Kapittel 14: Automatiserte og autonome systemer

Asgeir J. Sørensen er utdannet sivilingeniør fra Institutt for marin teknikk (1988) og doktor ingeniør fra Institutt for teknisk kybernetikk (1993), begge NTH. Sørensen har arbeidet for selskapene MARINTEK, ABB og Marine Cybernetics. I 1999 ble han tilsatt som professor i marin kybernetikk ved Institutt ved marin teknikk, NTNU. Sørensen er megründer i flere selskapsetableringer fra NTNU. Siden 2013 har Sørensen vært nøkkelforsker og direktør ved Senter for fremragende forskning – Centre for Autonomous Marine Operations and Systems (NTNU AMOS).

Denne artikkelen er hentet fra boken Teknologien endrer samfunnet utgitt på Fagbokforlaget i 2017 (ISBN 978-82-450-2297-1).

Boken kan bestilles her: https://www.fagbokforlaget.no/sok/?q=978-82-450-2297-1

Autonome systemer har betydning for havet

Norge er en havnasjon med store havområder som strekker seg helt inn til arktisk nord om Svalbard. Havområdene som skal forvaltes av Norge, er ca. seks til sju ganger større enn landområdene. For Norge er de havrelaterte næringer (den blå økonomi) helt avgjørende for vår velstand. Derfor er også muliggjørende teknologier innenfor dette helt avgjørende for verdiskaping og kunnskapsbasert forvaltning. Ved NTNU Senter for fremragende forskning – autonome marine operasjoner og systemer (NTNU AMOS), i partnerskap med NTNU, SINTEF, Statoil, DNV GL og Norges forskningsråd samt en rekke nasjonale og internasjonale samarbeidspartnere, forskes det på nye metoder og teknologier for utvikling av autonomi for ubemannede farkoster som opererer under vann, på vannoverflaten og i luft samt autonome skip og intelligente konstruksjoner til havs med anvendelser innen olje & gass, maritim, fiskerier og havbruk, fornybar energi fra havet, marin forskning, marin mineralutvinning, nye kystkonstruksjoner, m.m. – se figur 1.

NTNU AMOS er et eksempel på hvordan muliggjørende teknologier sammen med etablerte teknologiområder blir helt avgjørende for omstilling og innovasjon. Her vil industrielle aktører, myndigheter, forvaltning og forskningsmiljøer få glede av nye forskningsresultater og kompetanse.

Figur 1 Senter for fremragende forskning NTNU AMOS med partnere legger ned betydelig forskningsinnsats på nye metoder og teknologier for autonome systemer. Forskningen er tverrfaglig, med bidrag fra marinteknikk, teknisk kybernetikk, marin biologi mfl (Illustrasjon: NTNU AMOS/Stenberg).

Hva er et automatisert og autonomt system?

Et automatisert system er i stand til å utføre veldefinerte funksjoner og oppgaver automatisk der en operatør overvåker systemet og bestemmer settpunkt. Basert på målinger av systemets tilstander og bruk av tilbakekoblingsregulator styres systemets tilstander mot ønskede tilstander. Et autonomt system har ekstra beslutningslag i sine reguleringssystemer med egenskaper som gir det en situasjonsforståelse for å selv kunne beslutte sine settpunkt.

Et automatisert system styrer mot ønskede tilstander, også kalt settpunkt. Regulatorer som utfører forover-kobling for å f.eks. direkte kompensere forstyrrelser, benyttes også. I figur 2 er det vist en skisse av de ulike lagene mellom oppdrag – guiding og optimalisering – regulering. Disse kobles sammen med tilbakekobling og kommandolinjer.

Figur 2 Kombinasjon av reaktiv og prediktiv regulering der autonomi oppnås ved innføring av nye sensorer, metoder og modeller for forbedret planlegging og prediksjon.

Et autonomt system er mer intelligent siden det er i stand til å beslutte selv uten inngripen av en menneskelig operatør. Et autonomt system skal være i stand til å planlegge og re-planlegge en operasjon automatisk samt håndtere feil og rekonfigurere seg selv om nødvendig. Autonome systemer skal også være i stand til å adaptere seg til skiftende omgivelser, begrensninger og å lære underveis. I figur 2 betyr dette at de to øverste nivåene også er automatiserte.

