Robots verzamelen zwerfvuil onder water

Water/Bodem
Klimaat  Kwaliteit 
‹ Terug naar overzicht
Geplaatst op:
Het verwijderen van zwerfvuil uit oceanen en zeeën is een kostbaar en tijdrovend proces. In het kader van een Europees samenwerkingsproject ontwikkelt een team van de Technische Universiteit van München (TUM) een robotsysteem dat gebruik maakt van machine-learning methoden om afval onder water op te sporen en te verzamelen.

Onze zeeën en oceanen bevatten momenteel tussen 26 en 66 miljoen ton plastic zwerfvuil, waarvan het grootste deel op de zeebodem ligt. Dit vormt een enorme bedreiging voor mariene planten en dieren en voor het ecologisch evenwicht van de zeeën. 

Maar het verwijderen van afval uit de wateren is een ingewikkeld en duur proces. Het is vaak ook gevaarlijk, omdat het werk meestal door duikers wordt gedaan. De schoonmaakoperaties blijven meestal ook beperkt tot het wateroppervlak. In het SeaClear-project werkt een team van de TUM samen met acht Europese partnerinstellingen aan de ontwikkeling van een robotsysteem dat zwerfvuil onder water kan verzamelen.   

Zakken met zwerfvuil

Het systeem bestaat uit vier robotonderdelen: een autonoom oppervlaktevoertuig maakt een eerste scan van de zeebodem en lokaliseert grote zwerfvuilzakken. Vervolgens wordt een observatierobot in het water gelaten om onderzees zwerfvuil te detecteren en extra informatie naar de computers te zenden, zoals close-up beelden van de zeebodem. 

In helder water en bij goed zicht wordt ook een drone vanuit de lucht ingezet om verdere zwerfvuilobjecten te identificeren. De resulterende gegevens worden gecombineerd om een virtuele kaart te genereren. Een inzamelrobot bezoekt vervolgens gedefinieerde punten op de kaart en raapt zwerfvuil op. Hij gebruikt een grijper om grotere stukken in een mand te plaatsen die door de autonome boot naar de kust wordt gesleept.

De uitdaging van stromingen

“Het ontwikkelen van autonome robots voor onderwatertoepassingen is een unieke uitdaging”, zegt Dr. Stefan Sosnowski, de technisch directeur van het SeaClear-project bij de leerstoel Informatiegeoriënteerde Besturing aan de TUM. In tegenstelling tot toepassingen op het land heersen er in het water namelijk heel speciale omstandigheden. “Wanneer een stuk zwerfvuil is geïdentificeerd en gelokaliseerd, moet de robot in de buurt ervan zien te komen. Daartoe moet hij soms sterke stromingen overwinnen. De taak van de TUM in het SeaClear-project is om de robot in staat te stellen zich in de juiste richting te bewegen.” 

Om dit te bereiken, maakt het team gebruik van machine learning-methoden. Een kunstmatige intelligentie (AI)-module voert berekeningen uit en leert onder welke omstandigheden de robot zich op bepaalde manieren zal bewegen. Hierdoor is het mogelijk om zijn gedrag nauwkeurig te voorspellen.

“Een andere uitdaging is dat we niet de rekenkracht tot onze beschikking hebben die we op het droge wel zouden hebben”, zegt prof. Sandra Hirche, directeur van de leerstoel en hoofdonderzoeker van SeaClear. “We hebben geen verbindingen met grote datacentra met supercomputers. We hebben dus zeer efficiënte algoritmen nodig die met beperkte middelen werken. Daarom werken we met zeer efficiënte bemonsteringsmethoden die met minimale gegevens tot precieze voorspellingen komen. Het AI-systeem gooit onnodige informatie gewoon weg.”

90 procent succespercentage 

Wanneer het SeaClear-systeem volledig operationeel is, zal het naar verwachting 80 procent nauwkeurigheid bereiken bij het classificeren van onderwaterzwerfvuil en zal het naar verwachting 90 procent van het zwerfvuil met succes inzamelen. Dit is vergelijkbaar met de resultaten van duikers. De eerste proeven met het prototype zijn in oktober 2021 uitgevoerd in Dubrovnik, Kroatië, waar het water helder is en het zicht uitstekend. Verdere proeven zijn gepland in de haven van Hamburg in mei 2022. 

Publicatie: P. Bevanda, S. Sosnowski, S. Hirche, Koopman operator dynamische modellen: Leren, analyse en controle, Annual Reviews in Control , 2021, 52, 197-212, DOI:10.1016/j.arcontrol.2021.09.002