La observación de los océanos del mundo es cada vez más una misión asignada a los vehículos submarinos autónomos (AUV), robots marinos diseñados para desplazarse, conducir, o deslizarse por el océano sin ninguna información en tiempo real de los operadores humanos. Las preguntas críticas que los AUV pueden ayudar a responder son dónde, cuando, y qué muestrear para obtener los datos más informativos, y cómo llegar de manera óptima a los lugares de muestreo.

Los ingenieros del MIT ahora han desarrollado sistemas de ecuaciones matemáticas que pronostican los datos más informativos para recopilar para una misión de observación determinada. y la mejor forma de llegar a los sitios de muestreo.

Con su método, los investigadores pueden predecir el grado en que una variable, como la velocidad de las corrientes oceánicas en un lugar determinado, revela información sobre alguna otra variable, como la temperatura en algún otro lugar, una cantidad llamada "información mutua". Si el grado de información mutua entre dos variables es alto, un AUV se puede programar para ir a ciertas ubicaciones para medir una variable, para obtener información sobre el otro.

El equipo usó sus ecuaciones y un modelo oceánico que desarrollaron, llamada simulación multidisciplinaria, Estimacion, y sistemas de asimilación (MSEAS), en experimentos marítimos para pronosticar con éxito campos de información mutua y orientar los AUV reales.

"No todos los datos son iguales, "dice Arkopal Dutt, estudiante de posgrado en el Departamento de Ingeniería Mecánica del MIT. "Nuestros criterios ... permiten que las máquinas autónomas identifiquen la ubicación de los sensores y los tiempos de muestreo donde se pueden realizar las mediciones más informativas".

Para determinar cómo llegar de manera segura y eficiente a los destinos de muestreo ideales, los investigadores desarrollaron una forma de ayudar a los AUV a utilizar la actividad incierta del océano, al pronosticar un "frente de accesibilidad", una región dinámica tridimensional del océano que se garantizaría que alcanzaría un AUV en un tiempo determinado, dadas las limitaciones de energía del AUV y las corrientes oceánicas. El método del equipo permite a un vehículo surfear corrientes que lo acercarían a su destino, y evitar aquellos que lo desviarían del camino.

Cuando los investigadores compararon sus pronósticos de accesibilidad con las rutas de los AUV reales que observaban una región del Mar Arábigo, encontraron que sus predicciones coincidían con el lugar donde los vehículos podían navegar, durante largos períodos de tiempo.

Por último, Los métodos del equipo deberían ayudar a los vehículos a explorar el océano de forma inteligente, de manera energéticamente eficiente.

"Los robots marinos autónomos son nuestros exploradores, desafiando los mares agitados para recopilar datos para nosotros, ", dice el estudiante graduado de ingeniería mecánica Deepak Subramani." Nuestras ecuaciones matemáticas ayudan a los exploradores a llegar a los lugares deseados y reducen el uso de energía mediante el uso inteligente de las corrientes oceánicas ".

Los investigadores, dirigido por Pierre Lermusiaux, profesor de ingeniería mecánica y ciencias e ingeniería oceánicas en el MIT, han presentado sus resultados en un artículo que pronto aparecerá en un volumen de la serie de libros, "El mar, "publicado por el Journal of Marine Research.

Además de Dutt y Subramani, El equipo de Lermusiaux incluye a Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito, y Sudip Jana, todo desde el Departamento de Ingeniería Mecánica.

Búsqueda de los datos más informativos

Para validar su enfoque, los investigadores demostraron que podían predecir con éxito las mediciones que eran más informativas para un conjunto variado de objetivos. Por ejemplo, pronosticaron las observaciones que eran óptimas para probar hipótesis científicas, aprender si las ecuaciones del modelo oceánico son correctas o no, estimación de parámetros de ecosistemas marinos, y detectar la presencia de estructuras coherentes en el océano. Confirmaron que sus observaciones óptimas eran entre un 50 y un 150 por ciento más informativas que una observación promedio.

Para llegar a las ubicaciones óptimas de observación, Los AUV deben navegar a través del océano. Tradicionalmente, La planificación de rutas para robots se ha realizado en entornos relativamente estáticos. Pero planificar a través del océano es una historia diferente, como las fuertes corrientes y los remolinos pueden cambiar constantemente, ser inseguro, y empujar un vehículo fuera de su curso preplanificado.

