Robotica subacquea di nuova generazione: come la percezione a eventi, il controllo basato su apprendimento e la manipolazione di destrezza stanno rivoluzionando l’esplorazione degli oceani

Introduzione

L’esplorazione degli ambienti marini rimane una delle sfide più complesse per la robotica: visibilità ridotta, correnti imprevedibili e la necessità di interagire con strutture fragili o organismi viventi richiedono soluzioni che vadano oltre le tradizionali telecamere a frame‑rate e i sistemi di controllo basati su modelli idrodinamici precisi. Negli ultimi sette giorni, la comunità della robotica ha pubblicato una serie di lavori che, sebbene focalizzati su scenari aerei, terrestri o di manipolazione da banco, contengono principi tecnologici direttamente trasferibili al dominio subacqueo. In questo articolo esaminiamo come i concetti di percezione basata su eventi (EVPeriscope), di modelli unificati memoria‑predizione‑azione (UniMPA), di controllo predittivo agent‑based potenziato dall’apprendimento (LAMPC) e di manipolazione in‑hand di destrezza (Rapid Learning of Dexterous In‑Hand Pen Writing) possano essere integrati in sistemi di veicoli autonomi sott’acqua (AUV) e di robot teleoperati (ROV) per affrontare le criticità tipiche delle operazioni marine.

Percezione basata su eventi per acque torbide

Uno dei principali ostacoli alla navigazione subacquea è lo scattering della luce e la presenza di particelle in sospensione, che degradano gravemente le immagini ottenute da telecamere convenzionali. Il lavoro EVPeriscope dimostra come una fotocamera a eventi, montata su un robot terrestre e rivolta verso l’alto, possa rilevare la firma ad alta frequenza delle eliche di un quadrirotore, garantendo localizzazione relativa robusta anche in presenza di motion blur, variazioni di illuminazione e occlusioni (EVPeriscope). Traslando questo principio al dominio marino, una fotocamera a eventi posta sullo scafo di un AUV potrebbe tracciare la firma vorticosa di eliche di altri veicoli o di strutture metalliche (es. pali di piattaforme offshore) con una latenza dell’ordine di pochi millisecondi e a frequenze di aggiornamento superiori a 200 Hz, indipendentemente dalle condizioni di turbidità. Questo permetterebbe:

• Localizzazione relativa tra più AUV in formazione, essenziale per missioni di mappatura cooperativa di fondali o di ispezione di condotte sottomarine.
• Rilevamento di ostacoli in tempo reale anche in acque altamente particolate, dove le telecamere a frame‑rate tradizionali soffrono di motion blur e di bassa efficienza del segnale.
• Funzionamento notturno senza necessità di illuminazione attiva, riducendo il disturbo biologico e il consumo energetico.

La dimostrazione di EVPeriscope in condizioni di vento fino a 15 mph e sia di giorno che di notte suggerisce che il medesimo approccio possa resistere a correnti superficiali e a variazioni di temperatura tipiche delle zone costiere, aprendo la strada a sistemi di percezione a basso consumo computazionale, interamente eseguibili su processori embedded di bordo.

Controllo distribuito e apprendimento per flotte di AUV

Le missioni subacquee spesso richiedono la cooperazione di numerosi veicoli eterogenei (AUV di diversa taglia, ROV, glider) per coprire ampie aree o eseguire compiti complessi come la sorveglianza di infrastrutture offshore. Il framework Learning Agent‑based Model Predictive Control (LAMPC) propone uno schema ibrido che combina l’AMPC basato su modello con metodi di apprendimento basati su Gaussian Process Regression per prevedere le contribuzioni sconosciute degli agenti, migliorando le prestazioni olistiche e garantendo il rispetto dei vincoli anche quando le previsioni sono meno accurate (Learning Agent-based Model Predictive Control for Holistic Vehicle Performance).

Applicato a una flottiglia di AUV, LAMPC potrebbe:

• Prevedere l’impatto delle correnti locali sul comportamento di ciascun veicolo, trattando tali effetti come "contributi sconosciuti" da apprendere online tramite dati raccolti dai sensori di velocità e di pressione.
• Mantenere la formazione anche quando alcuni veicoli subiscono guasti sensoriali o perdita di comunicazione, grazie al meccanismo di soft chance constraints che assicura la fattibilità del controllo nonostante l’incertezza.
• Adattarsi dinamicamente a cambiamenti di missione (es. passaggio da mappatura bathimetrica a ispezione di un pozzo) senza dover ridisegnare il modello di controllo da zero, poiché il componente di apprendimento aggiorna continuamente le previsioni delle interazioni inter‑agente.

I risultati riportati mostrano che LAMPC supera l’AMPC tradizionale sia in scenari ben appresi (maggiore precisione di tracciamento) che in quelli meno conosciuti (sempre soddisfacimento dei vincoli). Questo si traduce in una maggiore affidabilità per operazioni di lunga durata in ambienti marini dove la modellazione idrodinamica precisa è impraticabile.

Manipolazione di destrezza e teleoperazione condivisa

L’interazione delicata con campioni biologici, archeologici o con componenti di strutture sottomarine richiede una capacità di manipolazione fine che oggi è limitata dalla necessità di modelli cinematici dettagliati e da grandi quantità di dati dimostrativi. Il lavoro Rapid Learning of Dexterous In‑Hand Pen Writing mostra come, tramite la stima in tempo reale della Jacobiana del sistema mano‑oggetto, sia possibile avviare una scrittura in‑hand di una penna dopo soli 18 secondi di inizializzazione, raggiungendo una precisione sub‑millimetrica (media 0,6 mm) senza bisogno di modelli analitici, simulazione o dimostrazioni pre‑raccolte (Rapid Learning of Dexterous In‑Hand Pen Writing through Real-Time Jacobian Estimation).

