Mühendisler Yapay Zekaya Okyanusta Asgari Enerjiyle Gezinmeyi Öğretiyor

John Dabiri (R) ve Peter Gunnarson (L), Caltech’te CARL-bot’u test ediyor. Kredi bilgileri: Caltech

Caltech, ETH Zürih ve Harvard’daki mühendisler, otonom dronların, okyanus akıntıları arasında savaşmak yerine, navigasyonlarına yardımcı olmak için okyanus akıntılarını kullanmalarına izin verecek bir yapay zeka (AI) geliştiriyor.

“Robotların derin okyanusu, özellikle sürülerde keşfetmelerini istediğimizde, onları yüzeyden 20.000 fit öteden bir joystick ile kontrol etmek neredeyse imkansız. Ayrıca onlara gezinmeleri gereken yerel okyanus akıntıları hakkında veri sağlayamıyoruz çünkü Caltech Centennial Havacılık ve Makine Mühendisliği Profesörü John O. Dabiri, “Onları yüzeyden tespit edemeyiz. Bunun yerine, belirli bir noktada, nasıl hareket edeceklerine dair kararlar alabilmek için okyanusta taşınan dronlara ihtiyacımız var” diyor. ve tarafından yayınlanan araştırma hakkında bir makalenin ilgili yazarı Doğa İletişimi 8 Aralık’ta

AI’nın performansı bilgisayar simülasyonları kullanılarak test edildi, ancak çabanın arkasındaki ekip, algoritmayı hem Dünya’da hem de diğer gezegenlerde denizde uçan dronlara güç verebilecek küçük bir bilgisayar çipinde çalıştıran avuç içi büyüklüğünde küçük bir robot geliştirdi. Amaç, örneğin denizanasının daha hızlı ve komuta üzerinde yüzmesine yardımcı olmak için daha önce geliştirdikleri protezlerle birlikte algoritmayı kullanarak, gezegenin okyanuslarının durumunu izlemek için otonom bir sistem oluşturmak olacaktır. Algoritmayı çalıştıran tamamen mekanik robotlar, Enceladus veya Europa gibi diğer dünyalardaki okyanusları bile keşfedebilir.

Her iki senaryoda da, insansız hava araçlarının nereye gidecekleri ve oraya ulaşmanın en verimli yolu hakkında kendi kararlarını verebilmeleri gerekecek. Bunu yapmak için, muhtemelen yalnızca kendi toplayabilecekleri verilere, yani şu anda deneyimledikleri su akıntılarına ilişkin bilgilere sahip olacaklardır.

Bu zorluğun üstesinden gelmek için araştırmacılar, pekiştirmeli öğrenme (RL) ağlarına yöneldiler. Geleneksel sinir ağları ile karşılaştırıldığında, pekiştirmeli öğrenme ağları statik bir veri seti üzerinde eğitim almazlar, bunun yerine deneyim toplayabildikleri kadar hızlı eğitim alırlar. Bu şema, onların çok daha küçük bilgisayarlarda var olmalarını sağlar – bu projenin amaçları doğrultusunda, ekip bir Teensy’ye kurulabilen ve çalıştırılabilen bir yazılım yazdı – herkesin 30 dolardan daha az bir fiyata satın alabileceği 2,4’e 0,7 inçlik bir mikro denetleyici Amazon ve bu sadece yaklaşık yarım watt güç kullanır.






Ekip, sudaki bir engeli geçen akışın zıt yönlerde hareket eden birkaç girdap oluşturduğu bir bilgisayar simülasyonu kullanarak, yapay zekaya girdapların ardından düşük hızlı bölgelerden yararlanacak şekilde gezinmeyi öğretti. kullanılan minimum güç ile hedef konum. Seyrüseferine yardımcı olmak için, simüle edilmiş yüzücü yalnızca bulunduğu yerdeki su akıntıları hakkındaki bilgilere erişebildi, ancak kısa sürede girdapları kullanarak istenen hedefe doğru ilerlemeyi öğrendi. Fiziksel bir robotta, AI benzer şekilde yalnızca, robotik bir platform için hem nispeten küçük hem de düşük maliyetli sensörler olan yerleşik bir jiroskop ve ivmeölçerden toplanabilecek bilgilere erişebilir.

Bu tür navigasyon, kartalların ve şahinlerin, hava akımlarından enerji çekerek, istenen bir yere minimum enerji harcanarak manevra yapmalarına benzer. Şaşırtıcı bir şekilde, araştırmacılar, takviyeli öğrenme algoritmalarının, okyanusta gerçek balıklar tarafından kullanıldığı düşünülenlerden bile daha etkili navigasyon stratejilerini öğrenebileceğini keşfettiler.

Dabiri, “Başlangıçta sadece AI’nın gerçek yüzen hayvanlarda bulunan navigasyon stratejileriyle rekabet edebileceğini umuyorduk, bu yüzden bilgisayarda tekrarlanan denemelerden yararlanarak daha da etkili yöntemler öğrendiğini görünce şaşırdık” diyor.

Teknoloji hala emekleme aşamasında: Şu anda ekip, etkinliğini değerlendirmek için AI’yı okyanustaki bir görevde karşılaşabileceği her farklı akış bozukluğu türü üzerinde (örneğin, dönen girdaplara karşı akan gelgit akımları) test etmek istiyor. vahşi doğada Bununla birlikte, araştırmacılar, okyanus akışı fiziği bilgilerini pekiştirmeli öğrenme stratejisine dahil ederek bu sınırlamanın üstesinden gelmeyi amaçlıyorlar. Mevcut araştırma, özellikle bu tür küçük cihazlarda çalışabildikleri için RL ağlarının bu zorluğun üstesinden gelmedeki potansiyel etkinliğini kanıtlıyor. Bunu sahada denemek için ekip, Teensy’yi “CARL-Bot” (Caltech Otonom Güçlendirme Öğrenen Robot) adlı özel yapım bir drone üzerine yerleştiriyor. CARL-Bot, Caltech’in kampüsünde yeni inşa edilmiş iki katlı bir su tankına bırakılacak ve okyanusun akıntılarında gezinmeyi öğretecek.

Caltech’te yüksek lisans öğrencisi ve kitabın baş yazarı Peter Gunnarson, “Robot yalnızca öğrenmekle kalmayacak, aynı zamanda okyanus akıntılarını ve bunların içinden nasıl geçileceğini de öğreneceğiz” diyor. Doğa İletişimi kağıt.


Air Learning: Hava robotu navigasyonu için derin takviye algoritmaları eğitmek için bir spor salonu ortamı


Daha fazla bilgi:
Peter Gunnarson ve diğerleri, Girdaplı akış alanlarında verimli navigasyonu öğrenmek, Doğa İletişimi (2021). DOI: 10.1038 / s41467-021-27015-y

California Teknoloji Enstitüsü tarafından sağlanmıştır

Alıntı: Mühendisler yapay zekaya okyanusta minimum enerjiyle gezinmeyi öğretiyor (2021, 8 Aralık) 8 Aralık 2021’de https://techxplore.com/news/2021-12-ai-ocean-minimal-energy.html adresinden alındı

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Mühendisler #yapay #zekaya #minimum #enerjiyle #okyanusta #gezinmeyi #öğretiyor