AI gebruikt versterking van het leren om oceanen te navigeren

Ingenieurs aan Caltech, ETH Zurich en Harvard werken aan een kunstmatige intelligentie (AI) die autonome drones in staat stelt om gebruik te maken van oceaanstromen om hun navigatie te ondersteunen. Met deze aanpak hoeven de drones niet tegen de stromen te vechten.

Het onderzoek werd gepubliceerd in Nature Communications op 8 december.

John O. Dabiri is de Centennial Professor of Aeronautics and Mechanical Engineering en een van de auteurs van het onderzoek. 

“Wanneer we robots willen laten onderzoeken de diepe oceaan, vooral in zwermen, is het bijna onmogelijk om ze te besturen met een joystick van 20.000 voet afstand op het oppervlak. We kunnen ze ook geen gegevens over de lokale oceaanstromen geven die ze nodig hebben om te navigeren, omdat we ze niet kunnen detecteren vanaf het oppervlak. In plaats daarvan hebben we op een bepaald moment oceaan-bewonende drones nodig die zelf beslissingen kunnen nemen over hoe ze zich moeten bewegen,” zegt Dabiri.

Testen van de AI

De ingenieurs testten de nauwkeurigheid van de AI met computersimulaties, en het team ontwikkelde een kleine robot die de algoritme uitvoert op een computerchip, die zeewaardige drones op aarde en andere planeten kan aandrijven. Uiteindelijk kunnen ze een autonoom systeem ontwikkelen dat de toestand van de oceanen van de planeet monitort, en dit doen door het te combineren met prothesen die eerder zijn ontwikkeld om jellyfish te helpen zwemmen op commando. 

Om deze aanpak te laten werken, moeten de drones zelf beslissingen nemen over waar ze heen moeten gaan en hoe ze daar moeten komen. Ze zullen waarschijnlijk moeten vertrouwen op de gegevens die ze zelf verzamelen, die in de vorm zullen zijn van informatie over de waterstromen die ze ervaren.

De onderzoekers gebruikten versterking van het leren om dit aan te pakken, en ze schreven software die kan worden uitgevoerd op een kleine microcontroller. 

Het team kon een computersimulatie gebruiken om de AI te leren navigeren. De gesimuleerde zwemmer had alleen toegang tot informatie over de waterstromen op zijn directe locatie, maar hij kon snel leren hoe hij vortices in het water kon gebruiken om naar een doel te gaan. 

Dit type navigatie is gebruikelijk onder arenden en haviken, die thermieën in de lucht berijden en energie uit luchtstromen halen om te manoeuvreren. Dit stelt hen in staat om naar een doel te gaan terwijl ze energie besparen. 

Effectieve navigatiestrategieën

Volgens het team kan hun versterking van het leren algoritme ook navigatiestrategieën leren die effectiever zijn dan die welke worden gebruikt door vissen in de oceaan.

“We hoopten aanvankelijk alleen dat de AI kon concurreren met navigatiestrategieën die al zijn gevonden in echte zwemmende dieren, dus we waren verrast om te zien dat het nog effectievere methoden leerde door herhaalde proeven op de computer,” zegt Dabiri.

De onderzoekers zullen nu proberen de AI te testen op elk type flow-verstoring dat ze in de oceaan zullen tegenkomen. Ze zullen dit bereiken door hun kennis van oceaan-flow-fysica te combineren met de versterking van het leren-strategie.

Peter Gunnarson is een graduate student aan Caltech en de hoofdauteur van het artikel.

“Niet alleen zal de robot leren, maar wij zullen ook leren over oceaanstromen en hoe we er doorheen kunnen navigeren,” zegt Gunnarson.