Los vehículos marinos autónomos (MAV) son un componente esencial de la futura infraestructura de investigación marina. Impulsados por la Estrategia de Sostenibilidad Medioambiental de UKRI, cuyo objetivo es alcanzar las emisiones netas cero para 2040, estos vehículos ofrecen una eficiencia de carbono muy superior a la de los buques de investigación convencionales, por lo que cada vez tienen mayor presencia en las labores de recopilación de datos. En consecuencia, el programa FMRI está promoviendo una importante expansión de la flota autónoma nacional. Sin embargo, a medida que aumenta el número de MAV desplegados, la planificación manual de sus misiones se vuelve exponencialmente más compleja. Este proceso no puede escalar de forma eficaz sin integrar herramientas avanzadas y automatizadas de apoyo a la toma de decisiones.
Un modelo de programación lineal entera mixta (MILP) optimiza la planificación de rutas y despliegues para grandes flotas de MAV. El modelo tiene en cuenta numerosas restricciones operativas específicas de los activos y del entorno para garantizar que todas las soluciones generadas sean viables en la práctica, con el objetivo principal de maximizar el volumen total de datos científicos recopilados. El marco integra itinerarios de buques ya existentes, lo que permite utilizar embarcaciones convencionales para cambiar las baterías de los MAV o como corredores de tránsito.
El marco también puede utilizarse como herramienta de simulación: los investigadores pueden evaluar escenarios hipotéticos, como variar la capacidad de las baterías o ampliar los periodos de despliegue, antes de llevar a cabo el despliegue físico. Para mejorar la interpretabilidad de estos planes complejos, los resultados textuales y visuales derivados de las soluciones del modelo destacan los aspectos más importantes de la estrategia general de despliegue.
Planificación de rutas y misiones de los MAV
La planificación de rutas es fundamental para las operaciones de los MAV, y los primeros trabajos ya establecieron técnicas de planificación de trayectorias para entornos submarinos. Los enfoques actuales abordan escenarios cada vez más complejos mediante algoritmos de búsqueda basados en muestreo, optimización, inspiración biológica y modelos geométricos.
La planificación de misiones de los MAV comprende tanto la asignación de tareas de alto nivel como la planificación de rutas de bajo nivel, una combinación especialmente difícil en entornos oceánicos dinámicos. Algunos sistemas de apoyo a la toma de decisiones han combinado el análisis multicriterio y los conjuntos difusos para abordar la incertidumbre de las operaciones de los MAV. Otros algoritmos integrados resuelven la asignación de misiones y la planificación de rutas en entornos con corrientes oceánicas. Los algoritmos evolutivos también han demostrado ser prometedores para la planificación de misiones al descomponer el problema en la selección de puntos de observación y la optimización de rutas.
Coordinación de flotas de MAV
Históricamente, la bibliografía ha tratado los despliegues de MAV como iniciativas científicas aisladas y de pequeña escala, en lugar de considerarlos componentes integrados de una red logística marítima más amplia. En consecuencia, persiste una laguna importante: los modelos de coordinación autónoma existentes asumen casi universalmente que los MAV operan con independencia de la infraestructura marítima convencional.
Estos modelos rara vez tienen en cuenta el apoyo de los buques, como los cambios de batería durante la misión o los tránsitos asistidos. Esta omisión se debe a la división tradicional entre la planificación de rutas robóticas a escala microscópica y la logística marítima a gran escala.
El modelo MILP tiende un puente entre ambos campos al abordar esta realidad operativa y reflejar las exigencias logísticas de la investigación marina moderna.
Restricciones energéticas y escalabilidad de la flota
La gestión de las baterías es el principal factor limitante de las operaciones persistentes de los MAV. Investigaciones anteriores han estimado el consumo energético durante el tiempo de funcionamiento y han optimizado estrategias de encuentro con estaciones de recarga fijas. Otros trabajos han demostrado la importancia de la gestión de baterías y energía mediante operaciones de atraque, desarrollando una optimización de trayectorias en tiempo real que minimiza tanto la duración de la misión como el consumo energético, teniendo en cuenta los efectos hidrodinámicos.
