Los ingenieros de Caltech, ETH Zurich y Harvard están desarrollando una inteligencia artificial (IA) que permitirá que los drones autónomos utilicen las corrientes oceánicas para ayudar en su navegación, en lugar de abrirse camino a través de ellas.
“Cuando queremos que los robots exploren las profundidades del océano, especialmente en enjambres, es casi imposible controlarlos con un joystick desde 20.000 pies de distancia en la superficie. Tampoco podemos proporcionarles datos sobre las corrientes oceánicas locales que necesitan para navegar porque no podemos detectarlos desde la superficie. En cambio, en cierto punto, necesitamos drones transportados por el océano para poder tomar decisiones sobre cómo moverse por sí mismos”, dice John O. Dabiri, Profesor Centenario de Ingeniería Mecánica y Aeronáutica de Caltech y autor correspondiente de un artículo sobre la investigación que fue publicado por Nature Communications el 8 de diciembre.
El rendimiento de la IA se probó utilizando simulaciones por computadora, pero el equipo detrás del esfuerzo también ha desarrollado un pequeño robot del tamaño de la palma de la mano que ejecuta el algoritmo en un pequeño chip de computadora que podría impulsar drones marítimos tanto en la Tierra como en otros planetas. El objetivo sería crear un sistema autónomo para monitorear la condición de los océanos del planeta, por ejemplo, usando el algoritmo en combinación con prótesis que desarrollaron previamente para ayudar a las medusas a nadar más rápido y bajo órdenes. Los robots totalmente mecánicos que ejecutan el algoritmo podrían incluso explorar océanos en otros mundos, como Encelado o Europa.
En cualquier escenario, los drones tendrían que poder tomar decisiones por sí mismos sobre a dónde ir y la forma más eficiente de llegar allí. Para hacerlo, es probable que solo tengan datos que puedan recopilar ellos mismos: información sobre las corrientes de agua que están experimentando actualmente.
Para abordar este desafío, los investigadores recurrieron a las redes de aprendizaje por refuerzo (RL). En comparación con las redes neuronales convencionales, las redes de aprendizaje por refuerzo no se entrenan con un conjunto de datos estáticos, sino que se entrenan tan rápido como pueden acumular experiencia. Este esquema les permite existir en computadoras mucho más pequeñas, para los propósitos de este proyecto, el equipo escribió un software que se puede instalar y ejecutar en un Teensy, un microcontrolador de 2.4 por 0.7 pulgadas que cualquiera puede comprar por menos de $30 en Amazon y eso solo usa alrededor de medio vatio de potencia.
Usando una simulación por computadora en la que el flujo de un obstáculo en el agua creaba varios vórtices que se movían en direcciones opuestas, el equipo enseñó a la IA a navegar de tal manera que aprovechaba las regiones de baja velocidad a raíz de los vórtices para avanzar hacia la costa ubicación de destino con un consumo mínimo de energía. Para ayudar a su navegación, el nadador simulado solo tenía acceso a información sobre las corrientes de agua en su ubicación inmediata, pero pronto aprendió cómo explotar los vórtices para deslizarse hacia el objetivo deseado. En un robot físico, la IA de manera similar solo tendría acceso a la información que podría recopilarse de un giroscopio y un acelerómetro a bordo, que son sensores relativamente pequeños y de bajo costo para una plataforma robótica.
Este tipo de navegación es análoga a la forma en que las águilas y los halcones montan térmicas en el aire, extrayendo energía de las corrientes de aire para maniobrar hacia una ubicación deseada con la mínima energía gastada. Sorprendentemente, los investigadores descubrieron que su algoritmo de aprendizaje por refuerzo podría aprender estrategias de navegación que son incluso más efectivas que las que se cree que utilizan los peces reales en el océano.
“Inicialmente, sólo esperábamos que la IA pudiera competir con las estrategias de navegación que ya se encuentran en los animales natadores reales, por lo que nos sorprendió ver que aprendía métodos aún más efectivos al explotar repetidos ensayos en la computadora”, dice Dabiri.
La tecnología aún está en pañales: actualmente, al equipo le gustaría probar la IA en cada tipo diferente de perturbación del flujo que posiblemente encontraría en una misión en el océano, por ejemplo, vórtices arremolinados frente a corrientes de marea continuas, para evaluar su efectividad en la naturaleza. Sin embargo, al incorporar su conocimiento de la física del flujo oceánico dentro de la estrategia de aprendizaje por refuerzo, los investigadores pretenden superar esta limitación. La investigación actual demuestra la eficacia potencial de las redes RL para abordar este desafío, particularmente porque pueden operar en dispositivos tan pequeños. Para probar esto en el campo, el equipo está colocando al Teensy en un dron personalizado llamado “CARL-Bot” (Robot de aprendizaje de refuerzo autónomo de Caltech). El CARL-Bot se colocará en un tanque de agua de dos pisos de altura recién construido en el campus de Caltech y se le enseñará a navegar las corrientes del océano.
“El robot no solo aprenderá, sino que también aprenderemos sobre las corrientes oceánicas y cómo navegar a través de ellas”, dice Peter Gunnarson, estudiante de posgrado en Caltech y autor principal del artículo de Nature Communications.
Fuente: Tech Xplore.
