Sabemos mucho menos sobre los océanos de la Tierra que sobre la superficie de la Luna o Marte. El fondo del mar está tallado con cañones expansivos, altísimos montes submarinos, trincheras profundas, y escarpados acantilados, la mayoría de los cuales se consideran demasiado peligrosos o inaccesibles para que los vehículos submarinos autónomos (AUV) puedan navegar.

Pero, ¿y si la recompensa por atravesar esos lugares valiera la pena?

Los ingenieros del MIT han desarrollado un algoritmo que permite a los AUV sopesar los riesgos y las posibles recompensas de explorar una región desconocida. Por ejemplo, si un vehículo encargado de identificar las filtraciones de petróleo bajo el agua se acercaba a una pendiente, trinchera rocosa, el algoritmo podría evaluar el nivel de recompensa (la probabilidad de que exista una filtración de petróleo cerca de esta zanja), y el nivel de riesgo (la probabilidad de chocar con un obstáculo), si tuviera que tomar un camino a través de la trinchera.

"Si fuéramos muy conservadores con nuestro costoso vehículo, diciendo que su supervivencia era primordial por encima de todo, entonces no encontraríamos nada de interés, "Dice Ayton." Pero si entendemos que hay una compensación entre la recompensa de lo que recolectas, y el riesgo o la amenaza de ir hacia estas geografías peligrosas, podemos correr ciertos riesgos cuando vale la pena ".

Ayton dice que el nuevo algoritmo puede calcular compensaciones de riesgo versus recompensa en tiempo real, como vehículo decide dónde explorar a continuación. Él y sus colegas del laboratorio de Brian Williams, profesor de aeronáutica y astronáutica, están implementando este algoritmo y otros en AUV, con la visión de desplegar flotas de audaces, exploradores robóticos inteligentes para una serie de misiones, incluida la búsqueda de depósitos de petróleo en alta mar, investigar el impacto del cambio climático en los arrecifes de coral, y explorar entornos extremos análogos a Europa, una luna de Júpiter cubierta de hielo que el equipo espera que los vehículos atraviesen algún día.

"Si fuéramos a Europa y tuviéramos una razón muy fuerte para creer que podría haber una observación de mil millones de dólares en una cueva o grieta, lo que justificaría el envío de una nave espacial a Europa, entonces definitivamente querríamos arriesgarnos a entrar en esa cueva, "Dice Ayton." Pero los algoritmos que no consideran el riesgo nunca van a encontrar esa observación que podría cambiar la historia ".

Ayton y Williams, junto con Richard Camilli de la Institución Oceanográfica Woods Hole, presentará su nuevo algoritmo en la conferencia de la Asociación para el Avance de la Inteligencia Artificial esta semana en Honolulu.

Un camino atrevido

El nuevo algoritmo del equipo es el primero en permitir el "muestreo adaptativo limitado por riesgo". Se diseña una misión de muestreo adaptativo, por ejemplo, para adaptar automáticamente la ruta de un AUV, basado en nuevas mediciones que toma el vehículo mientras explora una región determinada. La mayoría de las misiones de muestreo adaptativo que consideran el riesgo lo hacen típicamente encontrando caminos con un nivel de riesgo aceptable. Por ejemplo, Los AUV pueden programarse para trazar solo rutas con una probabilidad de colisión que no exceda el 5 por ciento.

Pero los investigadores encontraron que tener en cuenta el riesgo por sí solo podría limitar severamente las recompensas potenciales de una misión.

"Antes de entrar en una misión, queremos especificar el riesgo que estamos dispuestos a correr por un cierto nivel de recompensa, "Ayton dice". Por ejemplo, si un camino nos llevara a más fuentes hidrotermales, estaríamos dispuestos a correr esta cantidad de riesgo, pero si no vamos a ver nada estaríamos dispuestos a correr menos riesgos ".

