Aktive Unterwassermüll-Kartierung durch Kamera-Sonar-Fusion
Das Paper stellt als Preprint ein aktives Kartierungsverfahren für Unterwassermüll vor. Ein UUV fusioniert Kamera- und Sonarmessungen in einer gemeinsamen Bayes'schen Occupancy-Map und wählt den nächsten Blickpunkt über einen Zwei-Term-Nutzen aus Erkundung unsicherer Voxel und Bestätigung von Objektkandidaten. In der MARUS-Simulation findet die aktive Suche alle 11 Objekte nach 27 Metern Fahrstrecke, während ein Rasenmäher-Muster dafür 110 Meter benötigt; die Fusion ist etwa doppelt so schnell wie die Einzelsensor-Varianten.
Wie kann ein UUV Unterwassermüll durch aktive Blickpunktwahl und fusionierte Kamera-Sonar-Wahrnehmung schneller finden als mit festen Abdeckungsmustern oder einzelnen Sensoren?
Unterwasserroboter zur Müllsuche nutzen oft starre Abdeckungsmuster oder nur eine Sensorik. Kameras leiden unter Trübung und ungleichmäßigem Licht, Sonar ist verrauscht und niedrig aufgelöst, und vorgeplante Pfade beobachten bereits bestätigte Bereiche erneut, während unsichere Regionen untererfasst bleiben. Dadurch wird wertvolle Missionszeit verschwendet.
Bisherige Ansätze umfassen feste Muster wie Rasenmäher oder Spiralen sowie informationsgetriebene Planer, die meist pauschal Kartenunsicherheit, Mutual Information oder Entropie reduzieren. Single-Sensor-Systeme mit Kamera oder Sonar stoßen an ihre jeweiligen Grenzen; klassische Explorationsziele priorisieren Objektkandidaten nicht gezielt. Einige Arbeiten nutzen Gaussian-Prozess-Karten oder Reinforcement Learning, sind aber nicht auf die duale Kamera-Sonar-Fusion zur statischen Müllsuche zugeschnitten.
Das Verfahren hält eine 3D-Occupancy-Map auf OctoMap-Basis mit Voxeln von 0,2 m Kantenlänge und fusioniert Kamera- und Vorausschau-Sonarmessungen sequenziell über Bayes'sche Updates; die Sensoren werden als bedingt unabhängig behandelt. Für beide Sensoren werden reichweiten- und winkelabhängige Tabellen für True-Positive- und False-Positive-Wahrscheinlichkeiten aus simulierten MARUS-Datensätzen gelernt, wobei separate Mask R-CNN-Modelle mit ResNet-50-FPN und COCO-Vortraining für RGB und Sonar eingesetzt werden; Temperatur-Scaling sorgt für realistischere Unsicherheit. Der Next-Best-View-Planer diskretisiert Wegpunkte planar und in Gierwinkeln und maximiert über die Sichtfeldvoxel die Summe aus Voxel-Entropie und gewichtetem Indikator für Objektkandidaten im Wahrscheinlichkeitsintervall 0,7 bis 0,95; der Gewichtungsfaktor Alpha ist 5. Als Plattform dient das MiniTortuga-UUV im MARUS-Simulator mit Kamera bei 15 Hz und 60 Grad vertikalem Sichtfeld sowie Sonar bei 20 Hz, 120 mal 60 Grad Sichtfeld und 30 m Reichweite.
In der MARUS-Simulation mit einer 38 m mal 24 m großen Szene und 11 Objekten in drei Clustern findet die aktive Suche mit beiden Sensoren alle 11 von 11 Objekten nach 27 m Fahrstrecke; ein Rasenmäher mit 12 m Streifenabstand hat zu diesem Zeitpunkt erst 4 Objekte gefunden und benötigt 110 m für alle Objekte. Im zweiten Experiment ist die aktive Sensorfusion etwa doppelt so schnell beim Auffinden aller Objekte wie Sonar-only oder Kamera-only, wobei keine der Einzelsensor-Varianten klar gewinnt. Für die Kamera-only-Variante wurde der Wegpunktabstand von 6 m auf 3 m reduziert. In einem zweiten Szenario mit oben ausgerichteten Clustern bleibt der Vorteil der aktiven Kartierung laut Abbildung 9 bestehen; konkrete Zahlen werden im Paper nicht berichtet. Eine statistische Wiederholungszahl wird im Paper nicht berichtet.
Die Evaluation erfolgt ausschließlich in der MARUS-Simulation; reale Feldversuche stehen aus. Die Sensorwahrscheinlichkeiten sind aus synthetischen Daten gelernt und durch Temperatur-Scaling nur angenähert realistisch. Der Planer ist myopisch und betrachtet nur einen Schritt; Sensorkopplungen werden über die Annahme bedingter Unabhängigkeit vernachlässigt. Die Pose des UUV und die Bathymetrie werden als bekannt vorausgesetzt, und die Objekte sind statische, einfache Würfel und Kugeln. Angaben zu Wiederholungen, Robustheit gegenüber Strömung oder Trübung und zur Code-Verfügbarkeit fehlen im Paper.
Unternehmen aus den Bereichen Unterwasserinspektion, Hafenreinigung und Umweltmonitoring könnten die Methode kurzfristig in Simulations- und Testsystemen für effizientere Müllsuche nutzen. In ein bis drei Jahren ist eine Integration in autonome Unterwasserfahrzeuge für küstennahe oder See-Müllkartierung denkbar, sofern reale Sensormodelle validiert und die Rechenzeit der Wegpunktauswahl beherrscht werden. Über drei Jahre hinaus könnte das Verfahren in Multi-Roboter-Systemen wie SeaClear2.0 zur Detektion und anschließenden Bergung von Meeresmüll beitragen, wenn nicht-myopische Planung und Feldtests erfolgreich sind.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.