Ученые учат ИИ ориентироваться в океане с минимальными затратами энергии

Инженеры из Калифорнийского технологического института, ETH Zurich и Гарварда разрабатывают искусственный интеллект (ИИ), который позволит автономным дронам использовать океанские течения для помощи в навигации, а не пробиваться сквозь них.

«Когда мы хотим, чтобы роботы исследовали океанские глубины, особенно стаями, почти невозможно управлять ими с помощью джойстика с расстояния 20 000 футов от поверхности.

Мы также не можем кормить их данными о местных океанских течениях, которые им необходимы для навигации, потому что мы не можем обнаружить их с поверхности.

Вместо этого в определенный момент нам понадобятся морские дроны, чтобы иметь возможность самостоятельно принимать решения о том, как двигаться », – говорит Джон О. Дабири (MS ’03, PhD ’05), столетний профессор аэронавтики и машиностроения, а также Автор-корреспондент статьи об исследовании, опубликованной в Nature Communications 8 декабря.

Производительность ИИ была протестирована с использованием компьютерного моделирования, но команда разработчиков также разработала небольшого робота размером с ладонь, который запускает алгоритм на крошечном компьютерном чипе, который может приводить в действие морские дроны как на Земле, так и на других планетах.

Целью было бы создать автономную систему для мониторинга состояния океанов планеты, например, используя алгоритм в сочетании с ранее разработанными протезами, чтобы медузы могли плавать быстрее и по команде.

Полностью механические роботы, использующие этот алгоритм, могут даже исследовать океаны в других мирах, таких как Энцелад или Европа.

В любом случае дроны должны будут иметь возможность самостоятельно принимать решения о том, куда им идти и как лучше туда добраться.

Для этого они, вероятно, будут иметь только данные, которые они могут собрать сами, – информацию о водных течениях, которые они испытывают в настоящее время.

Чтобы решить эту проблему, исследователи обратились к сетям обучения с подкреплением (RL).

По сравнению с обычными нейронными сетями, сети обучения с подкреплением не обучаются на статическом наборе данных, а обучаются так быстро, как они могут накапливать опыт.

Эта схема позволяет им существовать на гораздо меньших компьютерах – для целей этого проекта команда написала программное обеспечение, которое можно установить и запустить на Teensy – микроконтроллере размером 2,4 на 0,7 дюйма, который каждый может купить менее чем за 30 долларов. Amazon и потребляет всего около полуватта энергии.

Используя компьютерное моделирование, в котором обтекание препятствия в воде создавало несколько вихрей, движущихся в противоположных направлениях, команда научила ИИ ориентироваться таким образом, чтобы он использовал преимущества областей с низкой скоростью после вихрей, чтобы двигаться по направлению к воде. целевое местоположение с минимальной потребляемой мощностью.

Чтобы облегчить навигацию, имитируемый пловец имел доступ только к информации о водных течениях в его непосредственном местоположении, но вскоре он научился использовать вихри, чтобы двигаться к желаемой цели.

В физическом роботе ИИ будет иметь доступ только к информации, которую можно собрать с бортового гироскопа и акселерометра, которые являются относительно небольшими и недорогими датчиками для роботизированной платформы.

Этот вид навигации аналогичен тому, как орлы и ястребы едут в термиках в воздухе, извлекая энергию из воздушных потоков для маневра в желаемое место с минимальными затратами энергии.

Удивительно, но исследователи обнаружили, что их алгоритм обучения с подкреплением может изучать стратегии навигации, которые даже более эффективны, чем те, которые, как считается, используются настоящими рыбами в океане.

«Изначально мы просто надеялись, что ИИ сможет конкурировать со стратегиями навигации, уже обнаруженными у настоящих плавающих животных, поэтому мы были удивлены, увидев, что он научился еще более эффективным методам, используя многократные испытания на компьютере», – говорит Дабири.

Технология все еще находится в зачаточном состоянии: в настоящее время команда хотела бы протестировать ИИ на каждом типе возмущений потока, с которыми он, возможно, столкнется во время миссии в океане – например, закрученные вихри против текущих приливных течений – чтобы оценить его эффективность. в дикой природе.

Однако, включив свои знания физики океанских потоков в стратегию обучения с подкреплением, исследователи стремятся преодолеть это ограничение.

Текущее исследование доказывает потенциальную эффективность сетей RL в решении этой проблемы, особенно потому, что они могут работать на таких небольших устройствах.

Чтобы попробовать это в полевых условиях, команда помещает Teensy на специально созданный дрон, получивший название «CARL-Bot» (автономный робот для обучения с подкреплением Калифорнийского технологического института). CARL-Bot будет сброшен в недавно построенный двухэтажный резервуар для воды в кампусе Калифорнийского технологического института, и его научат ориентироваться в океанских течениях.

«Робот не только будет учиться, но и мы узнаем об океанических течениях и способах навигации по ним», – говорит Питер Гуннарсон, аспирант Калифорнийского технологического института и ведущий автор статьи в Nature Communications.

Работа называется «Изучение эффективной навигации в полях вихревых потоков».

Автор Роберт Перкинс.