Kunstmatige intelligentie begeleidt drones om door oceanen te navigeren

Ingenieurs van Caltech, ETH Zürich en Harvard ontwikkelen kunstmatige intelligentie (AI) waarmee autonome drones zeestromingen kunnen gebruiken om te navigeren, in plaats van zich er een weg door te banen.

"Als we willen dat robots de diepe oceaan verkennen, vooral in zwermen, is het bijna onmogelijk om ze te besturen met een joystick vanaf 20.000 voet afstand aan de oppervlakte. We kunnen ze ook geen gegevens verstrekken over de lokale oceaanstromingen die ze nodig hebben om te navigeren, omdat we kunnen ze niet vanaf het oppervlak detecteren. In plaats daarvan hebben we op een bepaald moment oceaandrones nodig om beslissingen te kunnen nemen over hoe ze zichzelf kunnen verplaatsen", zegt professor John O. Dabiri.

De prestaties van de AI zijn getest met behulp van computersimulaties, maar het team achter de inspanning heeft ook een kleine robot ter grootte van een hand ontwikkeld die het algoritme uitvoert op een kleine computerchip die zeedrones op aarde en andere planeten kan aandrijven. Het doel zou zijn om een ​​autonoom systeem te creëren om de toestand van de oceanen van de planeet te monitoren, bijvoorbeeld door het algoritme te gebruiken in combinatie met protheses die ze eerder ontwikkelden om kwallen sneller en op commando te laten zwemmen. Volledig mechanische robots die het algoritme uitvoeren, kunnen zelfs oceanen op andere werelden verkennen, zoals Enceladus of Europa.

In beide scenario's zouden drones in staat moeten zijn om zelf beslissingen te nemen over waar te gaan en de meest efficiënte manier om daar te komen. Om dit te doen, hebben ze waarschijnlijk alleen gegevens die ze zelf kunnen verzamelen - informatie over de waterstromingen die ze momenteel ervaren.

Om deze uitdaging aan te gaan, wendden onderzoekers zich tot versterkingslerende (RL) -netwerken. In vergelijking met conventionele neurale netwerken trainen versterkingslerende netwerken niet op een statische dataset, maar trainen ze zo snel als ze ervaring kunnen verzamelen. Met dit schema kunnen ze op veel kleinere computers bestaan. Voor dit project heeft het team software geschreven die kan worden geïnstalleerd en uitgevoerd op een Teensy - een 2,4-inch bij 0,7-inch microcontroller die iedereen voor minder dan $ 30 op Amazon kan kopen en die slechts ongeveer een halve watt aan stroom verbruikt.

Met behulp van een computersimulatie waarin stroming langs een obstakel in water verschillende wervels creëerde die in tegengestelde richtingen bewogen, leerde het team de AI om op zo'n manier te navigeren dat het profiteerde van regio's met lage snelheid in de nasleep van de wervels om naar de kust te vliegen. doellocatie met minimaal stroomverbruik. Om zijn navigatie te vergemakkelijken, had de gesimuleerde zwemmer alleen toegang tot informatie over de waterstromingen op zijn directe locatie, maar hij leerde al snel hoe hij de draaikolken moest benutten om naar het gewenste doel te kusten. In een fysieke robot zou de AI op dezelfde manier alleen toegang hebben tot informatie die kan worden verzameld van een ingebouwde gyroscoop en versnellingsmeter, die zowel relatief kleine als goedkope sensoren zijn voor een robotplatform.

Dit soort navigatie is analoog aan de manier waarop adelaars en haviken thermiek in de lucht berijden en energie halen uit luchtstromen om met minimale energie naar een gewenste locatie te manoeuvreren. Verrassend genoeg ontdekten de onderzoekers dat hun algoritme voor het leren van versterking navigatiestrategieën zou kunnen leren die zelfs effectiever zijn dan die waarvan wordt aangenomen dat ze worden gebruikt door echte vissen in de oceaan.

De technologie staat nog in de kinderschoenen:momenteel wil het team de AI testen op elk ander type stromingsverstoring die het mogelijk zou tegenkomen tijdens een missie in de oceaan - bijvoorbeeld wervelende wervels versus stromende getijdenstromingen - om de effectiviteit ervan te beoordelen in het wild. Door hun kennis van oceaanstromingsfysica op te nemen in de leerstrategie voor versterking, proberen de onderzoekers deze beperking te overwinnen. Hun onderzoek bewijst de potentiële effectiviteit van RL-netwerken bij het aanpakken van deze uitdaging, vooral omdat ze op zulke kleine apparaten kunnen werken. Om dit in het veld te proberen, plaatst het team de Teensy op een op maat gemaakte drone die de "CARL-Bot" (Caltech Autonomous Reinforcement Learning Robot) wordt genoemd. De CARL-Bot wordt in een nieuw gebouwde twee verdiepingen hoge watertank op de campus van Caltech gedropt en leert om door de stromingen van de oceaan te navigeren.