Het observeren van de oceanen van de wereld is steeds meer een missie die wordt toegewezen aan autonome onderwatervoertuigen (AUV's) - mariene robots die zijn ontworpen om te drijven, rit, of door de oceaan glijden zonder enige realtime input van menselijke operators. Kritische vragen die AUV's kunnen helpen beantwoorden, zijn waar, wanneer, en wat te samplen voor de meest informatieve gegevens, en hoe bemonsteringslocaties optimaal te bereiken.

MIT-ingenieurs hebben nu systemen van wiskundige vergelijkingen ontwikkeld die de meest informatieve gegevens voorspellen die voor een bepaalde waarnemingsmissie moeten worden verzameld, en de beste manier om de bemonsteringslocaties te bereiken.

Met hun methode kunnen de onderzoekers voorspellen in welke mate een variabele, zoals de snelheid van oceaanstromingen op een bepaalde locatie, onthult informatie over een andere variabele, zoals temperatuur op een andere locatie - een hoeveelheid die 'wederzijdse informatie' wordt genoemd. Als de mate van onderlinge informatie tussen twee variabelen hoog is, een AUV kan worden geprogrammeerd om naar bepaalde locaties te gaan om één variabele te meten, informatie te krijgen over de ander.

Het team gebruikte hun vergelijkingen en een oceaanmodel dat ze ontwikkelden, genaamd Multidisciplinaire Simulatie, Schatting, en assimilatiesystemen (MSEAS), in zee-experimenten om met succes velden van wederzijdse informatie te voorspellen en werkelijke AUV's te begeleiden.

"Niet alle gegevens zijn gelijk, " zegt Arkopal Dutt, een afgestudeerde student in MIT's Department of Mechanical Engineering. "Onze criteria … stellen de autonome machines in staat om sensorlocaties en bemonsteringstijden te lokaliseren waar de meest informatieve metingen kunnen worden gedaan."

Om te bepalen hoe de ideale bemonsteringsbestemmingen veilig en efficiënt kunnen worden bereikt, de onderzoekers ontwikkelden een manier om AUV's te helpen de activiteit van de onzekere oceaan te gebruiken, door een "bereikbaarheidsfront" te voorspellen - een dynamisch driedimensionaal gebied van de oceaan dat een AUV gegarandeerd binnen een bepaalde tijd zou bereiken, gezien de vermogensbeperkingen van de AUV en de stromingen van de oceaan. De methode van het team stelt een voertuig in staat om op stromingen te surfen die het dichter bij zijn bestemming zouden brengen, en vermijd degenen die het van het spoor zouden brengen.

Toen de onderzoekers hun bereikbaarheidsvoorspellingen vergeleken met de routes van werkelijke AUV's die een gebied van de Arabische Zee observeren, ze vonden dat hun voorspellingen overeenkwamen met waar de voertuigen konden navigeren, over lange tijdsperioden.

uiteindelijk, de methoden van het team moeten voertuigen helpen de oceaan op een intelligente, energiezuinige manier.

"Autonome maritieme robots zijn onze verkenners, de ruwe zeeën trotseren om gegevens voor ons te verzamelen, ", zegt werktuigbouwkundestudent Deepak Subramani. "Onze wiskundige vergelijkingen helpen de verkenners de gewenste locaties te bereiken en hun energieverbruik te verminderen door intelligent gebruik te maken van de oceaanstromingen."

De onderzoekers, onder leiding van Pierre Lermusiaux, hoogleraar werktuigbouwkunde en oceaanwetenschappen en techniek aan het MIT, hebben hun resultaten uiteengezet in een paper dat binnenkort zal verschijnen in een deel van de boekenreeks, "De zee, " gepubliceerd door het Journal of Marine Research.

Naast Dutt en Subramani, Het team van Lermusiaux bestaat uit Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hadj Ali, Chris Mirabito, en Sudip Jana, allemaal van de faculteit Werktuigbouwkunde.

Zoektocht naar de meest informatieve gegevens

Om hun aanpak te valideren, de onderzoekers toonden aan dat ze met succes de metingen konden voorspellen die het meest informatief waren voor een gevarieerde reeks doelen. Bijvoorbeeld, ze voorspellen de waarnemingen die optimaal waren voor het testen van wetenschappelijke hypothesen, leren of de oceaanmodelvergelijkingen zelf correct zijn of niet, het schatten van parameters van mariene ecosystemen, en het detecteren van de aanwezigheid van coherente structuren in de oceaan. Ze bevestigden dat hun optimale waarnemingen 50 tot 150 procent informatiever waren dan een gemiddelde waarneming.