Vi kan karakterisere systemer som autonome med hensyn til energi og intelligens. Energiautonome systemer er selvforsynt med energi og kan operere uten f.eks. ekstern energiførsel via kabler. Intelligentautonome systemer er i stand til å utføre komplekse funksjoner automatisk selv i ukjente omgivelser og usikkerheter – uten menneskelig inngripen. Vi forbinder autonome systemer med ubemannede systemer. Dette er i og for seg riktig, men også for bemannede, komplekse systemer er autonome funksjoner introdusert for å sikre hurtig og ønsket respons. Dette gjelder for de fleste sikkerhetsfunksjoner på skip og rigger, slik som nødavstenging av prosessutstyr, brann og gasslukningssystemer og antikollisjonssystemer. Det er også introdusert autonome funksjoner for optimalisering av operasjoner. Et eksempel er optimal heading og kursregulering av skip for minimering av hydrodynamiske krefter på skroget. På motsatt side kan også ubemannede systemer ha lite innebygd autonomi siden viktige funksjoner er fjernstyrt av en operatør med god båndbredde på kommunikasjon. Skulle derimot denne svikte, er det behov for at systemene kan operere autonomt.

Figur 3 Drivere for autonome systemer.

I figur 3 har vi illustrert ulike drivere for autonome systemer. I tråd med utvikling av bedre sensorer, økt fysikkforståelse, bedre datakraft og brukerbehov, har autonome funksjoner i økende grad også blitt introdusert for bemannede automatiserte systemer. Det er med andre ord ikke helt opplagte skiller mellom avanserte automatiserte systemer og autonome systemer. Disse varierer også ut fra hvilke anvendelser vi ser på.

Situasjonsforståelse

For autonome systemer er systemets evne til situasjonsforståelse avgjørende. Med dette mener vi evne til å være oppmerksom på hva som skjer rundt oss og forståelse for hva denne kunnskapen betyr nå og inn i fremtiden. En formell definisjon av situasjonsforståelse er tredelt (se figur 4):

• Nivå 1: Persepsjon – oppfattelsesevne
• Nivå 2: Forståelse av gjeldende situasjon
• Nivå 3: Projeksjon eller prediksjon av fremtidige situasjoner

Det er da liten tvil om at sensorer som måler ulike tilstander, omgivelser og forstyrrelser, er avgjørende. I tillegg vil matematiske metoder, modeller og fysisk forståelse, kombinert med gode estimeringsmetoder, kunne bidra til prediksjon av fremtidige situasjoner. Hvor langt prediksjon vil strekke seg frem i tid, er avhengig av typen system og omgivelsene. Da skjønner vi også at systemets responstid er viktig for å kunne håndtere uforutsette hendelser.

Figur 4 Situasjonsforståelse gjengitt fra Designing for Situation Awareness. An Approach to User-Centered Design (Endsley, Bolte, Jones, July 10, 2003, CRC Press).

Hvordan karakteriserer vi autonome systemer

Forenklet kan vi si at autonome systemer er mer intelligente og har mer adaptiv funksjonalitet som setter dem i stand til å utføre oppgaver når automatiserte systemer vil svikte pga. feil eller uventede interne eller eksterne hendelser. Det har vært gjort ulike forsøk på å klassifisere autonome systemer i ulike kategorier ut fra graden av autonomi. Som nevnt i forrige seksjon er disse kategoriene ikke eksakte. Vi vil likevel gjøre en inndeling i fire nivåer med økende grad av autonomi, som starter med automatiserte systemer og ender med høynivå autonome systemer:

• Automatisert system (fjernstyring – menneske i loopen) betyr at systemet opererer veldefinerte oppgaver og funksjoner automatisk. Mennesket overvåker og opererer direkte all styring på overordnet nivå, inkludert operasjonsplanlegging og generering av settpunkt.
• Teleoperert, automatisert system: styring basert på samtykke (menneskedelegert styring) betyr at systemet automatisk gir anbefalinger og støtte til operatøren om hva som bør gjøres av endringer i settpunkt og andre operasjonsspesifikke aksjoner. Systemet vil gi operatøren melding og alarm i nødvendig tid for at operatøren kan gjøre sine beslutninger. Teleoperasjon er ofte benyttet når det er begrensninger i kommunikasjon i form av tidsforsinkelse og kapasitet. Systemet kan også operere uavhengig av operatør om det er satt til det.
• Semiautonomt system: styring basert på unntak (tilsynsbasert styring) betyr at systemet automatisk utfører sine funksjoner med endringer av settpunkt når responstiden er for kort for menneskelig inngripen. Operatøren kan overstyre settpunkt eller kansellere aksjoner innen gitte tidsintervaller. Operatøren involveres kun unntaksvis ved enkeltstående hendelser og utvalgte beslutninger.
• Høynivå autonomt system (menneske ut av loopen) betyr at systemet automatisk utfører sine oppgaver og funksjoner, og er i stand til å beslutte selv uten inngripen av en menneskelig operatør. Systemet er i stand til å planlegge og re-planlegge en operasjon automatisk samt håndtere feil og rekonfigurere seg selv om nødvendig. Systemet er intelligent og uavhengig.

