Künstliche Intelligenz führt Drohnen zur Navigation durch Ozeane

Ingenieure am Caltech, der ETH Zürich und Harvard entwickeln künstliche Intelligenz (KI), die es autonomen Drohnen ermöglichen wird, Meeresströmungen zur Unterstützung ihrer Navigation zu nutzen, anstatt sich durch sie hindurchzukämpfen.

„Wenn wir wollen, dass Roboter die Tiefsee erkunden, insbesondere in Schwärmen, ist es fast unmöglich, sie mit einem Joystick aus 20.000 Fuß Entfernung an der Oberfläche zu steuern. Wir können sie auch nicht mit Daten über die lokalen Meeresströmungen füttern, die sie brauchen, um zu navigieren, weil Wir können sie nicht von der Oberfläche aus erkennen. Stattdessen brauchen wir ab einem bestimmten Punkt ozeangestützte Drohnen, um selbst Entscheidungen darüber treffen zu können, wie sie sich fortbewegen", sagte Professor John O. Dabiri.

Die Leistung der KI wurde mithilfe von Computersimulationen getestet, aber das Team hinter den Bemühungen hat auch einen kleinen, handflächengroßen Roboter entwickelt, der den Algorithmus auf einem winzigen Computerchip ausführt, der seegestützte Drohnen sowohl auf der Erde als auch auf anderen Planeten antreiben könnte. Das Ziel wäre die Schaffung eines autonomen Systems zur Überwachung des Zustands der Ozeane des Planeten, beispielsweise unter Verwendung des Algorithmus in Kombination mit Prothesen, die sie zuvor entwickelt haben, um Quallen zu helfen, schneller und auf Befehl zu schwimmen. Vollständig mechanische Roboter, die den Algorithmus ausführen, könnten sogar Ozeane auf anderen Welten wie Enceladus oder Europa erkunden.

In beiden Szenarien müssten Drohnen in der Lage sein, selbstständig Entscheidungen darüber zu treffen, wohin sie gehen und wie sie am effizientesten dorthin gelangen. Dazu haben sie wahrscheinlich nur Daten, die sie selbst sammeln können – Informationen über die Wasserströmungen, denen sie derzeit ausgesetzt sind.

Um diese Herausforderung anzugehen, wandten sich die Forscher Netzwerken für verstärktes Lernen (RL) zu. Im Vergleich zu herkömmlichen neuronalen Netzen trainieren Reinforcement-Learning-Netze nicht auf einem statischen Datensatz, sondern trainieren so schnell, wie sie Erfahrungen sammeln können. Dieses Schema ermöglicht es ihnen, auf viel kleineren Computern zu existieren. Für die Zwecke dieses Projekts schrieb das Team Software, die auf einem Teensy installiert und ausgeführt werden kann – einem 2,4 Zoll x 0,7 Zoll großen Mikrocontroller, den jeder für weniger als 30 US-Dollar bei Amazon kaufen kann und der nur etwa ein halbes Watt Strom verbraucht.

Mithilfe einer Computersimulation, bei der die Strömung an einem Hindernis im Wasser vorbei mehrere Wirbel erzeugte, die sich in entgegengesetzte Richtungen bewegten, brachte das Team der KI bei, so zu navigieren, dass sie Regionen mit niedriger Geschwindigkeit im Kielwasser der Wirbel nutzte, um zur Küste zu fahren Zielort mit minimalem Stromverbrauch. Um seine Navigation zu erleichtern, hatte der simulierte Schwimmer nur Zugriff auf Informationen über die Wasserströmungen an seinem unmittelbaren Standort, lernte jedoch bald, wie er die Wirbel ausnutzen konnte, um zum gewünschten Ziel zu rollen. In einem physischen Roboter hätte die KI ebenfalls nur Zugriff auf Informationen, die von einem integrierten Gyroskop und einem Beschleunigungsmesser gesammelt werden könnten, die beide relativ kleine und kostengünstige Sensoren für eine Roboterplattform sind.

Diese Art der Navigation ist analog zu der Art und Weise, wie Adler und Falken in der Luft Thermik fahren und Energie aus Luftströmungen gewinnen, um mit minimaler Energie an einen gewünschten Ort zu manövrieren. Überraschenderweise entdeckten die Forscher, dass ihr Reinforcement-Learning-Algorithmus Navigationsstrategien lernen kann, die noch effektiver sind als die, von denen angenommen wird, dass sie von echten Fischen im Ozean verwendet werden.

Die Technologie steckt noch in den Kinderschuhen:Derzeit möchte das Team die KI auf jede Art von Strömungsstörung testen, auf die sie möglicherweise bei einer Mission im Ozean stoßen würde – zum Beispiel wirbelnde Wirbel im Vergleich zu strömenden Gezeitenströmungen –, um ihre Wirksamkeit zu bewerten in der Wildnis. Indem sie jedoch ihr Wissen über die Physik der Meeresströmungen in die Reinforcement-Learning-Strategie einbeziehen, wollen die Forscher diese Einschränkung überwinden. Ihre Forschung beweist die potenzielle Effektivität von RL-Netzwerken bei der Bewältigung dieser Herausforderung – insbesondere, weil sie auf so kleinen Geräten betrieben werden können. Um dies in der Praxis zu testen, platziert das Team den Teensy auf einer speziell angefertigten Drohne namens „CARL-Bot“ (Caltech Autonomous Reinforcement Learning Robot). Der CARL-Bot wird in einen neu errichteten, zweistöckigen Wassertank auf dem Campus des Caltech geworfen und gelehrt, durch die Meeresströmungen zu navigieren.