La navegación submarina enfrenta desafíos persistentes debido a las variaciones en la velocidad del sonido en el agua de mar, que introducen errores sistemáticos de posicionamiento que comprometen la precisión de los vehículos autónomos y operados remotamente en aguas profundas. Un nuevo esquema de corrección de perfiles de velocidad del sonido (PVS) en tiempo real, publicado en Satellite Navigation en 2025, aborda esta limitación al integrar la teoría de trazado de rayos acústicos con filtrado adaptativo para estimar dinámicamente las perturbaciones de velocidad del sonido y mejorar la precisión de navegación.
La investigación, detallada en el estudio disponible en https://doi.org/10.1186/s43020-025-00181-w, se centra en la integración del Sistema de Navegación Inercial de Plataforma Estabilizada (SINS) y la Línea de Base Ultra Corta (USBL), que se utiliza comúnmente para navegación submarina ya que las señales satelitales no pueden penetrar el agua de mar. La precisión de navegación generalmente disminuye con la profundidad y la distancia debido a la velocidad del sonido no uniforme que cambia con la temperatura, salinidad y presión a lo largo del tiempo y la profundidad. Los métodos de corrección tradicionales dependen de mediciones estáticas de perfiles de conductividad-temperatura-profundidad (CTD) o modelos empíricos que no se adaptan a condiciones en tiempo real, lo que genera errores de tiempo de viaje y ángulo inducidos por refracción que se acumulan durante misiones de larga duración.
El nuevo método modela la variabilidad temporal del PVS utilizando trazado de rayos acústicos y aplica un filtro de información adaptativo de dos etapas para estimar conjuntamente la perturbación de velocidad del sonido e identificar valores atípicos de USBL. El trabajo comienza analizando cómo el PVS variable en el tiempo afecta la propagación acústica de USBL, alterando los ángulos de incidencia de los rayos y el tiempo de viaje. Basándose en la ley de Snell, el equipo derivó relaciones diferenciales parciales entre la perturbación de velocidad del sonido y los desplazamientos horizontales/verticales, construyendo un modelo de cuasi-observación que permite estimar la perturbación del PVS a través de diferencias entre el tiempo de viaje derivado de SINS y medido por USBL.
Una representación de perturbación de PVS de segundo orden separa la capa mixta de aguas poco profundas, la zona de transición de la termoclina y la capa isotérmica profunda, reflejando una distribución realista de la velocidad del sonido con la profundidad. Para fusionar datos de navegación, los investigadores diseñaron un Filtro de Información Adaptativo de Dos Etapas (ATI) que combina observaciones de SINS, Registro de Velocidad Doppler (DVL), Manómetro de Presión (PG) y USBL. El filtro actualiza errores de posición, velocidad y actitud mientras detecta simultáneamente anomalías de USBL mediante una prueba de Razón de Verosimilitud Generalizada y refina la estimación del PVS mediante mínimos cuadrados recursivos.
Simulaciones utilizando conjuntos de datos CTD recopilados por MVP mostraron que, sin corrección de PVS, los errores de posicionamiento horizontal de USBL alcanzaron varios metros. Con el algoritmo propuesto, el error RMS disminuyó notablemente. Pruebas en el Mar de China Meridional demostraron mejoras significativas, con la posición RMS mejorando de 0.45 m a 0.08 m hacia el norte y de 0.23 m a 0.07 m hacia el este, mejorando la precisión en más del 80% bajo condiciones reales de misión.
Según los autores, la reconstrucción de PVS en tiempo real es crucial para abordar la deriva de navegación en sistemas acústicos de aguas profundas. La navegación tradicional a menudo depende de perfiles de velocidad del sonido estáticos, que rápidamente se vuelven obsoletos durante misiones largas. El nuevo modelo integra el trazado de rayos físicos con filtrado adaptativo, permitiendo que los vehículos autónomos operados remotamente (ARV) detecten y corrijan cambios en la velocidad del sonido en lugar de depender de entradas fijas. Este enfoque respalda el mapeo oceánico profundo, el muestreo y la detección de recursos del lecho marino donde se requiere localización precisa bajo condiciones ambientales dinámicas.
El marco de corrección de PVS proporciona un camino práctico hacia sistemas de navegación de aguas profundas auto-adaptativos. Al reducir la dependencia de estudios CTD externos y mejorar la resiliencia a la distorsión acústica, aumenta la robustez de la navegación durante despliegues prolongados. El método es adecuado para vehículos autónomos operados remotamente (ARV) y Vehículos Submarinos Autónomos (AUV) que realizan mapeo del lecho marino, monitoreo ecológico, exploración mineral, enrutamiento bajo hielo o misiones autónomas de largo alcance. Desarrollos futuros podrían integrar predicción de PVS basada en aprendizaje automático o datos oceanográficos multi-sensor para corrección proactiva. Los autores prevén su potencial para mejorar la eficiencia y confiabilidad de datos en futuras exploraciones de aguas profundas y evaluaciones de recursos marinos, representando un avance significativo en la tecnología de navegación submarina.