Los algoritmos evolutivos y los métodos de enjambre de partículas pueden abordar la asignación de tareas con criterios energéticos, pero carecen de las garantías matemáticas rigurosas de optimalidad que ofrece la MILP. Además, las investigaciones anteriores han evitado en gran medida las formulaciones MILP exactas para la planificación conjunta de rutas de buques y MAV debido a la complejidad computacional exponencial que introduce la combinación de operaciones autónomas continuas con horarios discretos de embarcaciones marítimas.
En el contexto de una infraestructura de investigación marina de nueva generación y gran escala, el modelo proporciona una solución escalable que reproduce las restricciones reales de despliegue. Tiende un puente entre la planificación teórica de rutas multiagente y la logística marítima aplicada, garantizando una estricta viabilidad operativa para cientos de MAV e incorporando explícitamente buques de apoyo en movimiento.
Requisitos de las tareas
El problema consta de un conjunto de requisitos de tareas, denotado por TR. Cada tarea asocia una estación de investigación, rs, con un tipo de MAV, vt, capaz de cubrirla. Estos requisitos se definen mediante las siguientes características:
- Hora más temprana de inicio de la tarea.
- Hora límite de finalización de la tarea.
Integración de buques
El modelo puede incluir un itinerario de buque preexistente, denotado por sh. El itinerario consta de distintas ubicaciones de fondeo o estacionarias, cada una caracterizada por una ventana temporal en la que el buque llega a ella y la abandona.
Cada MAV puede asignarse al buque a través de sus puntos de paso en una de las siguientes situaciones:
- Disponer de una batería completamente recargada: Esto sucede cuando la nueva batería permite cubrir mejor las misiones científicas restantes. El modelo define la duración mínima de la estancia en el buque.
- Utilizar el buque para el tránsito: Por lo general, el buque es más rápido y seguro en condiciones ambientales difíciles. Los MAV pueden desplazarse a bordo del buque para llegar antes a sus destinos cuando la ruta propuesta no les permitiría llegar dentro de la ventana temporal especificada o provocaría una restricción de los recursos de batería.
Resumen de notaciones
Las notaciones matemáticas permiten pasar de la formulación conceptual del problema al modelo de programación lineal entera mixta. Esta referencia se organiza en tres módulos principales.
AUV
MV: el conjunto de todos los MAV disponibles, de cualquier tipo.- El conjunto de MAV del tipo
vt. mv: un MAV individual deMV.
Ventanas temporales
- Una única ventana temporal, que comienza en el inicio definido y termina en la conclusión establecida.
Ubicaciones
RS: el conjunto de todas las estaciones de investigación.- El conjunto de estaciones de investigación a las que pueden asignarse MAV del tipo
vt. BS: el conjunto de todos los puertos de movilización paraMV.- El puerto de movilización de
mv. PL: el conjunto de todos los puertos de desmovilización paraMV.- El puerto de desmovilización de
mv. - La ubicación del buque dentro de una ventana temporal.
- El conjunto de ubicaciones del buque en cada ventana temporal.
Rutas
RT: el conjunto de todas las rutas disponibles para los desplazamientos de los MAV.- El conjunto de rutas del buque en las que este es uno de los extremos de la ruta.
TR: el conjunto de todos los requisitos de tareas que deben completarse.- El conjunto de requisitos de tareas que deben completarse en la estación de investigación
rsmediante MAV del tipovt. - Una tarea individual en
rsque requiere el tipovt. - La ponderación del requisito de la tarea.
Parámetros de entrada del modelo
- Consumo medio de batería por unidad de tiempo cuando un MAV del tipo
vtestá activo. - Consumo medio de batería por unidad de tiempo cuando un MAV del tipo
vtestá inactivo. - Umbral de nivel de batería para cada MAV del tipo
vt.
Casos de estudio y resultados
Los cuatro casos de estudio se resuelven mediante SCIP, un solucionador no comercial para programación entera mixta y programación no lineal entera mixta.
Entradas y salidas
Los casos de estudio se inspiran en misiones científicas reales extraídas de la plataforma Marine Facilities Planning. La plataforma proporciona registros de solicitudes de tiempo de buque y equipos marinos, así como formularios de despliegue autónomo que sirven de base para los casos de estudio.
Requisitos de las tareas
Los formularios de despliegue autónomo contienen el conjunto de requisitos de las tareas, las ubicaciones de los puertos de movilización y desmovilización, los puntos de recogida o encuentro y las estaciones de investigación. El formulario especifica el tipo de MAV, el número de vehículos necesarios y las fechas previstas de despliegue y recuperación.
