Sabemos muito menos sobre os oceanos da Terra do que sobre a superfície da lua ou de Marte. O fundo do mar é esculpido com cânions extensos, imponentes montes submarinos, trincheiras profundas, e penhascos íngremes, a maioria dos quais são considerados muito perigosos ou inacessíveis para veículos autônomos subaquáticos (AUV) para navegar.

Mas e se a recompensa por atravessar esses lugares valesse o risco?

Os engenheiros do MIT desenvolveram um algoritmo que permite que os AUVs avaliem os riscos e as recompensas potenciais de explorar uma região desconhecida. Por exemplo, se um veículo com a tarefa de identificar infiltrações de óleo submersas se aproximou de um declive, trincheira rochosa, o algoritmo pode avaliar o nível de recompensa (a probabilidade de que exista uma infiltração de óleo perto desta trincheira), e o nível de risco (a probabilidade de colisão com um obstáculo), se fosse pegar um caminho através da trincheira.

"Se fôssemos muito conservadores com nosso veículo caro, dizendo que sua capacidade de sobrevivência era fundamental acima de tudo, então não encontraríamos nada de interesse, "Ayton diz." Mas se entendermos que há uma troca entre a recompensa do que você coleta, e o risco ou ameaça de ir em direção a essas geografias perigosas, podemos correr certos riscos quando vale a pena. "

Ayton diz que o novo algoritmo pode calcular compensações de risco versus recompensa em tempo real, como um veículo, decide onde explorar a seguir. Ele e seus colegas do laboratório de Brian Williams, professor de aeronáutica e astronáutica, estão implementando este algoritmo e outros em AUVs, com a visão de implantar frotas de negrito, exploradores robóticos inteligentes para uma série de missões, incluindo a procura de depósitos de petróleo offshore, investigando o impacto das mudanças climáticas nos recifes de coral, e explorar ambientes extremos análogos à Europa, uma lua de Júpiter coberta de gelo que a equipe espera que os veículos um dia atravessem.

"Se fôssemos para Europa e tivéssemos uma razão muito forte para acreditar que poderia haver uma observação de um bilhão de dólares em uma caverna ou fenda, o que justificaria o envio de uma espaçonave para a Europa, então, com certeza quereríamos correr o risco de entrar naquela caverna, "Ayton diz." Mas algoritmos que não consideram o risco nunca vão encontrar essa observação potencialmente alteradora da história. "

Ayton e Williams, junto com Richard Camilli da Woods Hole Oceanographic Institution, irá apresentar seu novo algoritmo na conferência Association for the Advancement of Artificial Intelligence esta semana em Honolulu.

Um caminho ousado

O novo algoritmo da equipe é o primeiro a permitir "amostragem adaptativa limitada pelo risco". Uma missão de amostragem adaptativa é projetada, por exemplo, para adaptar automaticamente o caminho de um AUV, com base em novas medições que o veículo realiza ao explorar uma determinada região. A maioria das missões de amostragem adaptativa que consideram o risco normalmente o fazem encontrando caminhos com um concreto, nível de risco aceitável. Por exemplo, Os AUVs podem ser programados para traçar apenas caminhos com uma chance de colisão que não exceda 5 por cento.

Mas os pesquisadores descobriram que a contabilização apenas do risco poderia limitar severamente as recompensas potenciais de uma missão.

"Antes de entrarmos em uma missão, queremos especificar o risco que estamos dispostos a correr por um certo nível de recompensa, "Ayton diz." Por exemplo, se um caminho nos levasse a mais fontes hidrotermais, estaríamos dispostos a assumir esse risco, mas se não vamos ver nada, estaríamos dispostos a correr menos riscos. "

O algoritmo da equipe coleta dados batimétricos, ou informações sobre a topografia do oceano, incluindo quaisquer obstáculos circundantes, junto com a dinâmica do veículo e medições inerciais, para calcular o nível de risco para um determinado caminho proposto. O algoritmo também leva em conta todas as medições anteriores que o AUV fez, para calcular a probabilidade de que tais medidas de alta recompensa possam existir ao longo do caminho proposto.

Se a relação risco-recompensa atingir um certo valor, determinado por cientistas de antemão, então o AUV segue em frente com o caminho proposto, fazer mais medições que realimentam o algoritmo para ajudá-lo a avaliar o risco e a recompensa de outros caminhos à medida que o veículo avança.

Os pesquisadores testaram seu algoritmo em uma simulação de uma missão AUV a leste do porto de Boston. Eles usaram dados batimétricos coletados na região durante uma pesquisa anterior da NOAA, e simulou um AUV explorando a uma profundidade de 15 metros através de regiões com temperaturas relativamente altas. Eles analisaram como o algoritmo planejou a rota do veículo em três cenários diferentes de risco aceitável.

No cenário com o menor risco aceitável, o que significa que o veículo deve evitar quaisquer regiões que teriam uma chance muito alta de colisão, o algoritmo traçou um caminho conservador, manter o veículo em uma região segura que também não tinha grandes recompensas - neste caso, temperaturas altas. Para cenários de maior risco aceitável, o algoritmo traçou caminhos mais ousados ​​que levavam um veículo por um abismo estreito, e, finalmente, para uma região de alta recompensa.

A equipe também executou o algoritmo em 10, 000 simulações numéricas, gerar ambientes aleatórios em cada simulação para planejar um caminho, e descobri que o algoritmo "troca o risco pela recompensa intuitivamente, realizar ações perigosas apenas quando justificadas pela recompensa. "

Uma inclinação arriscada

Dezembro passado, Ayton, Williams, e outros passaram duas semanas em um cruzeiro na costa da Costa Rica, implantando planadores subaquáticos, em que testaram vários algoritmos, incluindo este mais novo. Em geral, o planejamento do caminho do algoritmo concordou com aqueles propostos por vários geólogos a bordo que estavam procurando as melhores rotas para encontrar infiltrações de óleo.

Ayton diz que houve um momento particular em que o algoritmo limitado por risco provou ser especialmente útil. Um AUV estava subindo em uma queda precária, ou deslizamento de terra, onde o veículo não poderia correr muitos riscos.

"O algoritmo encontrou um método para nos ajudar a superar a crise rapidamente, embora seja o mais valioso, "Ayton diz." Isso nos levou a um caminho que, embora não tenha nos ajudado a descobrir vazamentos de óleo, ajudou-nos a refinar nossa compreensão do meio ambiente. "

“O que foi realmente interessante foi observar como os algoritmos da máquina começaram a 'aprender' após as descobertas de vários mergulhos, e começamos a escolher locais que nós, geólogos, talvez não tivéssemos escolhido inicialmente, "diz Lori Summa, geólogo e investigador convidado da Woods Hole Oceanographic Institution, quem participou do cruzeiro. "Esta parte do processo ainda está evoluindo, mas foi emocionante observar os algoritmos começarem a identificar os novos padrões de grandes quantidades de dados, e acoplar essas informações a um eficiente, estratégia de pesquisa 'segura'. "

Em sua visão de longo prazo, os pesquisadores esperam usar esses algoritmos para ajudar veículos autônomos a explorar ambientes além da Terra.

"Se fôssemos para a Europa e não estivéssemos dispostos a correr nenhum risco para preservar uma sonda, então a probabilidade de encontrar vida seria muito, muito baixo, "Ayton diz." Você tem que arriscar um pouco para obter mais recompensa, o que geralmente é verdade na vida também. "

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.