Ingeniører programmerer marinerobotter til at tage kalkulerede risici

Vi ved langt mindre om jordens oceaner, end vi gør om månens eller Mars' overflade. Havbunden er udskåret med vidtstrakte kløfter, tårnhøje havbjerge, dybe skyttegrave, og rene klipper, hvoraf de fleste anses for at være for farlige eller utilgængelige for autonome undervandsfartøjer (AUV) til at navigere.

Men hvad nu hvis belønningen for at krydse sådanne steder var risikoen værd?

MIT-ingeniører har nu udviklet en algoritme, der lader AUV'er veje risici og potentielle fordele ved at udforske en ukendt region. For eksempel, hvis et køretøj, der har til opgave at identificere undersøiske olieudsivninger, nærmede sig en stejl, klippegrav, algoritmen kunne vurdere belønningsniveauet (sandsynligheden for, at der eksisterer et olieudsiv i nærheden af ​​denne rende), og risikoniveauet (sandsynligheden for at kollidere med en forhindring), hvis den skulle tage en sti gennem skyttegraven.

"Hvis vi var meget konservative med vores dyre køretøj, sagde, at dens overlevelsesevne var vigtigst af alt, så ville vi ikke finde noget af interesse, " siger Ayton. "Men hvis vi forstår, at der er en afvejning mellem belønningen af ​​det, du samler, og risikoen eller truslen om at gå mod disse farlige geografier, vi kan tage visse risici, når det er umagen værd."

Ayton siger, at den nye algoritme kan beregne afvejninger mellem risiko og belønning i realtid, som et køretøj beslutter, hvor det næste skal udforskes. Han og hans kolleger i Brian Williams laboratorium, professor i aeronautik og astronautik, implementerer denne algoritme og andre på AUV'er, med visionen om at indsætte flåder af modige, intelligente robotudforskere til en række missioner, herunder leder efter offshore olieforekomster, undersøger klimaændringernes indvirkning på koralrev, og udforske ekstreme miljøer, der er analoge med Europa, en isdækket måne af Jupiter, som holdet håber, at køretøjer en dag vil krydse.

"Hvis vi tog til Europa og havde en meget stærk grund til at tro, at der kunne være en observation på en milliard dollars i en hule eller en sprække, hvilket ville retfærdiggøre at sende et rumfartøj til Europa, så ville vi absolut risikere at gå i den hule, "Ayton siger. "Men algoritmer, der ikke tager risiko i betragtning, vil aldrig finde den potentielt historieforandrende observation."

Ayton og Williams, sammen med Richard Camilli fra Woods Hole Oceanographic Institution, vil præsentere deres nye algoritme på Association for the Advancement of Artificial Intelligence-konferencen i denne uge i Honolulu.

En fed vej

Holdets nye algoritme er den første, der muliggør "risikoafgrænset adaptiv sampling." En adaptiv prøvetagningsmission er designet, for eksempel, til automatisk at tilpasse en AUV's vej, baseret på nye målinger, som køretøjet tager, når det udforsker en given region. De fleste adaptive prøvetagningsmissioner, der overvejer risiko, gør det typisk ved at finde stier med en beton, acceptabelt risikoniveau. For eksempel, AUV'er kan programmeres til kun at kortlægge stier med en risiko for kollision, der ikke overstiger 5 procent.

Men forskerne fandt ud af, at alene at tage højde for risiko kunne begrænse en missions potentielle belønninger alvorligt.

"Før vi går ud i en mission, vi ønsker at specificere den risiko, vi er villige til at tage for et vist niveau af belønning, "Siger Ayton." For eksempel, hvis en sti skulle føre os til flere hydrotermiske åbninger, vi ville være villige til at tage denne mængde risiko, men hvis vi ikke skal se noget, vi ville være villige til at tage mindre risiko."

