Grundlæggende ligninger leder marine robotter til optimale prøveudtagningssteder

At observere verdenshavene er i stigende grad en mission, der er tildelt autonome undervandsfartøjer (AUV'er) - marinerobotter, der er designet til at drive, køre, eller glide gennem havet uden input i realtid fra menneskelige operatører. Kritiske spørgsmål, som AUV'er kan hjælpe med at besvare, er hvor, hvornår, og hvad man skal prøve for de mest informative data, og hvordan man optimalt når prøveudtagningssteder.

MIT ingeniører har nu udviklet systemer af matematiske ligninger, der forudsiger de mest informative data, der skal indsamles til en given observationsmission, og den bedste måde at nå prøveudtagningsstederne på.

Med deres metode, forskerne kan forudsige i hvilken grad en variabel, såsom hastigheden af ​​havstrømme på et bestemt sted, afslører oplysninger om en anden variabel, såsom temperatur på et andet sted - en mængde kaldet "gensidig information". Hvis graden af ​​gensidig information mellem to variabler er høj, en AUV kan programmeres til at gå til bestemte steder for at måle en variabel, for at få information om den anden.

Teamet brugte deres ligninger og en havmodel, de udviklede, kaldet Multidisciplinary Simulation, Estimering, og assimilationssystemer (MSEAS), i havforsøg med succes at forudsige felter med gensidig information og vejlede faktiske AUV'er.

"Ikke alle data er ens, "siger Arkopal Dutt, en kandidatstuderende i MIT's afdeling for maskinteknik. "Vores kriterier ... gør det muligt for de autonome maskiner at lokalisere sensorplaceringer og prøveudtagningstider, hvor de mest informative målinger kan foretages."

For at bestemme, hvordan man sikkert og effektivt når ideelle prøveudtagningsdestinationer, forskerne udviklede en måde at hjælpe AUV'er med at bruge det usikre havs aktivitet, ved at forudsige en "nåbarhedsfront"-en dynamisk tredimensionel region af havet, som en AUV med garanti vil nå inden for en bestemt tid, i betragtning af AUV's strømbegrænsninger og havets strømme. Teamets metode gør det muligt for et køretøj at surfe på strømme, der ville bringe det tættere på dets destination, og undgå dem, der ville smide det af sporet.

Når forskerne sammenlignede deres tilgængelighedsprognoser med ruterne for egentlige AUV'er, der observerede en region ved Det Arabiske Hav, de fandt, at deres forudsigelser matchede, hvor køretøjerne var i stand til at navigere, over lange perioder.

Ultimativt, teamets metoder skal hjælpe køretøjer med at udforske havet i en intelligent, energieffektiv måde.

"Autonome havrobotter er vores spejdere, trodser det barske hav for at indsamle data til os, "siger maskiningeniørstuderende Deepak Subramani." Vores matematiske ligninger hjælper spejderne med at nå de ønskede steder og reducerer deres energiforbrug ved intelligent at bruge havstrømmene. "

Forskerne, ledet af Pierre Lermusiaux, professor i maskinteknik og havvidenskab og teknik ved MIT, har fremlagt deres resultater i et papir, der snart vises i et bind af bogserien, "Havet, "udgivet af Journal of Marine Research.

Ud over Dutt og Subramani, Lermusiaux 'team omfatter Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito, og Sudip Jana, alle fra Institut for Maskinteknik.

Søg efter de mest informative data

For at validere deres tilgang, forskerne viste, at de med succes kunne forudsige de målinger, der var de mest informative for et varieret sæt mål. For eksempel, de forudsiger de observationer, der var optimale til at teste videnskabelige hypoteser, lære, om selve havmodelligningerne er korrekte eller ej, estimering af parametre for marine økosystemer og detektere tilstedeværelsen af ​​sammenhængende strukturer i havet. De bekræftede, at deres optimale observationer var 50 til 150 procent mere informative end en gennemsnitlig observation.

