Los ingenieros de Caltech, ETH Zurich y Harvard están desarrollando una inteligencia artificial (IA) que permitirá a los drones autónomos utilizar las corrientes oceánicas para ayudarse en su navegación, en lugar de abrirse camino a través de ellas.
«Cuando queremos que los robots exploren las profundidades del océano, especialmente en enjambres, es casi imposible controlarlos con un joystick desde 20,000 pies de distancia en la superficie. Tampoco podemos proporcionarles datos sobre las corrientes oceánicas locales que necesitan para navegar porque no podemos detectarlos desde la superficie. En cambio, en cierto punto necesitamos drones transportados por el océano para poder tomar decisiones sobre cómo moverse por sí mismos «, dice John O. Dabiri (MS ’03, PhD ’05) , el profesor del Centenario de Ingeniería Aeronáutica y Mecánica y autor correspondiente de un artículo sobre la investigación que fue publicado por Comunicaciones de la naturaleza el 8 de diciembre
El rendimiento de la IA se probó mediante simulaciones por computadora, pero el equipo detrás del esfuerzo también desarrolló un pequeño robot del tamaño de la palma de la mano que ejecuta el algoritmo en un pequeño chip de computadora que podría impulsar drones marítimos tanto en la Tierra como en otros planetas. El objetivo sería crear un sistema autónomo para monitorear la condición de los océanos del planeta, por ejemplo, usando el algoritmo en combinación con prótesis que desarrollaron previamente para ayudar a las medusas a nadar más rápido y bajo control. Los robots completamente mecánicos que ejecutan el algoritmo podrían incluso explorar océanos en otros mundos, como Encelado o Europa.
En cualquier escenario, los drones deberían poder tomar decisiones por sí mismos sobre a dónde ir y la forma más eficiente de llegar allí. Para hacerlo, es probable que solo tengan datos que puedan recopilar ellos mismos: información sobre las corrientes de agua que están experimentando actualmente.
Para hacer frente a este desafío, los investigadores recurrieron a las redes de aprendizaje por refuerzo (RL). En comparación con las redes neuronales convencionales, las redes de aprendizaje por refuerzo no se entrenan en un conjunto de datos estáticos, sino que se entrenan tan rápido como pueden recopilar experiencia. Este esquema les permite existir en computadoras mucho más pequeñas; para los fines de este proyecto, el equipo escribió un software que se puede instalar y ejecutar en un Teensy, un microcontrolador de 2,4 por 0,7 pulgadas que cualquiera puede comprar por menos de $ 30 en Amazon y solo usa alrededor de medio vatio de energía.
Usando una simulación por computadora en la que el flujo a través de un obstáculo en el agua creó varios vórtices que se movían en direcciones opuestas, el equipo le enseñó a la IA a navegar de tal manera que aprovechó las regiones de baja velocidad a raíz de los vórtices para navegar hacia la costa. ubicación de destino con un uso mínimo de energía. Para facilitar su navegación, el nadador simulado solo tenía acceso a la información sobre las corrientes de agua en su ubicación inmediata, pero pronto aprendió a explotar los vórtices para navegar hacia el objetivo deseado. De manera similar, en un robot físico, la IA solo tendría acceso a la información que podría recopilarse de un giroscopio y un acelerómetro integrados, que son sensores relativamente pequeños y de bajo costo para una plataforma robótica.
Este tipo de navegación es similar a la forma en que las águilas y los halcones montan corrientes térmicas en el aire, extrayendo energía de las corrientes de aire para maniobrar hasta el lugar deseado con el mínimo gasto de energía. Sorprendentemente, los investigadores descubrieron que su algoritmo de aprendizaje por refuerzo podría aprender estrategias de navegación que son incluso más efectivas que las que se cree que utilizan los peces reales en el océano.
«Inicialmente, solo esperábamos que la IA pudiera competir con las estrategias de navegación que ya se encuentran en los animales nadadores reales, por lo que nos sorprendió ver que aprendió métodos aún más efectivos al explotar pruebas repetidas en la computadora», dice Dabiri.
La tecnología aún está en pañales: actualmente, al equipo le gustaría probar la IA en cada tipo diferente de perturbación del flujo que posiblemente encontraría en una misión en el océano, por ejemplo, vórtices arremolinados versus corrientes de marea, para evaluar su eficacia en la naturaleza. Sin embargo, al incorporar su conocimiento de la física del flujo oceánico dentro de la estrategia de aprendizaje por refuerzo, los investigadores pretenden superar esta limitación. La investigación actual demuestra la efectividad potencial de las redes RL para abordar este desafío, particularmente porque pueden operar en dispositivos tan pequeños. Para probar esto en el campo, el equipo está colocando al Teensy en un dron hecho a la medida denominado «CARL-Bot» (Robot de aprendizaje por refuerzo autónomo de Caltech). El CARL-Bot se dejará caer en un tanque de agua de dos pisos de altura recién construido en el campus de Caltech y se le enseñará a navegar por las corrientes del océano.
«El robot no solo aprenderá, sino que aprenderemos sobre las corrientes oceánicas y cómo navegar a través de ellas», dice Peter Gunnarson, estudiante graduado en Caltech y autor principal del Comunicaciones de la naturaleza papel.
Fuente de la historia:
Materiales proporcionados por Instituto de Tecnología de California. Original escrito por Robert Perkins. Nota: el contenido se puede editar por estilo y longitud.