Eksempler på bemannede og ubemannede systemer og funksjoner med ulik grad av autonomi er gitt under:

1. Automatisert system: Ubemannet, fjernstyrt undervannsfarkost (ROV) med automatisk styresystemer for posisjonering. Fjernstyrte, ubemannede skip med god kommunikasjons- og navigasjonskapasitet. Bemannet, dynamisk posisjonerte (DP) skip som holder posisjon og heading automatisk.
2. Teleoperert, automatisert system: Ubemannet, autonom undervannsfarkost (AUV) og teleopererte skip som opererer i et kommunikasjons- og navigasjonsnettverk med begrensninger. Bemannet, optimal heading/kursstyring for minimering av vind-, bølge- og strømkrefter på skip.
3. Semiautonomt system: Ubemannet, kartleggings-AUV med antikollisjons- systemer og f.eks. objektgjenkjenning. Autonome skip som er i transitt. Bemannet, automatisk avkobling fra undervanns olje- og gassbrønn i DP-baserte skipsboreoperasjoner pga. store posisjonsavvik.
4. Høynivå autonomt system: Ubemannet, kartleggings-AUV som underveis tolker innsamlede data selv og kan håndtere uforutsette sitasjoner og re-planlegge sitt oppdrag ut fra funn og hendelser. Autonome skip som er i stand til å gå fra – og legge til kai – i trangt og krevende farvann. Bemannet, selvstyrende biler og båter med passasjerer.

Hva med risiko?

Det er flere aspekter knyttet til risiko og dertil adekvat kvalifisering av autonome systemer.

Risiko kan gjerne inndeles langs tre hovedakser, som vist i tabell 1.

Tabell 1 Modellering av risiko for autonome systemer.

Utvikling og implementering av adekvate metoder og standarder for klassifisering og godkjenning, inkludert testing og verifikasjon av autonomi, er avgjørende for industriell bruk og skalering. Automatiserte og autonome systemer er i stor grad realiserte gjennom sensorer og datasystemer med utstrakt bruk av programvare (software). Software er krevende å verifisere med mindre vi benytter simulatorbaserte metoder omtalt som «Hardware-Software-In-the-Loop-Testing». Det betyr at vi faktisk må benytte datasystemer til å teste datasystemer. I f.eks. automatiserte systemer på avanserte olje- og gass- og cruiseskip er det millioner av mulige kombinasjoner av feilmodi som kan inntreffe, og tusenvis av ulike funksjoner og operasjonsmodi som skal virke.

Ser vi da for oss autonome systemer med avanserte systemer for situasjonsforståelse og innebygd læring i sikkerhetskritiske operasjoner, er det liten tvil om at kravet til adekvat testing og verifikasjon vil øke ytterligere og være viktig i hele livssyklusen. Tilsvarende blir systemenes egne innebygde barrierer og metoder for on-line risikovurderinger og integritet svært viktig. Godt samspill og riktig arbeidsdeling i hele verdikjeden mellom myndigheter, klasseselskaper, leverandører og brukere er en forutsetning for å lykkes.

Ubemannede farkoster (marine roboter) og integrerte operasjoner

Flere typer ubemannede farkoster benyttes til ulike formål for marin kartlegging, overvåking og inspeksjon. Vi kaller gjerne disse for marine roboter. De opererer i havrommet, på vannoverflaten og endog i lufta (droner).