For at nå de optimale observationssteder, AUV'er skal navigere gennem havet. Traditionelt set planlægning af stier til robotter er udført i relativt statiske miljøer. Men planlægning gennem havet er en anden historie, som stærke strømme og hvirvler konstant kan ændre sig, være i tvivl, og skubbe et køretøj ud af dets forudplanlagte kurs.

MIT-teamet udviklede således sti-planlægningsalgoritmer ud fra grundlæggende principper med havet i tankerne. De ændrede en eksisterende ligning, kendt som Hamilton-Jacobi-ligningen, at bestemme en AUVs tilgængelighed foran, eller den længste omkreds, et køretøj garanteret når i løbet af en given tid. Ligningen er baseret på tre hovedvariabler:tid, et køretøjs specifikke fremdriftsbegrænsninger og vejledning, eller transporten ved de dynamiske havstrømme - en variabel, som gruppen forudser ved hjælp af sin MSEAS havmodel.

Med det nye system, AUV'erne kan kortlægge de mulige mest informative stier og tilpasse deres prøveudtagningsplaner, efterhånden som det usikre havstrømme ændrer sig over tid. I en første stor, test ved åbent hav, teamet beregnet sandsynlighedsfronter og de mest informative stier for autonome flydere og svævefly i Det Indiske Ocean, som en del af Northern Arabian Sea Circulation-autonomous research (NASCar) initiativ fra Office of Naval Research (ONR).

Over flere måneder, forskerne, arbejder ud af deres MIT -kontorer, leverede daglige prognoser for tilgængelighed til ONR -teamet for at hjælpe med at guide undervandsbiler, indsamling af optimale observationer undervejs.

"Det var dybest set ikke meget søvn, "Lermusiaux husker." Prognoserne var tre til syv dage ude, og vi ville assimilere data og opdatere hver dag. Vi klarede os ganske godt. Gennemsnitlig, svævefly og svømmere endte, hvor det var ønsket, og inden for de sandsynlighedsområder, som vi forudsagde. "

Et sandhedens øjeblik betaler sig

Lermusiaux og hans kolleger udnyttede også deres systemer til at planlægge "tidsoptimale stier"-forløb, der ville få en AUV til et bestemt sted på den korteste tid, i betragtning af de forventede havstrømforhold.

Med kolleger fra MIT Lincoln Laboratory og Woods Hole Oceanographic Institution, de testede disse tidsoptimale stier i realtid ved at afholde "løb" mellem identiske drivende AUV'er, ud for kysten af ​​Martha's Vineyard. I hvert løb, et AUV's forløb blev bestemt af holdets tidsoptimale vej, mens en anden AUV fulgte en sti med den korteste afstand til den samme destination.

"Det var anspændt - hvem vinder?" Subramani husker. "Dette var sandhedens øjeblik for os, efter alle de år med teoretisk udvikling med matematiske ligninger og beviser. "

Holdets arbejde gav pote. I hvert løb, AUV, der opererede under teamets prognose, nåede først sin destination, udfører omkring 15 procent hurtigere end den konkurrerende AUV. Holdets prognose hjalp den vindende AUV med at undgå stærke strømme, der til tider virkede for at blokere den anden AUV.

"Det var forbløffende, "Siger Kulkarni." Selvom de to stier fysisk kun var mindre end en kilometer fra hinanden, efter vores forudsigelser gav op til en 15 procent reduktion i rejsetider. Det viser, at vores stier virkelig er tidsoptimale. "

Blandt andre applikationer, Lermusiaux, som medlem af MIT's Tata Center for Technology and Design, vil anvende sine metoder til havprognoser til at guide observationer ud for Indiens kyst, hvor køretøjerne får til opgave at overvåge fiskeri for at levere et potentielt billigt styringssystem.

"AUV'er er ikke særlig hurtige, og deres autonomi er ikke uendelig, så du skal virkelig tage højde for strømme og deres usikkerheder, og modeller tingene grundigt, "Lermusiaux siger." Maskintelligens for disse autonome systemer stammer fra rigorøst udledning og fusion af styrende differentialligninger og principper med kontrolteori, informationsteori, og maskinlæring. "

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.