Η Τεχνητή Νοημοσύνη Χρησιμοποιεί την Ενισχυτική Μάθηση για την Πλοήγηση των Ωκεανών

Οι μηχανικοί στο Caltech, ETH Zurich και Harvard εργάζονται σε μια τεχνητή νοημοσύνη (AI) που μπορεί να επιτρέψει σε αυτόνομους drones να χρησιμοποιούν τις ωκεανικές ροές για να βοηθήσουν στην πλοήγησή τους. Με αυτήν την προσέγγιση, οι drones δεν πρέπει να αγωνίζονται ενάντια στις ροές.

Η έρευνα δημοσιεύθηκε στο Nature Communications στις 8 Δεκεμβρίου.

Ο John O. Dabiri είναι ο Καθηγητής Αεροναυπηγικής και Μηχανολογικής Μηχανικής και ένας από τους συγγραφείς της έρευνας. 

“Όταν θέλουμε τα ρομπότ να εξερευνήσουν τον βαθύ ωκεανό, ιδιαίτερα σε σμήνη, είναι σχεδόν αδύνατο να τα ελέγξουμε με joystick από 20.000 πόδια μακριά στην επιφάνεια. Δεν μπορούμε επίσης να τους παρέχουμε δεδομένα για τις τοπικές ωκεανικές ροές που χρειάζονται για να πλοηγηθούν επειδή δεν μπορούμε να τις ανιχνεύσουμε από την επιφάνεια. Αντίθετα, σε κάποιο σημείο χρειαζόμαστε ωκεανικές drones να μπορούν να λάβουν αποφάσεις για το πώς να κινηθούν από μόνα τους,” λέει ο Dabiri.

Δοκιμή της Τεχνητής Νοημοσύνης

Οι μηχανικοί δοκιμάσαν την ακρίβεια της Τεχνητής Νοημοσύνης με υπολογιστικές.simulations, και η ομάδα ανέπτυξε ένα μικρό ρομπότ που τρέχει τον αλγόριθμο σε ένα chip υπολογιστή, το οποίο θα μπορούσε να τροφοδοτήσει θαλάσσιες drones στη Γη καθώς και σε άλλους πλανήτες. Τελικά, θα μπορούσαν να αναπτύξουν ένα αυτόνομο σύστημα που παρακολουθεί την κατάσταση των ωκεανών του πλανήτη, και θα το κάνουν αυτό συνδυάζοντας το με προθέσεις που είχαν αναπτυχθεί προηγουμένως για να βοηθήσουν τα μεδούζες να κολυμπούν με εντολή. 

Για αυτήν την προσέγγιση να λειτουργήσει, οι drones πρέπει να λάβουν αποφάσεις μόνοι τους για το πού να πάνε και πώς να φτάσουν εκεί. Πιθανότατα θα πρέπει να βασιστούν στα δεδομένα που συλλέγουν οι ίδιοι, τα οποία θα ήταν στην μορφή πληροφοριών για τις νερικές ροές που βιώνουν.

Οι ερευνητές χρησιμοποίησαν δίκτυα ενισχυτικής μάθησης για να αντιμετωπίσουν αυτό, και έγραψαν λογισμικό που μπορεί να τρέξει σε ένα μικρό microcontroller. 

Η ομάδα ήταν σε θέση να χρησιμοποιήσει μια υπολογιστική.simulation για να διδάξει την Τεχνητή Νοημοσύνη να πλοηγηθεί. Ο προσομοιωμένος κολυμβητής είχε πρόσβαση μόνο σε πληροφορίες για τις νερικές ροές στη θέση του, αλλά ήταν σε θέση να μάθει γρήγορα πώς να εκμεταλλευτεί τις δίνες στο νερό για να οδηγήσει προς ένα στόχο. 

Τύπος πλοήγησης αυτού του είδους είναι κοινός μεταξύ αετών και γυπαετών, οι οποίοι οδηγούν θερμικές ροές στον αέρα ενώ εξάγουν ενέργεια από αεροδυναμικές ροές για να χειριστούν. Αυτό τους επιτρέπει να κινηθούν προς einen στόχο ενώ εξοικονομούν ενέργεια. 

Εфективικές Στρατηγικές Πλοήγησης

Σύμφωνα με την ομάδα, ο αλγόριθμος ενισχυτικής μάθησής τους θα μπορούσε επίσης να μάθει στρατηγικές πλοήγησης που είναι πιο αποτελεσματικές από αυτές που χρησιμοποιούνται από ψάρια στον ωκεανό.

“Είχαμε αρχικά μόνο την ελπίδα ότι η Τεχνητή Νοημοσύνη θα μπορούσε να ανταγωνιστεί τις στρατηγικές πλοήγησης που ήδη βρέθηκαν σε πραγματικά κολυμβητικά ζώα, οπότε μας έπιασε ξαφνικά να δούμε ότι μάθαινε ακόμη πιο αποτελεσματικές μεθόδους εκμεταλλευόμενο επαναλαμβανόμενες δοκιμές στον υπολογιστή,” λέει ο Dabiri.

Οι ερευνητές θα δοκιμάσουν τώρα την Τεχνητή Νοημοσύνη σε κάθε διαφορετικό τύπο διαταραχής ροής που θα συναντήσουν στον ωκεανό. Θα το πετύχουν αυτό συνδυάζοντας τις γνώσεις τους για την φυσική των ωκεανικών ροών με τη στρατηγική ενισχυτικής μάθησης.

Ο Peter Gunnarson είναι φοιτητής στο Caltech και ο βασικός συγγραφέας του εγγράφου.

“Όχι μόνο το ρομπότ θα μάθει, αλλά θα μάθουμε και για τις ωκεανικές ροές και πώς να πλοηγηθούμε μέσα από αυτές,” λέει ο Gunnarson.