De mest benyttede marine robotene er:

• Fjernstyrt undervannsfarkost (Remotely Operated Vehicle – ROV). Denne har en kabel som er koblet til et moderfartøy. Kabelen forsyner farkosten med elektrisk kraft og en tilhørende optisk kabel sørger for høybåndbredde kommunikasjon til og fra farkosten. Det er flere klasser ROV – fra små til store arbeidsfarkoster. Ulike typer måleinstrumenter og sensorer monteres på farkosten etter behov. I tillegg brukes manipulatorarmer og -gripere når farkosten skal kunne ta prøver og gjennomføre intervensjonsoppgaver. ROV navigeres som regel ved hjelp av akustiske metoder, kompass, dybde- og høyde-over- bunn-målere, hastighetsmåler og ved bruk av video. I den senere tid har styringen av ROV stadig blitt mer automatisert slik at operatøren kan konsentrere seg om å overvåke datainnsamling og utføring av intervensjonsoppgaver. Den største operasjonsbegrensningen er kabelen. Den kan vikle seg inn i andre strukturer, og ved store vanndyp er dragkreftene på kabelen dominerende.
• Autonom undervannsfarkost (Autononous Underwater Vehicle – AUV). Denne er frittsvømmende og har batterier som sørger for elektrisk kraft. Den kan kommunisere til operatørene via et akustisk system eller ved jevne mellomrom komme opp til overflaten og benytte radiosignaler og GPS. Siden AUV ofte opererer utenfor rekkevidde til en operatør, er flere autonome funksjoner for banestyring og manøvrering bygd inn. Dette kan være automatisk kollisjonsunngåelse og re-planlegging av baner. Den viktigste operasjonsbegrensningen er kapasiteten til batteriene og mangler i autonome funksjoner. Begge deler er gjenstand for omfattende forskning, og er faktisk trendsettende og teknologidrivende da manglende mulighet til kommunikasjon til en operatør under vann gir få andre muligheter.
• Glidere. Denne benytter endring i oppdrift og styreflater (vinger og finner) til å vandre opp og ned gjennom vannkolonnen. Glidere er ofte utrustet med oseanografiske måleinstrumenter som måler dybde, temperatur, saltinnhold, oksygen, o.l. Glidere har også batteri. Det skal lite energi til for å kjøre glidere gjennom vannet. Dette gjør at de kan operere over store havområder over lengre tid. Styreflatene har begrenset kapasitet. Dette gjør at nøyaktigheten i banestyring er begrenset.
• Ubemannede båter (Unmanned Surface Vehicles – USV). Disse er utmerkede plattformer for sensorer for kartlegging i de øvre deler av vannkolonnen. Ved grunnere vann er de også suverene for havbunnskartlegging da større skip ikke kommer inn. USV er også benyttet som kommunikasjons- og navigasjonsstøtte til AUV da disse kan følge etter på overflaten. AUV kommuniserer da akustisk til USV, mens denne igjen har tilgang til GPS og radiokontakt med et operasjonssenter.
• Ubemannede fly (Unmanned Aerial Vehicles – UAV). I den senere tid har utvikling av droner til ulike formål nærmest eksplodert. Dronene kan også være bærere av kommunikasjonsutstyr, måleinstrumenter og video for operasjonsstøtte, inspeksjon og kartlegging. Det er flere typer droner: fly som har lang operasjonsrekkevidde og kan gå med stor fart og mindre hexa-kopters (helikopter) som opererer i nærheten av basen. Neste utviklingstrinn for droner i nord er bedre systemer for å unngå ising på overflater, større kapasitet for å håndtere vind, kreative løsninger for landing ved bruk av nett og lignende.

Figur 5 Bilder av ulike marine roboter som opereres av NTNU til marint undervisnings- og forskningsformål. En ofte benyttet base for tokt er NTNU sitt forskningsskip Gunnerus (Foto: NTNU AUR-Lab).

Et nytt satsingsområde for fjernmåling er utvikling av småskala satellitter. Disse skytes opp mellom 400 og 600 km opp i atmosfæren og vil kunne bære nyttelast som optiske sensorer og kommunikasjonsutstyr.

Figur 5 viser de ulike dronene, ubemannede båt- og undervannsfarkostene som opereres fra NTNUs forskningsskip Gunnerus. Samlet utgjør dette en unik teknologiplattform for integrert miljøkartlegging og -overvåking av havet og det marine miljø i forbindelse med undervisning og forskning.

