Инженеры программируют морских роботов на риск

В настоящее время инженеры разработали алгоритм, который позволяет AUV взвешивать риски и потенциальные выгоды от изучения неизвестного региона. Например, если транспортное средство, в задачу которого входит идентификация подводных нефтяных утечек, приближается к крутому скалистому желобу, алгоритм может оценить уровень вознаграждения (вероятность того, что вблизи этого желоба существует просачивание нефти) и уровень риска (вероятность столкновения с препятствие), если бы он шел по траншеи.

Мы знаем гораздо меньше об океанах Земли, чем о поверхности Луны или Марса. Морское дно покрыто обширными каньонами, возвышающимися подводными горами, глубокими траншеями и отвесными скалами, большинство из которых считаются слишком опасными или недоступными для навигации автономных подводных аппаратов (AUV).

Но что, если награда за обход таких мест стоила риска?

Инженеры MIT в настоящее время разработали алгоритм, который позволяет AUV взвешивать риски и потенциальные выгоды от изучения неизвестного региона. Например, если транспортное средство, в задачу которого входит идентификация подводных нефтяных утечек, приближается к крутому скалистому желобу, алгоритм может оценить уровень вознаграждения (вероятность того, что вблизи этого желоба существует просачивание нефти) и уровень риска (вероятность столкновения с препятствие), если бы он шел по траншеи.

«Если бы мы были очень консервативны с нашим дорогим автомобилем, заявив, что его живучесть превыше всего, мы бы не нашли ничего интересного», — говорит Бенджамин Айтон, аспирант факультета аэронавтики и космонавтики Массачусетского технологического института. «Но если мы понимаем, что есть компромисс между вознаграждением за то, что вы собираете, и риском или угрозой перехода к этим опасным территориям, мы можем пойти на определенные риски, когда это целесообразно».

Айтон говорит, что новый алгоритм может вычислять соотношение риска и вознаграждения в режиме реального времени, поскольку транспортное средство решает, где искать дальше. Он и его коллеги в лаборатории Брайана Уильямса, профессора аэронавтики и космонавтики, внедряют этот алгоритм и другие в AUV с целью развертывания флотов смелых, интеллектуальных исследователей-роботов для ряда задач, включая поиск морских нефтяных месторождений. исследуя влияние изменения климата на коралловые рифы и исследуя экстремальные условия, аналогичные Европе, ледяной луне Юпитера, которую, как надеется команда, однажды будут пересекать транспортные средства.

«Если бы мы пошли в Европу и имели очень вескую причину полагать, что в пещере или трещине может быть наблюдение за миллиард долларов, которое оправдывает отправку космического корабля в Европу, то мы абсолютно хотим рискнуть попасть в эту пещеру,«Айтон говорит. «Но алгоритмы, которые не учитывают риск, никогда не найдут это потенциально изменяющее историю наблюдение».

Айтон и Уильямс, вместе с Ричардом Камилли из Океанографического института Вудс-Хоул, представят свой новый алгоритм на конференции Ассоциации содействия искусственному интеллекту на этой неделе в Гонолулу.

Смелый путь

Новый алгоритм команды является первым, который позволяет «адаптивную выборку с ограниченным риском». Миссия адаптивного отбора проб предназначена, например, для автоматической адаптации траектории AUV на основе новых измерений, которые транспортное средство проводит при исследовании данного региона. Большинство миссий по адаптивному отбору проб, в которых учитывается риск, обычно делают это путем нахождения путей с конкретным приемлемым уровнем риска. Например, AUV могут быть запрограммированы только для того, чтобы наметить пути с вероятностью столкновения, которое не превышает 5 процентов.

Но исследователи обнаружили, что учет только риска может серьезно ограничить потенциальные выгоды миссии.

«Прежде чем приступить к миссии, мы хотим указать, какой риск мы готовы пойти на определенный уровень вознаграждения», — говорит Айтон. «Например, если бы путь привел нас к большему количеству гидротермальных источников, мы были бы готовы пойти на это количество риска, но если мы ничего не увидим, мы были бы готовы пойти на меньший риск».

Алгоритм команды принимает батиметрические данные или информацию о топографии океана, включая любые окружающие препятствия, а также динамику транспортного средства и инерционные измерения, чтобы вычислить уровень риска для определенного предлагаемого пути. Алгоритм также учитывает все предыдущие измерения, выполненные AUV, чтобы вычислить вероятность того, что такие измерения с высокой прибылью могут существовать вдоль предложенного пути.

Если отношение риска к вознаграждению соответствует определенному значению, определенному учеными заранее, тогда AUV продвигается по предлагаемому пути, проводя больше измерений, которые возвращаются в алгоритм, чтобы помочь ему оценить риск и вознаграждение других путей в качестве Транспортное средство движется вперед.

Исследователи проверили свой алгоритм в симуляции миссии АНПА к востоку от Бостонской гавани. Они использовали батиметрические данные, собранные в регионе во время предыдущего исследования NOAA, и имитировали исследование AUV на глубине 15 метров через регионы при относительно высоких температурах. Они рассмотрели, как алгоритм спланировал маршрут транспортного средства при трех различных сценариях приемлемого риска.

В сценарии с наименьшим допустимым риском, означающим, что транспортное средство должно избегать любых регионов, которые могут иметь очень высокую вероятность столкновения, алгоритм наметил консервативный путь, сохраняя транспортное средство в безопасном регионе, который также не имел высоких выгод — в этом случае высокие температуры. Для сценариев с более высоким приемлемым риском алгоритм наметил более смелые пути, которые привели транспортное средство через узкую пропасть и, в конечном счете, к области с высокой прибылью.

Команда также провела алгоритм с помощью 10000 числовых симуляций, генерируя случайные среды в каждой симуляции, с помощью которых планировали путь, и обнаружила, что алгоритм «меняет риск на вознаграждение интуитивно, предпринимая опасные действия только тогда, когда это оправдано вознаграждением».

Рискованный склон

В декабре прошлого года Айтон, Уильямс и другие провели две недели в круизе у побережья Коста-Рики, развернув подводные планеры, на которых они протестировали несколько алгоритмов, в том числе этот новейший. По большей части, планирование пути алгоритма совпало с предложением нескольких бортовых геологов, которые искали лучшие маршруты для поиска утечек нефти.

Айтон говорит, что был особый момент, когда ограниченный по риску алгоритм оказался особенно полезным. Внедорожник совершал опасный спад или оползень, когда транспортное средство не могло подвергнуться слишком большому риску.

«Алгоритм нашел метод, позволяющий быстро поднять нас на спад и при этом быть самым стоящим», — говорит Айтон. «Это подняло нас на путь, который, хотя и не помог нам обнаружить утечки нефти, но и помог нам улучшить наше понимание окружающей среды».

В своем долгосрочном видении исследователи надеются использовать такие алгоритмы, чтобы помочь автономным транспортным средствам исследовать окружающую среду за пределами Земли.