این دو مورد در اینجا به عنوان نمونه های اجرا شده ارائه شده اند. نمونه ها نشان می دهند که سیستم بازیابی on-board هوشمند می تواند برای بازیابی به موقع از این نوع شکستها اجرا شود. با چنین اقداماتی، AUV می تواند تطبیق یابد و همانطور تحمل خطا برای تغییرات غیر منتظره در خود آن، محیط و ماموریت ممکن شود. بازیابی با بکارگیری یادگیری ماشین برای به دست آوردن بهترین راه حل برای یک شکست خاص و دلیل شکست با استفاده از مشاهدات بر روی گسل / شکست پیاده سازی شده است. علاوه بر این، شبکه های بیزی پویا(DBN) به عنوان یک رویکرد FDIR در جهت قابلیت اطمینان AUV برای ماموریتهای NMCM با مقاومت طولانی مدت پیشنهاد شده اند. DBNها برای رسیدگی به مشاهدات جزئی، عدم قطعیت ذاتی در تکامل زیر سیستمهای AUV، و تعامل زیر سیستمها با محیط خشن و نامطمئن مناسب هستند. این باعث توسعه ی انفعالی می گردد و مانع بازیابی خطا / شکست ممکن می شود.