加州理工学院、苏黎世邦理工学院和哈佛的工程师正在开发一种人工智能 (AI)，它将允许自主无人机利用洋流来帮助它们导航，而不是在洋流中挣扎。

“当我们想让机器人探索深海时，尤其是成群结队地探索时，几乎不可能在海面 20,000 英尺外用操纵杆控制它们。我们也无法向它们提供有关它们需要导航的当地洋流的数据，因为我们无法从表面检测到它们。相反，在某个时刻，我们需要海上无人机来决定如何自行移动，”加州理工学院航空与机械工程百年教授约翰·O·达比里 (John O. Dabiri) 说12 月 8 日，Nature Communications发表了一篇关于该研究的论文。

人工智能的性能通过计算机模拟进行了测试，但这项工作背后的团队还开发了一个手掌大小的小型机器人，该机器人在微型计算机芯片上运行算法，该芯片可以为地球和其他行星上的海上无人机提供动力。目标是创建一个自主系统来监测地球海洋的状况，例如将该算法与他们之前开发的假肢结合使用，以帮助水母更快地游泳并按照指令进行。运行该算法的全机械机器人甚至可以探索其他世界的海洋，例如土卫二或木卫二。

在任何一种情况下，无人机都需要能够自己决定去哪里以及到达那里的最有效方式。为此，他们可能只有自己可以收集的数据——关于他们目前正在经历的水流的信息。

为了应对这一挑战，研究人员转向了强化学习 (RL) 网络。与传统的神经网络相比，强化学习网络不会在静态数据集上训练，而是尽可能快地训练，以收集经验。这个方案允许它们存在于更小的计算机上——为了这个项目的目的，团队编写了可以安装和运行的软件——一个 2.4 x 0.7 英寸的微控制器，任何人都可以以不到 30 美元的价格购买亚马逊和那只使用大约半瓦的功率。

使用计算机模拟，其中流过水中的障碍物会产生几个向相反方向移动的涡流，该团队教人工智能以这样一种方式导航，即利用涡流后的低速区域滑行到使用最小功率的目标位置。为了帮助其导航，模拟游泳者只能获得有关其附近水流的信息，但它很快就学会了如何利用涡流向所需目标滑行。在物理机器人中，人工智能同样只能访问可以从机载陀螺仪和加速度计收集的信息，这些都是用于机器人平台的相对较小且成本较低的传感器。

这种导航类似于老鹰和老鹰在空中乘坐热气流的方式，从气流中提取能量，以最少的能量移动到所需的位置。令人惊讶的是，研究人员发现他们的强化学习算法可以学习比海洋中真实鱼类所使用的导航策略更有效的导航策略。

“我们最初只是希望 AI 能够与已经在真实游泳动物中发现的导航策略竞争，所以我们惊讶地看到它通过在计算机上反复试验学习更有效的方法，”Dabiri 说。

该技术仍处于起步阶段：目前，该团队希望针对在海洋中执行任务时可能遇到的各种不同类型的流动扰动来测试人工智能——例如，漩涡与流动的潮汐流相比——评估其在野外的有效性。然而，通过将他们的海洋流动物理学知识纳入强化学习策略，研究人员旨在克服这一限制。当前的研究证明了 RL 网络在应对这一挑战方面的潜在有效性——特别是因为它们可以在如此小的设备上运行。为了在现场进行尝试，该团队将 Teensy 放置在名为“CARL-Bot”(加州理工学院自主强化学习机器人)的定制无人机上。CARL-Bot 将被放入加州理工学院校园内新建的两层楼高的水箱中，并教授如何在洋流中航行。

“机器人不仅会学习，我们还会学习洋流以及如何在它们中航行，”加州理工学院研究生、《自然通讯》论文的主要作者彼得·冈纳森说。