AI gebruikt versterking leerom te navigeren in oceanen

Ingenieurs van 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 benadering 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 willen dat robots de diepe oceaan verkennen, vooral in zwermen, is het bijna onmogelijk om ze te controleren met een joystick van 20.000 voet afstand aan het oppervlak. We kunnen ze ook geen gegevens over de lokale oceaanstromen geven die ze nodig hebben om te navigeren, omdat we ze niet vanaf het oppervlak kunnen detecteren. In plaats daarvan hebben we op een bepaald moment oceaan-bewegende 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 op een computerchip uitvoert, die seaborne drones op aarde en andere planeten kan aandrijven. Uiteindelijk kunnen ze een autonoom systeem ontwikkelen dat de toestand van de oceanen van de planeet bewaakt, en dit doen door het te combineren met prothesen die eerder zijn ontwikkeld om jellyfish te helpen zwemmen op commando.

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

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

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 exploiteren om naar een doel te zwemmen.

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

Effectieve navigatiestrategieën

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

“We hoopten aanvankelijk alleen dat de AI kon concurreren met navigatiestrategieën die al in echte zwemmende dieren worden gevonden, 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 zouden tegenkomen. Ze zullen dit bereiken door hun kennis van oceaan-stroomfysica te combineren met de versterking leerom strategie.

Peter Gunnarson is een promovendus 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.