Itinerario del buque
Las solicitudes de tiempo de buque y equipos marinos se utilizan para elaborar un itinerario que se ajuste a los requisitos de las tareas y permita asignar MAV al buque para cubrir requisitos adicionales. Como el modelo contiene un solo buque, estos casos de uso se centran en solicitudes operadas por el buque de investigación real Sir David Attenborough.
AUV y sus tipos
El modelo contempla el uso y despliegue de una flota compuesta por MAV Slocum Glider y Autosub Long Range 1500 (ALR1500). Se seleccionaron estos dos vehículos porque sus características están disponibles dentro de la organización y a través de otros colaboradores, lo que permite estimar mejor los costes de las rutas.
Se considera que un tipo de MAV es la combinación de un Slocum Glider o un ALR1500 con distintas configuraciones de sensores.
Costes de las rutas
Aunque los formularios de despliegue autónomo proporcionan las ubicaciones necesarias para resolver cada caso de estudio, no incluyen los costes de las rutas entre orígenes y destinos. PolarRoute, un software de planificación de rutas marítimas basado en IA y datos, se utiliza para generar el tiempo de viaje y el consumo de batería de todo el conjunto de rutas, incluidas las rutas de los buques.
Los costes se generan para el Slocum Glider y el ALR1500, así como para elaborar los itinerarios de los buques en algunos casos de estudio.
Debate y conclusiones
Se desarrolló un modelo MILP para planificar misiones de investigación marina mediante una flota de MAV. Se prevé que el modelo funcione como herramienta de apoyo a la toma de decisiones para los equipos de operaciones marinas, que deben generar planes complejos mientras la planificación manual resulta cada vez más costosa.
El modelo maximiza el número de tareas científicas cubiertas y optimiza el uso de la flota y de las baterías. Aunque no se tienen en cuenta las restricciones de recursos del buque, cada MAV solo puede asignarse a este si con ello mejora la cobertura científica.
Se resuelven tres casos de estudio inspirados en misiones de investigación marina existentes. Cada uno difiere en su ubicación, requisitos científicos, integración del buque o tamaño de la flota. Esta diversificación ayuda a identificar y destacar las distintas restricciones representadas por el modelo.
En conjunto, el modelo y los casos de estudio demuestran que la planificación basada en MILP puede generar planes complejos de investigación marina con múltiples vehículos, cuya elaboración manual resultaría costosa, y mantener al mismo tiempo la flexibilidad necesaria para captar las diversas restricciones y prioridades de las operaciones marinas reales.
Las ampliaciones propuestas, que incluyen un modelado más completo de los recursos y de múltiples buques, una replanificación dinámica basada en pronósticos y una replanificación consciente de la incertidumbre, abren el camino hacia una herramienta de apoyo a la toma de decisiones capaz de respaldar las misiones de investigación marina durante toda su ejecución, además de en la fase de planificación.
Declaración sobre el uso de herramientas de IA en el proceso de redacción
Durante la redacción de este artículo, los autores utilizaron Grammarly para revisar la gramática y editar el lenguaje. Mientras empleaban esta herramienta, revisaron los cambios sugeridos para asumir plenamente la responsabilidad sobre el contenido de la publicación.
Preguntas frecuentes
¿Cuál es el objetivo principal del modelo de programación de flotas de MAV? El objetivo principal es maximizar el volumen total de datos científicos recopilados aumentando el número de tareas científicas cubiertas.
¿Por qué es importante la gestión de las baterías para las operaciones de los MAV? La gestión de las baterías es el principal factor limitante de las operaciones persistentes de los MAV y afecta a las rutas, la finalización de las tareas y la necesidad de cambios de batería con apoyo de los buques.
¿Cómo pueden los buques prestar apoyo a los vehículos marinos autónomos? Los buques pueden proporcionar baterías completamente recargadas o ayudar a los MAV a atravesar condiciones difíciles y llegar a sus destinos dentro de las ventanas temporales requeridas.
¿Qué tipos de MAV se consideran en los casos de estudio? El modelo contempla MAV Slocum Glider y Autosub Long Range 1500 con distintas configuraciones de sensores.