AI赋能无人机利用洋流自主导航
加州理工、苏黎世联邦理工和哈佛工程师正开发人工智能（AI），让自主无人机利用洋流辅助导航，而非对抗洋流。
“当我们要让机器人探索深海，尤其是成群时，从水面2万英尺外用操纵杆控制几乎不可能。我们也无法提供它们导航所需的局部洋流数据，因为水面无法探测。因此，在某个节点，海洋无人机必须能自主决定如何移动，”John O. Dabiri教授说。
AI性能经计算机仿真测试，但团队也开发运行算法的掌心大小机器人，其微型计算机芯片可为地球和其他行星海洋无人机供电。目标创建自主系统监测地球海洋状况，例如结合他们先前开发的帮助水母更快按命令游动的假肢使用算法。运行算法的全机械机器人甚至可探索其他世界海洋，如土卫二或木卫二。
无论哪种场景，无人机需自主决定去向及最有效路径。为此，它们可能仅有自身收集的数据——当前经历的水流信息。
为应对挑战，研究人员转向强化学习（RL）网络。与传统神经网络不同，RL网络不在静态数据集训练，而是尽可能快从收集经验中训练。这使它们能存在于更小计算机上。为本项目，团队编写可安装运行在Teensy上的软件——2.4×0.7英寸微控制器，亚马逊不到30美元购买，仅耗约0.5瓦功率。
用水中障碍物产生反向移动涡旋的流体仿真，团队教AI利用涡旋尾流低速区滑行至目标位置，最小化功耗。为辅助导航，模拟游动者仅获取其即时位置水流信息，却很快学会利用涡旋滑向目标。在物理机器人中，AI类似仅能从车载陀螺仪和加速度计获取信息，两者对机器人平台相对小且低成本。
这种导航类似鹰隼利用热气流在空中滑翔，从气流提取能量以最小能量机动至目标位置。令人惊讶的是，研究人员发现其强化学习算法能学到比真实海洋鱼类被认为使用的更有效导航策略。
技术仍在起步：团队目前想在海洋任务可能遇到的每种流体扰动类型测试AI——如旋转涡旋与流式潮汐流——评估野外有效性。但通过将海洋流体物理知识融入强化学习策略，研究人员旨在克服此限制。研究证明RL网络应对此挑战潜在有效性——特别是能在如此小设备运行。为实地尝试，团队将Teensy放在定制无人机“CARL-Bot”（加州理工自主强化学习机器人）上。CARL-Bot将投入加州理工新建两层楼高水箱，学习导航洋流。
传感器