Teamets algoritme optager badymetriske data, eller information om havets topografi, inklusive eventuelle omkringliggende forhindringer, sammen med køretøjets dynamik og inertimålinger, at beregne risikoniveauet for en bestemt foreslået vej. Algoritmen tager også alle tidligere målinger, som AUV'en har taget, at beregne sandsynligheden for, at sådanne højbelønningsmålinger kan eksistere langs den foreslåede vej.

Hvis risiko-til-afkast-forholdet opfylder en vis værdi, bestemt af videnskabsmænd på forhånd, så går AUV videre med den foreslåede vej, tager flere målinger, der feeds tilbage til algoritmen for at hjælpe den med at evaluere risikoen og belønningen af ​​andre stier, når køretøjet bevæger sig fremad.

Forskerne testede deres algoritme i en simulering af en AUV-mission øst for Boston Harbor. De brugte batymetriske data indsamlet fra regionen under en tidligere NOAA-undersøgelse, og simulerede en AUV, der udforsker i en dybde på 15 meter gennem områder ved relativt høje temperaturer. De så på, hvordan algoritmen planlagde køretøjets rute under tre forskellige scenarier med acceptabel risiko.

I scenariet med den laveste acceptable risiko, hvilket betyder, at køretøjet skal undgå områder, der ville have en meget stor chance for kollision, algoritmen kortlagde en konservativ vej, holde køretøjet i et sikkert område, der heller ikke havde høje belønninger - i dette tilfælde, høje temperaturer. For scenarier med højere acceptabel risiko, Algoritmen kortlagde dristigere stier, der førte et køretøj gennem en smal afgrund, og i sidste ende til en region med høj belønning.

Holdet kørte også algoritmen gennem 10, 000 numeriske simuleringer, generere tilfældige miljøer i hver simulering, hvorigennem man kan planlægge en sti, og fandt ud af, at algoritmen "forveksler risiko med belønning intuitivt, kun at tage farlige handlinger, når det er berettiget af belønningen."

En risikabel skråning

I december sidste år, Ayton, Williams, og andre tilbragte to uger på et krydstogt ud for Costa Ricas kyst, indsættelse af undervandssvævefly, hvor de testede flere algoritmer, inklusive denne nyeste. For det meste, algoritmens vejplanlægning stemte overens med dem, der blev foreslået af flere ombordværende geologer, som ledte efter de bedste ruter til at finde olieudsivninger.

Ayton siger, at der var et bestemt øjeblik, hvor den risikoafgrænsede algoritme viste sig at være særlig praktisk. En AUV var på vej op i en usikker lavkonjunktur, eller jordskred, hvor køretøjet ikke kunne tage for mange risici.

"Algoritmen fandt en metode til at få os hurtigt op i nedturen, mens det er det mest værd, "Siger Ayton." Det tog os op ad en sti, der, mens det ikke hjalp os med at opdage olieudslip, det hjalp os med at forbedre vores forståelse af miljøet."

"Det, der virkelig var interessant, var at se, hvordan maskinalgoritmerne begyndte at 'lære' efter resultaterne af adskillige dyk, og begyndte at vælge steder, som vi geologer måske ikke havde valgt i starten, " siger Lori Summa, en geolog og gæsteforsker ved Woods Hole Oceanographic Institution, der deltog i krydstogtet. "Denne del af processen er stadig under udvikling, men det var spændende at se algoritmerne begynde at identificere de nye mønstre fra store mængder data, og koble disse oplysninger til en effektiv, 'sikker' søgestrategi."

I deres langsigtede vision, forskerne håber at bruge sådanne algoritmer til at hjælpe autonome køretøjer med at udforske miljøer uden for Jorden.

"Hvis vi tog til Europa og ikke var villige til at tage nogen risiko for at bevare en sonde, så ville sandsynligheden for at finde liv være meget, meget lav, " siger Ayton. "Du skal risikere lidt for at få mere belønning, hvilket generelt også er sandt i livet."

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.