Trasferendo questo principio a una pinza robotica montata su un ROV, si potrebbe:

• Eseguire operazioni di presa e rilascio di fragili reperti archeologici o di campioni di corallo con una precisione che riduce il rischio di danni meccanici.
• Adattarsi online a variazioni di attrito e di forma dell’oggetto, poiché la Jacobiana viene stimata continuamente dai sensori di forza e di posizione presenti sulla pinza.
• Ridurre la dipendenza dalla teleoperazione tradizionale, che richiede elevate larghezze di banda e comporta latenze problematiche nelle profondità marine.

Un ulteriore passo avanti è rappresentato dal framework SEED‑UMI, che condivide lo stesso esoscheletro tra umano e robot, trasformando il retargeting in una supervisione cross‑embodiment e migliorando l’efficienza di raccolta dati di 3,0× e il tasso di successo dei rollout al 70,0 % (SEED-UMI: Sharing the Exoskeleton between human and robot for onE-to-one Dexterous demonstration). In un contesto subacqueo, un operatore indossante un esoscheletro impermeabile potrebbe guidare il movimento di una pinza robotica in tempo reale, mentre il robot apprende direttamente dalle immagini del polso, evitando la necessità di segmentare o ricostruire l’immagine. Questo approccio potrebbe ridurre drasticamente il tempo necessario per addestrare nuovi compiti di manipolazione, accelerando il dispiegamento di missioni di intervento su strutture offshore o di recupero di oggetti sommersi.

Pianificazione di traiettorie e mapping 3D per interventi subacquei

La capacità di ricostruire con precisione l’ambiente circostante è fondamentale sia per la navigazione che per la pianificazione di manipolazioni complesse. Il sistema Visual‑SLAM for the detection of hidden tomatoes in greenhouses by Hierarchical Localization and GLOMAP dimostra come una telecamera monoculare, combinata con il mapper GLOMAP e una gerarchia di localizzazione, possa generare un modello 3D accurato di oggetti parzialmente occultati, validato contro misurazioni manuali di dimensioni, posizione e orientamento (Visual-SLAM for the detection of hidden tomatoes in greenhouses by Hierarchical Localization and GLOMAP for robotized harvesting).

Applicato al dominio marino, tale pipeline permetterebbe:

• Mappatura di strutture sommerse (es. tubazioni, cavi, rovine) anche quando parzialmente coperte da sedimenti o da vita marina, grazie alla strategia coarse‑to‑fine che prima ipotizza la posizione globale tramite riconoscimento di caratteristiche e poi raffina la stima usando feature locali.
• Rilevamento di oggetti nascosti come mine o ordigni inesplosi, dove la visibilità ottica è limitata ma la struttura geometrica può essere ricostruita da più viste acquisite mentre l’AUV si avvicina.
• Validazione geometrica delle ricostruzioni tramite confronti con dati di sonar o di Lidar subacqueo, aumentando la fiducia nelle decisioni di intervento.

Combinando questa capacità di mapping con il controllo predittivo LAMPC e la percezione a eventi, si ottiene un loop chiuso in cui l’AUV aggiorna continuamente la sua rappresentazione 3D dell’ambiente, utilizza tali informazioni per pianificare traiettorie sicure e adatte al compito, e allo stesso tempo mantiene una formazione stabile con gli altri veicoli della flottiglia.

Implicazioni per le aziende italiane

Le tecnologie descritte non sono mere dimostrazioni di laboratorio: costituiscono mattoni fondamentali pronti per l’integrazione in prodotti commerciali. Per le imprese italiane attive nei settori:

• Monitoraggio ambientale marino (es. analisi di fioriture algali, valutazione di impatti di piattaforme offshore), la percezione a eventi e il mapping 3D a basso costo consentono di estendere la durata delle missioni e di ridurre la dipendenza da navi di supporto costose.
• Offshore oil & gas ed energie rinnovabili (ispezioni di fondali, controllo di integrità di strutture), la capacità di mantenere formazioni di AUV in condizioni di corrente variabile e di eseguire manipolazioni delicate su giunti o valvole aumenta la sicurezza e diminuisce i tempi di fermo.
• Sicurezza nucleare e difesa (monitoraggio di siti sottomarini di materiale fissile o di ordigni), l’uso di sensori quantistici sviluppati da NIST, sebbene non direttamente robotici, può essere integrato su piattaforme AUV per rilevare firme di radiazione con sensibilità senza precedenti, mentre il framework LAMPC garantisce che tali piattaforme rimangano entro corridoi di sicurezza anche in presenza di disturbi imprevedibili.

In sintesi, la convergenza di percezione basata su eventi, controllo apprenditivo agent‑based, manipolazione di destrezza in‑loop e mapping 3D gerarchico sta creando una nuova generazione di sistemi robotici subacquei capaci di operare in condizioni precedentemente proibitive. Le aziende italiane che sapranno adottare e adattare queste innovazioni potranno ottenere un vantaggio competitivo significativo in termini di efficacia operativa, riduzione dei costi e rispetto delle normative ambientali e di sicurezza sempre più stringenti.