ลองนึกภาพว่าคุณต้องขับเรือไล่ตามฉลามขาวตัวหนึ่งกลางทะเลเปิด ทั้งวันทั้งคืน เพื่อจะรู้ว่ามันว่ายไปทางไหน — นี่คือสิ่งที่นักวิจัยฉลามทำกันมาหลายสิบปี และมันเหนื่อย แพง และที่สำคัญคือ "รบกวน" สัตว์ที่กำลังพยายามศึกษาอยู่ตลอดเวลา
งานวิจัยชิ้นหนึ่งจากทีมวิจัยของ Harvey Mudd College, California State University Long Beach Shark Lab (ห้องแล็บวิจัยฉลามที่มีชื่อในวงการ นำโดย Christopher Lowe) และ University of Costa Rica ที่เผยแพร่บน arXiv เมื่อวันที่ 21 มิถุนายน 2026 (arXiv:2606.22335) เสนอทางออกด้วยหุ่นยนต์ใต้น้ำ — และตัวเลขผลลัพธ์ที่ได้คือความแม่นยำที่ดีขึ้นแบบก้าวกระโดด
ทำไมการติดตามฉลามขาวถึงยากนัก และหุ่นยนต์ตัวนี้แก้ปัญหายังไง — มาดูกันครับ
🦈 ปัญหาที่นักวิจัยฉลามเจอมาตลอด: รู้ว่ามันอยู่ แต่ไม่รู้ว่ามันไปไหน
วิธีที่นักวิทยาศาสตร์ใช้ติดตามฉลามขาวมานานคือการฝังหรือติด acoustic transmitter (เครื่องส่งสัญญาณเสียงใต้น้ำ ขนาดเล็กที่ยิงสัญญาณ pulse เป็นรหัสเฉพาะตัวออกมาเรื่อยๆ) เข้ากับตัวฉลาม แล้ววางเครื่องรับสัญญาณที่เรียกว่า hydrophone (ไฮโดรโฟน — ไมโครโฟนที่ออกแบบมาให้รับเสียงใต้น้ำ) ไว้ตามจุดต่างๆ ในทะเล รอให้ฉลามว่ายผ่านมาในระยะที่รับสัญญาณได้
วิธีนี้มีข้อจำกัดที่ชัดเจน — ไฮโดรโฟนแบบจอดนิ่ง (stationary array) รับสัญญาณได้แค่ตอนที่ฉลามว่ายเข้ามาในระยะไม่กี่ร้อยเมตรเท่านั้น พอฉลามว่ายออกนอกระยะ ข้อมูลก็หายไปทันที นักวิจัยจึงได้แค่ "จุด" ที่ฉลามผ่านมา ไม่ได้เห็น "เส้นทาง" การเดินทางที่ต่อเนื่อง
อีกวิธีคือ active tracking คือให้คนขับเรือไล่ตามฉลามแบบเรียลไทม์ โดยฟังสัญญาณจากไฮโดรโฟนที่ติดอยู่กับเรือ — วิธีนี้ได้ข้อมูลต่อเนื่องกว่า แต่ต้องใช้คนคอยควบคุมเรือตลอดเวลา มีต้นทุนสูง ใช้เวลานาน และที่สำคัญคือเสียงเรือกับการไล่ตามใกล้ๆ อาจรบกวนพฤติกรรมธรรมชาติของฉลามที่กำลังพยายามศึกษาอยู่
นี่คือจุดที่ทีมวิจัยคิดว่า — ถ้าเอาหุ่นยนต์มาแทนคนล่ะ จะช่วยได้ไหม?