Om de optimale waarnemingslocaties te bereiken, AUV's moeten door de oceaan navigeren. traditioneel, het plannen van paden voor robots is gedaan in relatief statische omgevingen. Maar plannen door de oceaan is een ander verhaal, aangezien sterke stromingen en wervelingen voortdurend kunnen veranderen, wees onzeker, en duw een voertuig van zijn vooraf geplande koers.

Het MIT-team ontwikkelde daarom padplanningsalgoritmen op basis van fundamentele principes met de oceaan in gedachten. Ze hebben een bestaande vergelijking aangepast, bekend als de Hamilton-Jacobi-vergelijking, om het bereikbaarheidsfront van een AUV te bepalen, of de verste perimeter die een voertuig gegarandeerd binnen een bepaalde tijd zal bereiken. De vergelijking is gebaseerd op drie hoofdvariabelen:tijd, de specifieke voortstuwingsbeperkingen van een voertuig, en advectie, of het transport door de dynamische oceaanstromingen - een variabele die de groep voorspelt met behulp van zijn MSEAS-oceaanmodel.

Met het nieuwe systeem, de AUV's kunnen de haalbare meest informatieve paden in kaart brengen en hun bemonsteringsplannen aanpassen naarmate de onzekere oceaanstromingen in de loop van de tijd veranderen. In een eerste grote open oceaan test, het team berekende probabilistische bereikbaarheidsfronten en de meest informatieve paden voor autonome drijvers en zweefvliegtuigen in de Indische Oceaan, als onderdeel van het Northern Arabian Sea Circulation-autonoom onderzoeksinitiatief (NASCar) van het Office of Naval Research (ONR).

Gedurende een aantal maanden, de onderzoekers, werken vanuit hun MIT-kantoren, verstrekte dagelijkse bereikbaarheidsvoorspellingen aan het ONR-team om de onderwatervoertuigen te helpen begeleiden, onderweg optimale waarnemingen verzamelen.

"Het was eigenlijk niet veel slapen, Lermusiaux herinnert zich. "De voorspellingen waren drie tot zeven dagen uit, en we zouden gegevens assimileren en elke dag bijwerken. We hebben het heel goed gedaan. Gemiddeld, de zweefvliegtuigen en drijvers kwamen waar gewenst en binnen de probabilistische gebieden die we voorspelden."

Een moment van de waarheid loont

Lermusiaux en zijn collega's gebruikten hun systemen ook om 'tijd-optimale paden' te plannen - trajecten die een AUV in de kortst mogelijke tijd naar een bepaalde locatie zouden brengen, gezien de voorspelde oceaanstromingen.

Met collega's van het MIT Lincoln Laboratory en Woods Hole Oceanographic Institution, ze testten deze tijdoptimale paden in realtime door "races" te houden tussen identieke aangedreven AUV's, voor de kust van Martha's Vineyard. In elke wedstrijd, de koers van één AUV werd bepaald door het tijdoptimale pad van het team, terwijl een andere AUV een pad volgde met de kortste afstand naar dezelfde bestemming.

'Het was gespannen - wie gaat er winnen?' herinnert Subramani zich. "Dit was het moment van de waarheid voor ons, na al die jaren van theoretische ontwikkeling met wiskundige vergelijkingen en bewijzen."

Het werk van het team heeft zijn vruchten afgeworpen. Bij elke wedstrijd, de AUV die onder de voorspelling van het team werkte, bereikte als eerste zijn bestemming, ongeveer 15 procent sneller presteren dan de concurrerende AUV. De voorspelling van het team hielp de winnende AUV sterke stromingen te vermijden die soms de andere AUV blokkeerden.

"Het was geweldig, "zegt Kulkarni. "Hoewel de twee paden fysiek maar minder dan anderhalve kilometer van elkaar verwijderd waren, het volgen van onze voorspellingen leverde een reistijdwinst van 15 procent op. Het laat zien dat onze paden echt tijdsoptimaal zijn."

Onder andere toepassingen, Lermusiaux, als lid van MIT's Tata Center for Technology and Design, zijn oceaanvoorspellingsmethoden zal toepassen om observaties voor de kust van India te begeleiden, waar de voertuigen zullen worden belast met het toezicht op de visserij om een ​​potentieel goedkoop beheersysteem te bieden.

"AUV's zijn niet erg snel, en hun autonomie is niet oneindig, dus je moet echt rekening houden met de stromingen en hun onzekerheden, en de dingen rigoureus modelleren, Lermusiaux zegt. "Machine-intelligentie voor deze autonome systemen komt van het rigoureus afleiden en samenvoegen van de differentiaalvergelijkingen en principes met controletheorie, informatie theorie, en machinaal leren."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.