AI-aangedreven drones benutten oceaanstromen voor autonoom navigeren

Ingenieurs van Caltech, ETH Zürich, en Harvard ontwikkelen kunstmatige intelligentie (AI) die autonoom drones in staat zal stellen oceaanstromen te gebruiken om hun navigatie te helpen, in plaats van zich een weg te banen door ze heen.

"Wanneer we robots willen laten verkennen de diepe oceaan, vooral in zwermen, is het bijna onmogelijk om ze te controleren met een joystick van 20.000 voet afstand aan de oppervlakte. We kunnen ze ook geen data voeden over de lokale oceaanstromen die ze nodig hebben om te navigeren omdat we ze niet van de oppervlakte kunnen detecteren. In plaats daarvan, op een zeker moment hebben we oceaan-gebaseerde drones nodig die in staat zijn om beslissingen te maken over hoe ze zich moeten bewegen voor zichzelf," zei Professor John O. Dabiri.

De AI-prestaties werden getest met computermodellen, maar het team achter de inspanning heeft ook een kleine handpalm-grote robot ontwikkeld die het algoritme draait op een kleine computerchip die zeedrones zowel op aarde als andere planeten kan aandrijven. Het doel zou zijn om een autonoom systeem te creëren om de conditie van de planeetse oceanen te monitoren, bijvoorbeeld door het algoritme in combinatie met prothesen die ze eerder ontwikkelden om kwallen sneller en op commando te laten zwemmen te helpen. Volledig mechanische robots die het algoritme draaien kunnen zelfs oceanen op andere werelden verkennen, zoals Enceladus of Europa.

In beide scenario's zouden drones in staat moeten zijn om beslissingen op hun eigen te maken over waarheen te gaan en de meest efficiënte manier om daar te komen. Om dit te doen, zullen ze waarschijnlijk alleen data hebben die ze zelf kunnen verzamelen — informatie over de waterstromen die ze momenteel ervaren.

Om deze uitdaging aan te pakken, keerden onderzoekers zich tot reinforcement learning (RL) netwerken. In vergelijking met conventionele neurale netwerken, trainen reinforcement learning netwerken niet op een statische dataset maar trainen zo snel als ze ervaring kunnen verzamelen. Dit schema stelt hen in staat om op veel kleinere computers te bestaan. Voor de doeleinden van dit project, schreef het team software die geïnstalleerd en uitgevoerd kan worden op een Teensy — een 2,4-inch bij 0,7-inch microcontroller die iedereen voor minder dan $30 op Amazon kan kopen en slechts ongeveer een half watt vermogen gebruikt.

Met een computermodel waarin stroom voorbij een obstakel in water diverse विरोई (vortices) in tegenovergestelde richtingen creëerde, leerde het team de AI te navigeren op een manier dat het voordeel nam van laag-snelheid regio's in de wake van de virоеи om naar de doellocatie te kusten met minimaal energieverbruik. Om de navigatie te helpen, had de gesimuleerde zwemmer alleen toegang tot informatie over de waterstromen op zijn directe locatie, maar het leerde snel hoe de virоеи te benutten om naar het gewenste doel te kusten. In een fysieke robot, zou de AI op dezelfde manier alleen toegang hebben tot informatie die verzameld kon worden van een onboard gyroscoop en versnellingsmeter, die beide relatief klein en laag-kost sensoren zijn voor een robotisch platform.

Deze soort navigatie is analoog aan de manier waarop arenden en haviken thermieken in de lucht rijden, energie onttrekken aan luchtstromen om naar een gewenste locatie te manoeuvreren met minimale energie. Verrassend genoeg ontdekten de onderzoekers dat hun reinforcement learning algoritme navigatiestrategieën kon leren die nog effectiever zijn dan die gedacht worden door echte vissen in de oceaan te worden gebruikt.

De technologie is nog in de kinderschoenen: momenteel wil het team de AI testen op elk verschillende type stroomverstoring dat het mogelijk zou tegenkomen op een missie in de oceaan — bijvoorbeeld, zwervende virоеи versus stroomende getijdenstromen — om de effectiviteit in de natuur te beoordelen. Echter, door hun kennis van oceaanstroomfysica binnen de reinforcement learning strategie te incorporeren, streven de onderzoekers ernaar deze beperking te overwinnen. Hun onderzoek bewijst de potentiële effectiviteit van RL netwerken in het aanpakken van deze uitdaging — met name omdat ze op dergelijk kleine apparaten kunnen opereren. Om dit in het veld te proberen, plaatst het team de Teensy op een custom-gebouwde drone gedoopt de "CARL-Bot" (Caltech Autonomous Reinforcement Learning Robot). De CARL-Bot zal in een nieuw gebouwde twee-verdiepingen hoge watertank op Caltech's campus gedropt worden en geleerd worden de oceaanstromen te navigeren.