🤖 หุ่นยนต์ไล่ตามฉลามที่ไม่ต้องมีคนขับ
ทีมวิจัยออกแบบระบบที่ใช้ AUV (Autonomous Underwater Vehicle, ยานสำรวจใต้น้ำอัตโนมัติ) หลายตัวทำงานร่วมกัน แต่ละตัวติดไฮโดรโฟนแบบรอบทิศทาง (omnidirectional) เพียงตัวเดียว ไม่ใช่หลายตัว
จุดนี้ฟังดูเหมือนรายละเอียดเล็กๆ แต่จริงๆ คือความฉลาดทางวิศวกรรมที่สำคัญ — ระบบเดิมก่อนหน้านี้มักติดไฮโดรโฟน 2 ตัวบนโครงเหล็กขนาดใหญ่เพื่อช่วยคำนวณตำแหน่ง แต่โครงใหญ่แบบนั้นสร้างแรงต้านน้ำ (drag) มหาศาล ทำให้ AUV ว่ายได้ช้าและคล่องตัวน้อย ไล่ตามสัตว์ที่ว่ายเร็วได้ไม่ทัน การลดเหลือไฮโดรโฟนตัวเดียวต่อ AUV ทำให้แต่ละตัวเพรียวลม ว่ายเร็วขึ้น คล่องตัวขึ้น แล้วใช้ AUV หลายตัวทำงานร่วมกันแทน เพื่อยังคำนวณตำแหน่งของฉลามได้แม่นยำผ่านการรวมข้อมูลจากหลายจุดพร้อมกัน (sensor fusion)
แต่แค่หุ่นยนต์ที่ว่ายเร็วขึ้นยังไม่พอจะแก้ปัญหาความแม่นยำได้ทั้งหมด — สิ่งที่ทำให้ระบบนี้ฉลาดขึ้นจริงๆ อยู่ในอัลกอริทึมที่ใช้ประมวลผลสัญญาณ
🧠 "เลียนแบบนิสัยฉลาม" คือกุญแจที่ทำให้แม่นยำขึ้น 70 เท่า
หัวใจของระบบนี้คือเทคนิคที่เรียกว่า particle filter (ฟิลเตอร์อนุภาค) ทำงานคร่าวๆ คือ ระบบจะสร้างจุดสมมุติ (particle) เป็นร้อยๆ จุดทั่วพื้นที่ทะเล แทนตำแหน่งที่ "เป็นไปได้" ของฉลาม แล้วทำสองขั้นตอนสลับกันไปเรื่อยๆ — ขั้นแรกคือ prediction ขยับทุกจุดสมมุติไปข้างหน้าตามโมเดลการเคลื่อนที่ที่ตั้งไว้ ขั้นที่สองคือ correction พอมีสัญญาณจากไฮโดรโฟนเข้ามาใหม่ ระบบจะให้คะแนนน้ำหนักกับจุดสมมุติแต่ละจุด ตามว่าจุดนั้นสอดคล้องกับสัญญาณที่รับมาได้ดีแค่ไหน จุดที่ไม่สอดคล้องก็จะถูกลดความสำคัญลงไปเรื่อยๆ จนเหลือแต่จุดที่น่าจะเป็นตำแหน่งจริงของฉลามมากที่สุด
คำถามคือ ขั้นตอน "prediction" ที่ว่าควรขยับจุดสมมุติไปทางไหน — ถ้าระบบสมมุติว่าฉลามเคลื่อนที่แบบสุ่มไปทุกทิศทาง (random walk) ก็จะมีความเป็นไปได้มากมายเกินจริงที่ทำให้คำนวณตำแหน่งผิดพลาดง่าย
นี่คือจุดที่ทีมวิจัยใส่ Hidden Markov Model (HMM) เข้าไปแทน — แทนที่จะให้ระบบเดามั่วๆ ว่าฉลามไปทางไหนก็ได้ ทีมวิจัยนำข้อมูลการเคลื่อนที่จริงของฉลามขาวที่เคยติดตามไว้ก่อนหน้านี้ถึง 22 ตัว มาเรียนรู้ว่าฉลามมีพฤติกรรมการเคลื่อนที่หลักๆ 2 รูปแบบ (เช่น โหมด "ล่องเรื่อยๆ" cruising กับโหมด "สำรวจหาเหยื่อ" searching) แต่ละโหมดมีความเร็วและรูปแบบการเปลี่ยนทิศที่ค่อนข้างคงที่ และมีความน่าจะเป็นที่จะสลับจากโหมดหนึ่งไปอีกโหมดหนึ่ง
พูดง่ายๆ คือระบบนี้ "รู้นิสัย" ของฉลามขาวมาก่อนแล้วว่ามันมักจะเคลื่อนที่แบบไหน ทำให้จุดสมมุติที่ผิดธรรมชาติ เช่น ฉลามที่กำลังล่องเรื่อยๆ อยู่ดีๆ พุ่งย้อนทิศทางกลับแบบไม่มีเหตุผล จะถูกตัดออกจากการคำนวณไปเลย เหลือแต่เส้นทางที่สมเหตุสมผลตามพฤติกรรมจริงของสัตว์เท่านั้น
ผลลัพธ์จากการทดสอบด้วยข้อมูลจำลองระยะยาว (150 นาที) คือสิ่งที่ทำให้ตัวเลขนี้น่าทึ่ง — วิธีเดิมแบบ random walk มีค่าความผิดพลาดเฉลี่ย (RMSE) สูงถึง 970.46 เมตร ขณะที่วิธีใหม่ที่ใส่โมเดลพฤติกรรม HMM เข้าไป ลดค่าความผิดพลาดลงมาเหลือเพียง 13.62 เมตร — แม่นยำขึ้นเกือบ 70 เท่า
ลองเทียบให้เห็นภาพ — ความผิดพลาด 970 เมตร เทียบเท่ากับการบอกตำแหน่งผิดไปเกือบ 1 กิโลเมตร ทำให้แทบไม่มีประโยชน์ในการศึกษาเส้นทางที่แท้จริง แต่ความผิดพลาดแค่ 13 เมตร ใกล้เคียงกับความยาวสนามบาสเกตบอลเท่านั้น — แม่นยำพอจะบอกได้ว่าฉลามกำลังว่ายอยู่ตรงไหนของแนวปะการังหรือร่องน้ำจริงๆ
แต่ตัวเลขจากการจำลองอย่างเดียวอาจยังไม่น่าเชื่อพอ — แล้วในสถานการณ์จริงล่ะ ระบบนี้ทำงานได้ดีแค่ไหน?