De ulike teknologiplattformene (skip, roboter, landere, bøyer osv.) vil ha ulike egenskaper og kapasitet til gjennomføring av en operasjon og oppdrag (mission). NTNU har sammen med partnere jobbet med å utvikle metodikk for integrert miljøkartlegging og -overvåking i rom og tid basert på en helhetlig tilnærming justert ut fra hensikt og gjenstand/område av interesse. Metodikken beskriver de forskjellige trinn i valg av parametere, sensorer, sensorplattformer, datainnsamling, datalagring, analyse og datatolkning for pålitelig beslutningstaking. Kvaliteten på dataene er avhengig av den romlige og tidsmessige oppløsningen og dekning. Figur 6 skisserer hvordan de ulike teknologiplattformene har ulike egenskaper for romlig og temporær oppløsning og dekning. Ved å bruke ulike teknologiplattformer ser vi at store områder kan dekkes med stor nøyaktighet. Ved NTNU AMOS forskes det på hvordan disse ulike plattformene kan operere sammen i et nettverk. Til dette kreves det inngående kunnskap om både marin vitenskap og teknologi.

Figur 6 Ulike plattformer har ulike egenskaper for romlig og temporær dekningsgrad og ditto oppløsningsgrad. Modifisert fra: I. Nilssen, Ø. Ødegård, A.J. Sørensen, G. Johnsen, M.A. Moline, J. Berge (I. Nilssen, I., Ø. Ødegård, A.J. Sørensen, G. Johnsen, M.A. Moline, J. Berge (2015). Integrated Environmental Mapping and Monitoring, a methodological approach to optimise knowledge gathering and sampling strategy. http://dx.doi.org/10.1016/j.marpolbul.2015.04.045, Marine Pollution Bulletin, 96 (2015), pp. 374–383, ISSN: 0025-326X).

Mange biologiske og oseanografi prosesser krever inngående kunnskap om dynamikken for riktig valg av teknologiplattform og sensorer, og ikke minst planlegging og gjennomføring av tokt. Slike prosesser kan f.eks. være kartlegging av oppførsel til ulike arter i nuet til fordelingen av plankton eller blanding mellom to ulike vannmasser. For oseanografi prosesser som tidevann, strømninger og årstidsvariasjoner kan tidskonstanten være fra timer opp til år. For skipsvrak er tidskonstanten av magnetiske signaturer og dekomponeringer i størrelsesorden år, avhengig av vanndybder, temperatur og plassering. For geologiske endringer er tidskonstanten i størrelsesorden tusen opp til millioner av år. Dynamikken i prosessen er altså ikke observerbar. For industrivirksomheten kan man være interessert i begroning og skader på vann- og olje- og gassrør eller andre konstruksjoner som kan endres over noen år. Når endringene er mellom flere år og ned til en uke, kan det dokumenteres ved hjelp av gjentatte undersøkelser – repeterende tidsseries. Når endringene skjer hurtigere enn ei uke, kan disse bli forsøkt undersøkt i løpet av en enkelt operasjon. Hurtigere dynamikk krever høyere tidsmessig oppløsning med muligens flere farkoster i operasjon. Ved riktig plassering er punktplasserte bøyer eller landere også nyttige.

Figur 7 viser bruk av ubemannet båt – JetYak – som driver kartlegging av vannmassene og havbunn nær isfronten innerst i Kongsfjorden. Det er stor risiko å bevege seg nært isfronten pga. iskalving.

Figur 8 viser utsetting av AUV for marin kartlegging i Kongsfjorden, Svalbard.

Figur 7 Ubemannet båt – JetYak – kartlegger vannmassene og havbunn foran brefront (Foto: Geir Johnsen).

Figur 8 Utsetting av AUV i Kongsfjorden i forbindelse med undervisnings- og forskingstokt i regi av UNIS i samarbeid med NTNU og UiT. Dårlig vær og rekende isflak gjør det krevende å gjennomføre operasjoner. Lave temperaturer gjør at det haster å få farkosten i det langt «varmere» vannet for å unngå at komponenter går i stykker og batteriet lades ut (Foto: Asgeir J. Sørensen).

Biologisk inspirerte marine roboter

Muliggjørende teknologi vil i fremtiden kunne gjøre at vi blir bedre i stand til å adoptere egenskaper som har utspring i evolusjon. Biomimikk er blitt et nytt område innenfor robotikk og kan resultere i roboter som er svært effektive i transitt og manøvrering – med minimal bruk av energi. Innen marin robotikk var en forskningsgruppe ved MIT ledet av prof. Michael S. Triantafyllou tidlig ute med å utvikle en robotisert fisk som etterlignet svømmebevegelsen til tunfisk.

