约翰·达比里(右)和彼得·冈纵火(左)在加州理工学院测试卡尔机器人。功劳:加州理工学院、苏黎世联邦理工学院和哈佛大学的加州理工学院工程师正在开发一种人工智能(AI)，它将允许自动驾驶无人机利用洋流来辅助导航，而不是在洋流中奋力前行。“当我们想要机器人探索深海，尤其是成群结队的时候，用操纵杆从2万英尺外的海面控制它们几乎是不可能的。我们也不能向它们提供它们需要航行的当地洋流的数据，因为我们无法从表面探测到它们。相反，在某一点上，我们需要海上无人机能够为自己做出如何移动的决定，”加州理工学院百年航空和机械工程教授约翰·奥·达比里说，他是《自然通讯》12月8日发表的一篇关于这项研究的论文的相应作者。
人工智能的性能通过计算机模拟进行了测试，但这项工作背后的团队还开发了一个手掌大小的小型机器人，该机器人在一个微型计算机芯片上运行该算法，该芯片可以为地球和其他行星上的海运机器人提供动力。目标将是创建一个自主系统来监测地球海洋的状况，例如将该算法与他们以前开发的假肢相结合，以帮助水母更快地根据命令游泳。运行该算法的全机械机器人甚至可以探索其他星球上的海洋，比如土卫二或木卫二。
在这两种情况下，无人机都需要能够自己决定去哪里以及到达那里的最有效方式。要做到这一点，他们可能只有他们自己能够收集的数据——关于他们目前经历的水流的信息。
为了应对这一挑战，研究人员求助于强化学习网络。与传统的神经网络相比，强化学习网络不在静态数据集上训练，而是尽可能快地收集经验。这个方案允许它们存在于小得多的计算机上——为了这个项目的目的，该团队编写了可以安装和运行在Tinesy上的软件——这是一种2.4×0.7英寸的微控制器，任何人都可以在亚马逊上以不到30美元的价格购买，并且只使用大约半瓦的功率。
通过计算机模拟，水流经过水中的障碍物时会产生几个向相反方向移动的漩涡，研究小组教会人工智能导航的方式是，利用漩涡尾流中的低速区域，以最小的功耗滑行到目标位置。为了帮助它导航，模拟游泳者只能获得它所在位置的水流信息，但它很快学会了如何利用漩涡滑行到想要的目标。在物理机器人中，人工智能同样只能访问从机载陀螺仪和加速度计收集的信息，这两种传感器对于机器人平台来说都相对较小且成本较低。
这种导航类似于鹰和鹰在空中骑行的方式，从气流中提取能量，以最小的能量消耗移动到所需的位置。令人惊讶的是，研究人员发现，他们的强化学习算法可以学习比海洋中真正的鱼更有效的导航策略。
达比里说:“我们最初只是希望人工智能能够与已经在真正的游泳动物中发现的导航策略竞争，所以我们惊讶地看到它通过在计算机上反复试验来学习更有效的方法。
这项技术仍处于初级阶段:目前，该团队希望对人工智能在海洋任务中可能遇到的每种不同类型的流动扰动进行测试——例如，涡流对流动潮流——以评估其在野外的有效性。然而，通过将他们的海洋流物理知识纳入强化学习策略，研究人员旨在克服这一限制。目前的研究证明了反向链路网络在应对这一挑战方面的潜在有效性，尤其是因为它们可以在如此小的设备上运行。为了在现场尝试这一点，该团队正在将田茜放在一架定制的无人机上，该无人机被称为“卡尔-机器人”(加州理工学院自主强化学习机器人)。卡尔机器人将被扔进加州理工学院校园里一个新建造的两层楼高的水箱里，并被教会如何驾驭洋流。
加州理工学院的研究生、《自然通讯》论文的主要作者彼得·冈南森说:“不仅机器人会学习，我们也会学习洋流以及如何在洋流中航行。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
