工程师对海洋机器人进行编程以计算风险

我们对地球海洋的了解远远少于对月球或火星表面的了解。海底雕刻着广阔的峡谷,高耸的海山,深壕和陡峭的悬崖,其中大部分被认为太危险或无法进入自主水下航行器(AUV)进行导航。

但是,如果穿越这些地方的奖励值得冒险呢?

麻省理工学院的工程师现在开发了一种算法,可以让AUV权衡探索未知区域的风险和潜在回报。例如,如果负责识别水下石油渗漏的车辆靠近陡峭的岩石沟渠,该算法可以评估奖励水平(在该沟槽附近存在油渗漏的概率),以及风险等级(与之相撞的概率)。障碍物,如果它是通过沟渠的路径。

麻省理工学院航空航天系的研究生本杰明艾顿说:“如果我们对我们昂贵的车辆非常保守,说它的生存能力至高无上,那么我们就不会发现任何有趣的东西。”“但是,如果我们理解你所收集的奖励与走向这些危险地区的风险或威胁之间存在权衡,那么我们可以在值得的时候承担一定的风险。”

艾顿说,新算法可以实时计算风险与奖励的权衡,因为车辆决定下一步探索的位置。他和他在航空航天教授布莱恩威廉姆斯实验室的同事正在实施这种算法以及其他有关AUV的算法,其愿景是为大量任务部署大胆智能机器人探险队,包括寻找海上石油储藏,调查气候变化对珊瑚礁的影响,并探索类似于木卫二的极端环境,这是一个冰雪覆盖的木星卫星,该团队希望有一天能够将车辆穿越。

“如果我们去欧罗巴,并且有充分的理由相信在洞穴或裂缝中可能有数十亿美元的观测资料,这样可以证明向欧罗巴发送航天器是合理的,那么我们绝对想冒险进入那个洞穴, “艾顿说。“但是,不考虑风险的算法永远不会发现可能改变历史的观察结果。”

艾尔顿和威廉姆斯以及伍兹霍尔海洋研究所的理查德卡米利将于本周在檀香山举行的人工智能促进协会会议上展示他们的新算法。

一条大胆的道路

该团队的新算法是第一个实现“风险限制自适应采样”的算法。例如,自适应采样任务被设计为基于车辆在探测给定区域时所采用的新测量来自动调整AUV的路径。考虑风险的大多数自适应采样任务通常通过找到具有可接受风险水平的具体路径来实现。例如,AUV可以被编程为仅绘制具有不超过5%的碰撞机会的路径。

但研究人员发现仅仅考虑风险可能会严重限制任务的潜在回报。

“在我们执行任务之前,我们希望指定我们愿意承担一定程度奖励的风险,”艾顿说。“例如,如果一条道路将我们带到更多的热液喷口,我们愿意承担这一风险,但如果我们不会看到任何东西,我们愿意冒更小的风险。”

该团队的算法接收测深数据,或有关海洋地形的信息,包括任何周围的障碍物,以及车辆的动力学和惯性测量,以计算某个建议路径的风险等级。该算法还接受AUV已经采取的所有先前测量,以计算沿着所提出的路径可能存在这种高奖励测量的概率。

如果风险 - 回报率达到某个值,由科学家预先确定,那么AUV会继续推进所提出的路径,采取更多的测量结果反馈到算法中,以帮助评估其他路径的风险和回报。车辆前进。

研究人员在波士顿港以东的AUV任务模拟中测试了他们的算法。他们使用了在之前的NOAA调查期间从该地区收集的测深数据,并模拟了在相对较高温度下通过15米深度探测的AUV。他们研究了算法如何在可接受风险的三种不同情景下计划出车辆的路线。

在具有最低可接受风险的情况下,意味着车辆应该避开任何具有非常高的碰撞机会的区域,该算法绘制出保守路径,将车辆保持在也没有任何高回报的安全区域中。 - 在这种情况下,高温。对于具有较高可接受风险的情景,该算法绘制了较大的路径,使车辆通过狭窄的裂口,最终到达高回报区域。

该团队还通过10,000次数值模拟运行算法,在每次模拟中生成随机环境,通过这些模拟计划路径,并发现该算法“直观地降低了对奖励的风险,仅在奖励合理时采取危险行动”。

风险斜坡

去年12月,艾尔顿,威廉姆斯和其他人花了两周的时间在哥斯达黎加海岸巡航,部署水下滑翔机,他们测试了几种算法,包括最新的算法。在大多数情况下,算法的路径规划与几个寻找找到石油渗漏的最佳路线的船上地质学家提出的路径规划一致。

艾顿说,有一个特殊时刻,风险限制算法证明特别方便。一辆AUV正在岌岌可危地陷入危险的萧条或山体滑坡,车辆无法承担太多风险。

“算法找到了一种让我们迅速陷入低迷的方法,同时也是最有价值的,”艾顿说。“我们走上了一条道路,虽然它没有帮助我们发现石油渗漏,但确实帮助我们改善了对环境的理解。”

在他们的长期愿景中,研究人员希望使用这些算法来帮助自动驾驶车辆探索地球以外的环境。

艾顿说:“如果我们去欧罗巴并且不愿冒任何风险以保存探测器,那么找到生命的可能性将非常非常低。”“你必须冒一点风险获得更多奖励,这在生活中也是如此。”

这项研究部分由埃克森美孚作为麻省理工学院能源倡议的一部分和美国国家航空航天局提供支持。