Ved Tallin University of Technology har professor Maarja Kruusmaa forsket på bioinspirerte roboter. I hennes forskningsgruppe er både fiske- og skilpaddelignede roboter utviklet. På et forskningstokt i januar 2017 ble den skilpaddelignede roboten U-Cat testet ut i Kongsfjorden for kartlegging av marine økosystemer. Toktet var en del av et felles undervisnings- og forskningsopplegg på UNIS i samarbeid med NTNU og UiT. Figur 9 viser U-Cat sammen med en sjøfugl som bruker lyset av U-Cat til å fange dyreplankton som mat. Ved NTNU og SINTEF har det vært forsket i mer enn ti år på slangerobotikk. Dette forskningsarbeidet har ved NTNU vært ledet av professor Kristin Ytterstad Pettersen. En slange vil kunne ta seg frem på områder som er trange og kunne åle seg frem ved bruk av friksjon. Slangens motstykke i havet er ålen. Den kan svømme ved å undulere kroppen. Slangeroboten kan utrustes med thrustere slik at fremdriften og manøvreringsegenskapene blir fremragende der det beste fra teknologi og biologi kombineres. Innenfor robotikk kalles dette hyperedundante roboter, som med sin slanke form og mange ledd er egnet til å inspisere trange områder som ellers er utilgjengelige ved bruk av standard ROV med manipulatorarm. Det å frigjøre seg fra selve ROV, være skalerbar i lengde og diameter og superfleksibel i bevegelse, åpner helt nye muligheter for bruk innen marin vitenskap, subsea olje og gass og mange andre anvendelser. Teknologien ble i 2015 kommersialisert fra NTNU via selskapet Eelume i samarbeid med Statoil og Kongsberg Gruppen. Figur 10 viser en tidlig versjon av slangeroboten Mamba og en senere prototype.

I forbindelse med olje- og gassanvendelser vil det bli utviklet garasjer for permanent neddykkede roboter som vil aktiveres etter behov. De vil kunne lade batterier og kommunisere induktivt i garasjene. Dette reduserer kostnadene ved bruk av overflateskip og vil øke regulariteten for subseinstallasjoner.

Figur 9 U-Cat i aksjon på polarnattstokt, Kongsfjorden, Svalbard, Januar 2017 (foto: Asgeir J. Sørensen).

Figur 10 Bio-inspirerte slanger er blitt et gjennombrudd innen undervannsrobotikk (Foto: Krsitin Ytterstad Pettersen og Eelume).

Marin kartlegging av dypvannskoraller på Tautra

I Trondheimsfjorden og områdene rundt er det flere forekomster av kaldtvannskoraller. Et av disse er Tautra-revet mellom Frosta og Leksvik. Korallene ligger på 70–130 m vanndyp og er viktige habitater for marint liv. De er sårbare for miljø- og klimaendringer i tillegg til fiske med bruk av bunntråling. NTNU har over lengre tid kartlagt disse ved bruk av sonar fra båt, og i den senere tid ved bruk av avansert sonarteknologi på AUV og optiske utstyr (foto, video og undervanns, hyperspektral avbilder) på ROV.

Figur 11 SAS data som viser kaldtvannskoraller på Tautrarevet (Fra forskningstokt med NTNU og FFI ved bruk av AUV HUGIN HUS).

I figur 11 gjenkjennes korallene som blomkål-lignende arter. I dette tilfellet ble syntetisk apertur sonar (SAS) brukt der oppløsning er 4 x 4 cm. Montert på AUV får vi raskt oversikt over utbredelsen. I figur 12 er deler av samme område kartlagt med kamera montert på ROV. Avansert styringssystem på ROV sørger for å holde farkosten på fastlagt høyde over bunn mens den følger et gressklippermønster. Bildene settes sammen ved bruk av fotomosaikk. Dette gir forskerne innsikt i klassifisering av arter og utbredelse av disse.

Figur 12 Foto-mosaikk fra Tautrarevet ved bruk av NTNU ROV Minerva (M. Candelori, M. Ludvigsen, G. Johnsen og A. J. Sørensen).