.
Pesquisadores da Universidade de Illinois Urbana-Champaign desenvolveram um novo método para geolocalização subaquática usando redes neurais profundas que foram treinadas em 10 milhões de imagens sensíveis à polarização coletadas de locais ao redor do mundo. Este novo estudo, liderado pelo professor de engenharia elétrica e da computação Viktor Gruev, juntamente com o professor de ciência da computação David Forsyth, permite a geolocalização subaquática usando apenas dados ópticos, ao mesmo tempo em que fornece uma ferramenta para navegação subaquática sem fio.
Essas descobertas foram publicadas recentemente na revista eLuz.
“Estamos mostrando, pela primeira vez, que você pode geolocalizar a si mesmo, ou a uma câmera, em várias condições diferentes, seja em águas oceânicas abertas, águas claras ou águas de baixa visibilidade, de dia, à noite ou em profundidade”, diz Gruev. “Depois de ter uma noção de onde você está, você pode começar a explorar e usar essa informação para entender melhor o mundo subaquático ou até mesmo como os animais navegam.”
Gruev explica que um dos principais desafios da navegação subaquática e geolocalização é que os sinais de GPS não podem penetrar na água – eles ricocheteiam na superfície. “Somos cegos em termos de sinais de GPS debaixo d’água. Precisamos usar diferentes meios e diferentes tecnologias para geolocalizar debaixo d’água.”
O padrão atual de geolocalização é o uso de informações acústicas, obtidas principalmente pela tecnologia de sonar. Isso funciona implantando muitos pequenos faróis de sonar que enviam sinais que são triangulados para localizar um objeto debaixo d’água. A questão, no entanto, é que o sonar funciona apenas em uma área pequena e definida, além de ser limitado por sua precisão.
Outro método atualmente utilizado é o uso de submersíveis amarrados a uma embarcação maior acima da superfície que possui um sinal de GPS. Embora o submersível possa manobrar um pouco, ele é limitado pelo movimento da embarcação.
“É um problema incrivelmente desafiador ter um veículo subaquático em movimento livre. A maneira como resolvemos esse problema é desenvolvendo câmeras especializadas e algoritmos de aprendizado de máquina. Ao combiná-los, podemos realmente descobrir a localização do sol e é aqui que a polarização a imagem entra em jogo.” — Victor Gruev
As ondas de luz do sol se movem em todas as direções – não são polarizadas. Quando essas ondas passam por um filtro, como a superfície da água, elas são forçadas a se mover em apenas uma direção – a luz foi polarizada. Os padrões de polarização são o resultado da transmissão da luz do ar para a água e da dispersão por moléculas de água e outras partículas. Os padrões subaquáticos mudam ao longo do dia e dependem da localização do observador e do sol. Ao analisar esses padrões juntamente com informações precisas de data e hora, é possível determinar a localização.
A equipe coletou cerca de 10 milhões de imagens com uma câmera subaquática e uma lente omnidirecional capaz de registrar os padrões de polarização de quatro locais: um lago de água doce em Champaign, IL (visibilidade em torno de 0,3 m), águas costeiras em Florida Key, FL (visibilidade em torno de 0,5-3 m), água do mar na baía de Tampa, FL (visibilidade em torno de 0,5 m) e um lago de água doce em Ohrid, Macedônia do Norte (visibilidade superior a 10 m). As imagens foram tiradas em uma variedade de condições (águas claras versus águas turvas), profundidades e horários do dia – mesmo à noite, quando a intensidade da luz subaquática é significativamente mais fraca.
“Pensamos na vida como monótona se não podemos ver nada, se não podemos ver as mãos à nossa frente. Mas se podemos ver as propriedades de polarização da luz, podemos localizar geograficamente, mesmo em águas lamacentas. E, na verdade, a vida é muito rico em termos de polarização”, diz Gruev.
Essas imagens foram usadas para treinar uma rede neural – um método de inteligência artificial para aprender e melhorar a precisão ao longo do tempo. “A maneira como fizemos isso foi coletar 10 milhões de imagens do sol debaixo d’água”, explica Forsyth. “Cada imagem foi marcada com o local onde foi tirada e a elevação do sol. Essas imagens foram então passadas para um sistema de aprendizado e o sistema foi ajustado até fornecer uma localização precisa.” O uso dessas técnicas de aprendizado de máquina ajudou a melhorar a precisão da localização para 40-50 km, com a possibilidade de melhorar ainda mais a precisão.
Esta tecnologia apresenta novas oportunidades para pessoas e robôs navegarem debaixo d’água. Os oceanos representam mais de 70% da superfície da Terra, mas muito pouco se sabe sobre isso. Os dados que sabemos sobre esses corpos de água vêm do monitoramento via satélites de 20 a 30 milhas acima da superfície. No local robôs de amostragem autônomos podem fornecer monitoramento mais preciso das propriedades da água, como temperatura da água, salinidade, níveis de oxigênio e outros parâmetros relacionados.
Os recentes esforços de busca e resgate submersíveis OceanGate Titan destacaram a necessidade de habilidades precisas de geolocalização. Para localizar o submersível em qualquer profundidade possível, os esforços foram divididos em duas regiões distintas, próximo à superfície do oceano e próximo ao fundo do mar, devido às limitações da tecnologia atual. Os esforços em águas profundas são significativamente mais desafiadores do que as operações próximas à superfície, que têm mais opções tecnológicas e dependem principalmente de sonar. O sonar não só não é confiável em uma grande área, mas também costuma criar ecos que ocultam a localização precisa de um objeto. Gruev diz: “Esta tecnologia de imagem de polarização permitirá que robôs autônomos menores percorram os primeiros 200-300 metros onde a luz penetra na água e onde nossa tecnologia funciona muito bem e pode ajudar durante as missões de busca e resgate”.
“É difícil entender o tamanho dos oceanos, quanta água existe, a que distância você pode estar de qualquer coisa e como é difícil encontrar algo lá fora. O maior problema tecnológico, até o início do século 19º século, era simplesmente saber onde você estava no mar. E continua muito, muito difícil.” –David Forsyth
Viktor Gruev também é afiliado do Beckman Institute for Advanced Science and Technology, do Departamento de Bioengenharia e do Carle Illinois College of Medicine na UIUC.
Outros colaboradores deste trabalho incluem Xiaoyang Bai (Departamento de Engenharia Elétrica e de Computação da UIUC), Zuodong Liang (Departamento de Engenharia Elétrica e de Computação da UIUC), Zhongmin Zhu (Departamento de Engenharia Elétrica e de Computação da UIUC) e Alexander Schwing (Departamento de Engenharia Electrotécnica e de Computadores e Departamento de Informática da UIUC).
Esta pesquisa foi financiada pelo Escritório de Pesquisa Naval e pelo Escritório de Pesquisa Científica da Força Aérea dos EUA.
.
