KI-gestützte Drohnen nutzen Meeresströmungen für autonome Navigation

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

„Wenn wir wollen, dass Roboter den tiefen Ozean erforschen, besonders in Schwärmen, ist es fast unmöglich, sie mit einem Joystick aus 20.000 Fuß Höhe an der Oberfläche zu steuern. Wir können ihnen auch keine Daten über die lokalen Meeresströme geben, die sie zur Navigation brauchen, weil wir sie von der Oberfläche nicht detektieren können. Stattdessen brauchen wir an einem bestimmten Punkt ozeanische Drohnen, die selbst entscheiden können, wie sie sich bewegen“, sagt Professor John O. Dabiri.

Die KI-Leistung wurde mit Computersimulationen getestet, aber das Team hinter dem Projekt 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, ein autonomes System zur Überwachung des Zustands der Ozeane des Planeten zu schaffen, beispielsweise indem der Algorithmus in Kombination mit Prothesen eingesetzt wird, die sie zuvor entwickelten, um Quallen schneller und auf Befehl schwimmen zu lassen. Vollmechanische Roboter, die den Algorithmus ausführen, könnten sogar Ozeane auf anderen Welten erforschen, wie Enceladus oder Europa.

In beiden Szenarien müssten Drohnen in der Lage sein, eigenständig Entscheidungen darüber zu treffen, wohin sie gehen und der effizienteste Weg dorthin ist. Dazu werden sie wahrscheinlich nur Daten haben, die sie selbst sammeln können – Informationen über die Wasserströme, die sie gerade erleben.

Um diese Herausforderung anzugehen, wandten sich Forscher Verstärkungslernen (Reinforcement Learning, RL) Netzwerken zu. Im Gegensatz zu konventionellen neuronalen Netzen trainieren RL-Netzwerke nicht auf einem statischen Datensatz, sondern so schnell, wie sie Erfahrungen sammeln können. Dieses Schema erlaubt es ihnen, auf viel kleineren Computern zu existieren. Für dieses Projekt schrieb das Team Software, die auf einem Teensy installiert und ausgeführt werden kann – einem 2,4-Zoll-mal-0,7-Zoll-Mikrocontroller, den jeder für unter 30 Dollar bei Amazon kaufen kann und der nur etwa eine halbe Watt Leistung verbraucht.

Mit einer Computersimulation, in der Strömung an einem Hindernis im Wasser mehrere Wirbel in entgegengesetzten Richtungen erzeugte, lehrte das Team die KI, so zu navigieren, dass sie Niedriggeschwindigkeitsbereiche im Kielwasser der Wirbel nutzte, um mit minimalem Energieverbrauch zum Zielort zu gleiten. Zur Navigationshilfe hatte der simulierte Schwimmer nur Zugriff auf Informationen über die Wasserströme an seinem unmittelbaren Standort, lernte aber schnell, wie man die Wirbel ausnutzt, um zum gewünschten Ziel zu gleiten. In einem physischen Roboter würde die KI ähnlich nur Zugriff auf Informationen haben, die von einem bordeigenen Gyroskop und Beschleunigungsmesser gesammelt werden können, die beide relativ klein und kostengünstig für eine robotische Plattform sind.

Diese Art der Navigation ist analog zu der Art, wie Adler und Habichte Thermik in der Luft reiten, Energie aus Luftströmen extrahieren, um zu einem gewünschten Ort mit minimaler Energie zu manövrieren. Überraschenderweise entdeckten die Forscher, dass ihr Verstärkungslern-Algorithmus Navigationsstrategien lernen konnte, die sogar effektiver sind als jene, von denen angenommen wird, dass sie von echten Fischen im Ozean genutzt werden.

Die Technologie steckt noch in den Kinderschuhen: Aktuell möchte das Team die KI an jeder verschiedenen Art von Strömungsstörung testen, der sie auf einer Mission im Ozean begegnen könnte – beispielsweise wirbelnde Wirbel versus strömende Gezeitenströme –, um ihre Effektivität in der Wildnis zu bewerten. Durch die Einbindung ihres Wissens über Ozeanströmungsphysik in die Verstärkungslernstrategie zielen die Forscher darauf ab, diese Limitation zu überwinden. Ihre Forschung beweist die potenzielle Effektivität von RL-Netzwerken bei der Bewältigung dieser Herausforderung – insbesondere, weil sie auf so kleinen Geräten operieren können. Um dies im Feld zu testen, platziert das Team den Teensy auf einer kundenspezifisch gebauten Drohne, genannt „CARL-Bot“ (Caltech Autonomous Reinforcement Learning Robot). Der CARL-Bot wird in einen neu errichteten, zwei Stockwerke hohen Wassertank auf dem Caltech-Campus abgeworfen und lernt, die Meeresströmungen zu navigieren.