Por lo tanto, el equipo del MIT desarrolló algoritmos de planificación de rutas a partir de principios fundamentales con el océano en mente. Modificaron una ecuación existente, conocida como la ecuación de Hamilton-Jacobi, para determinar el frente de accesibilidad de un AUV, o el perímetro más lejano que se garantiza que alcanzará un vehículo en un período de tiempo determinado. La ecuación se basa en tres variables principales:tiempo, las limitaciones de propulsión específicas de un vehículo, y advección, o el transporte por las corrientes oceánicas dinámicas, una variable que el grupo predice utilizando su modelo oceánico MSEAS.

Con el nuevo sistema, los AUV pueden trazar los caminos más informativos factibles y adaptar sus planes de muestreo a medida que las corrientes inciertas del océano cambian con el tiempo. En un primer gran, prueba en mar abierto, el equipo calculó frentes de accesibilidad probabilística y las rutas más informativas para flotadores y planeadores autónomos en el Océano Índico, como parte de la iniciativa de investigación autónoma sobre la circulación del Mar Arábigo del Norte (NASCar) de la Oficina de Investigación Naval (ONR).

Durante varios meses, los investigadores, trabajando en sus oficinas del MIT, proporcionó pronósticos diarios de accesibilidad al equipo de ONR para ayudar a guiar los vehículos submarinos, recolectando observaciones óptimas a lo largo del camino.

"Básicamente no dormí mucho, "Recuerda Lermusiaux." Los pronósticos eran de tres a siete días, y asimilaríamos datos y los actualizaríamos todos los días. Lo hicimos bastante bien. De media, los planeadores y flotadores terminaron donde se deseaba y dentro de las áreas probabilísticas que predijimos ".

Un momento de la verdad vale la pena

Lermusiaux y sus colegas también utilizaron sus sistemas para planificar "rutas de tiempo óptimo":trayectorias que llevarían un AUV a una determinada ubicación en el menor tiempo posible. dadas las condiciones de la corriente oceánica pronosticadas.

Con colegas del Laboratorio Lincoln del MIT y la Institución Oceanográfica Woods Hole, probaron estas rutas de tiempo óptimo en tiempo real mediante la celebración de "carreras" entre AUV de propulsión idéntica, frente a la costa de Martha's Vineyard. En cada carrera el curso de un AUV fue determinado por la ruta óptima en el tiempo del equipo, mientras que otro AUV siguió un camino con la distancia más corta hasta el mismo destino.

"Fue tenso, ¿quién ganará?" Recuerda Subramani. "Este fue el momento de la verdad para nosotros, después de todos esos años de desarrollo teórico con ecuaciones matemáticas y pruebas ".

El trabajo del equipo dio sus frutos. En cada carrera el AUV que opera según el pronóstico del equipo llegó primero a su destino, funcionando aproximadamente un 15 por ciento más rápido que el AUV de la competencia. El pronóstico del equipo ayudó al AUV ganador a evitar fuertes corrientes que en ocasiones actuaron para bloquear el otro AUV.

"Fue increíble, ", Dice Kulkarni." Aunque físicamente los dos caminos estaban a menos de una milla de distancia, siguiendo nuestras predicciones, se redujo en un 15 por ciento los tiempos de viaje. Muestra que nuestros caminos son realmente óptimos en el tiempo ".

Entre otras aplicaciones, Lermusiaux, como miembro del Tata Center for Technology and Design del MIT, aplicará sus métodos de pronóstico oceánico para ayudar a orientar las observaciones frente a las costas de la India, donde los vehículos tendrán la tarea de monitorear las pesquerías para proporcionar un sistema de gestión potencialmente de bajo costo.

"Los AUV no son muy rápidos, y su autonomía no es infinita, así que realmente hay que tener en cuenta las corrientes y sus incertidumbres, y modelar las cosas con rigor, "Dice Lermusiaux." La inteligencia de las máquinas para estos sistemas autónomos proviene de derivar y fusionar rigurosamente las ecuaciones diferenciales de gobierno y los principios con la teoría de control, Teoría de la información, y aprendizaje automático ".

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.