El algoritmo del equipo toma datos batimétricos, o información sobre la topografía del océano, incluidos los obstáculos circundantes, junto con la dinámica del vehículo y las mediciones de inercia, para calcular el nivel de riesgo para una determinada ruta propuesta. El algoritmo también toma todas las medidas anteriores que ha tomado el AUV, para calcular la probabilidad de que existan tales mediciones de alta recompensa a lo largo de la ruta propuesta.

Si la relación riesgo-recompensa alcanza un cierto valor, determinado por los científicos de antemano, luego el AUV sigue adelante con el camino propuesto, tomar más medidas que retroalimenten el algoritmo para ayudarlo a evaluar el riesgo y la recompensa de otros caminos a medida que el vehículo avanza.

Los investigadores probaron su algoritmo en una simulación de una misión AUV al este del puerto de Boston. Utilizaron datos batimétricos recopilados de la región durante una encuesta anterior de la NOAA, y simuló un AUV explorando a una profundidad de 15 metros a través de regiones a temperaturas relativamente altas. Observaron cómo el algoritmo planificó la ruta del vehículo en tres escenarios diferentes de riesgo aceptable.

En el escenario con el menor riesgo aceptable, lo que significa que el vehículo debe evitar cualquier región que tenga una probabilidad muy alta de colisión, el algoritmo trazó un camino conservador, mantener el vehículo en una región segura que tampoco tenía recompensas altas; en este caso, altas temperaturas. Para escenarios de mayor riesgo aceptable, el algoritmo trazó caminos más audaces que llevaron a un vehículo a través de un estrecho abismo, y finalmente a una región de alta recompensa.

El equipo también ejecutó el algoritmo a través de 10, 000 simulaciones numéricas, generar entornos aleatorios en cada simulación a través de los cuales planificar un camino, y descubrió que el algoritmo "negocia el riesgo con la recompensa de forma intuitiva, tomar acciones peligrosas solo cuando lo justifique la recompensa ".

Una pendiente arriesgada

El pasado diciembre, Ayton, Williams, y otros pasaron dos semanas en un crucero frente a las costas de Costa Rica, desplegar planeadores submarinos, en el que probaron varios algoritmos, incluyendo este más nuevo. En la mayor parte, La planificación de la ruta del algoritmo coincidía con las propuestas por varios geólogos a bordo que buscaban las mejores rutas para encontrar filtraciones de petróleo.

Ayton dice que hubo un momento particular en el que el algoritmo de riesgo limitado resultó especialmente útil. Un AUV estaba subiendo por una depresión precaria, o deslizamiento de tierra, donde el vehículo no podía correr demasiados riesgos.

"El algoritmo encontró un método para ayudarnos a superar la depresión rápidamente, siendo el más valioso, "Dice Ayton." Nos llevó por un camino que, si bien no nos ayudó a descubrir filtraciones de petróleo, nos ayudó a perfeccionar nuestra comprensión del medio ambiente ".

"Lo que fue realmente interesante fue ver cómo los algoritmos de la máquina comenzaron a 'aprender' después de los hallazgos de varias inmersiones, y comenzamos a elegir sitios que los geólogos no habíamos elegido inicialmente, "dice Lori Summa, un geólogo e investigador invitado en la Institución Oceanográfica Woods Hole, que participó en el crucero. "Esta parte del proceso aún está evolucionando, pero fue emocionante ver cómo los algoritmos comienzan a identificar los nuevos patrones a partir de grandes cantidades de datos, y acoplar esa información a una estrategia de búsqueda 'segura' ".

En su visión a largo plazo, los investigadores esperan utilizar dichos algoritmos para ayudar a los vehículos autónomos a explorar entornos más allá de la Tierra.

"Si fuéramos a Europa y no estuviéramos dispuestos a correr riesgos para preservar una sonda, entonces la probabilidad de encontrar vida sería muy, muy bajo, "Dice Ayton." Tienes que arriesgar un poco para obtener más recompensa, lo cual es generalmente cierto también en la vida ".

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.