🌊 ทดสอบจริงสองที่ จากแคลิฟอร์เนียถึงคอสตาริกา
ทีมวิจัยนำระบบไปทดสอบในสภาพแวดล้อมจริง 2 ครั้ง
ครั้งแรกที่ Long Beach รัฐแคลิฟอร์เนีย เมื่อ 8 มิถุนายน 2022 — ใช้ไฮโดรโฟนตัวหนึ่งติดบนเรือที่จอดนิ่ง อีกตัวติดบน AUV โดยมีเครื่องส่งสัญญาณตัวทดสอบติดอยู่กับทุ่นลอยน้ำ แล้วให้ AUV เคลื่อนตัวออกไปทีละ 50 เมตร ต่อเนื่องตลอด 1,200 วินาที เพื่อดูว่าระบบยังคำนวณตำแหน่งได้แม่นยำแค่ไหนเมื่อระยะห่างเปลี่ยนไป
ครั้งที่สองที่ อ่าว Santa Elena ประเทศคอสตาริกา เมื่อ 21 กรกฎาคม 2022 — คราวนี้ไฮโดรโฟนทั้งสองตัวอยู่บนเรือที่ลอยตามคลื่นไปเรื่อยๆ ไม่จอดนิ่ง และมีนักประดาน้ำถือเครื่องส่งสัญญาณว่ายอยู่ใกล้ชายฝั่ง เก็บข้อมูลที่ใช้งานได้จริงประมาณ 349 วินาที
ผลการทดสอบจริงทั้งสองที่ให้ค่าความผิดพลาดอยู่ในช่วง 5-11 เมตร ขึ้นอยู่กับสภาพแวดล้อมและรูปแบบการเคลื่อนที่ของเรือ ซึ่งยืนยันว่าระบบนี้ใช้งานได้จริงในสภาพทะเลจริง ไม่ใช่แค่ตัวเลขสวยจากการจำลองในคอมพิวเตอร์เท่านั้น
ทีมวิจัยยังตั้งข้อสังเกตที่น่าสนใจว่า ในข้อมูลจริงระยะสั้น โมเดล HMM ไม่ได้ชนะทุกกรณีเสมอไปเมื่อเทียบกับโมเดลความเร็วแบบทั่วไป (velocity model) — แต่ในสถานการณ์ติดตามระยะยาวที่สัตว์มีโอกาสเปลี่ยนพฤติกรรมหลายครั้ง ความได้เปรียบของ HMM ก็ยิ่งเห็นชัดขึ้นเรื่อยๆ ซึ่งสอดคล้องกับการใช้งานจริงในธรรมชาติ ที่นักวิจัยมักต้องติดตามสัตว์เป็นเวลานานหลายชั่วโมงหรือหลายวัน ไม่ใช่แค่ไม่กี่นาที
เป้าหมายสุดท้ายของงานวิจัยนี้ไม่ใช่แค่ตัวเลขความแม่นยำที่สวยขึ้น แต่คือการเปลี่ยนวิธีที่มนุษย์ศึกษาสัตว์ทะเลขนาดใหญ่ไปเลย ทีมวิจัยระบุไว้ตรงๆ ว่าระบบที่แม่นยำขึ้นและรบกวนสัตว์น้อยลงนี้ จะช่วยให้นักวิทยาศาสตร์เข้าใจพฤติกรรมและเส้นทางการอพยพของสัตว์ทะเลได้ดีขึ้น ซึ่งความรู้นี้จะถูกนำไปใช้ระบุพื้นที่ที่ควรได้รับการคุ้มครองเป็นเขตอนุรักษ์ทางทะเลต่อไป
สำหรับนักดำน้ำที่เคยเจอฉลามขาวหรือสัตว์ทะเลขนาดใหญ่ใต้น้ำ เรื่องนี้อาจฟังดูไกลตัว แต่ทุกครั้งที่มีการประกาศเขตอนุรักษ์ทางทะเลใหม่ หรือมีงานวิจัยที่บอกได้แม่นยำขึ้นว่าฉลามขาวใช้พื้นที่ไหนเป็นจุดล่าหรือจุดพักผ่อน เบื้องหลังตัวเลขเหล่านั้นอาจมาจากหุ่นยนต์เล็กๆ ตัวหนึ่งที่ว่ายติดตามอยู่ใต้น้ำ โดยไม่ต้องมีเรือไล่ตามให้สัตว์ตื่นตกใจอีกต่อไป
References
Multi-AUV Marine Life Tracking with Single Hydrophone Payloads via a Hidden Markov Model Equipped Particle Filter — arXiv:2606.22335 — AUV hardware design, particle filter + HMM methodology, RMSE results (real and simulated), field test details