Engenheiros da Caltech, ETH Zurich e Harvard estãodesenvolvendo uma inteligaªncia artificial (IA) que permitira¡ que drones auta´nomos usem as correntes oceânicas: para auxiliar sua navegação, em vez de abrir caminho atravanãs delas.

“Quando queremos que robôs explorem o oceano profundo, especialmente em enxames, équase impossí­vel controla¡-los com um joystick a 20.000 panãs de distância dasuperfÍcie. Tambanãm não podemos fornecer dados sobre as correntes oceânicas: locais que eles precisam navegar porque não podemos detecta¡-los dasuperfÍcie. Em vez disso, em um determinado ponto, precisamos de drones transportados pelo oceano para poder tomar decisaµes sobre como se mover por conta própria ", diz John O. Dabiri (MS '03, PhD '05) , o centena¡rio Professor de Aerona¡utica e Engenharia Meca¢nica e autor correspondente de um artigo sobre a pesquisa publicado pela Nature Communications em 8 de dezembro.

O desempenho da IA ​​foi testado usando simulações de computador, mas a equipe por trás do esfora§o também desenvolveu um pequeno roba´ do tamanho da palma da ma£o que executa o algoritmo em um minaºsculo chip de computador que pode alimentar drones mara­timos na Terra e em outros planetas. O objetivo seria criar um sistema auta´nomo para monitorar as condições dos oceanos do planeta, por exemplo, usando o algoritmo em combinação com pra³teses que eles desenvolveram anteriormente para ajudar as medusas a nadar mais rápido e sob comando. Roba´s totalmente meca¢nicos que executam o algoritmo podem atéexplorar oceanos em outros mundos, como Enceladus ou Europa.

Em qualquer um dos cenários, os drones precisariam ser capazes de tomar decisaµes por conta própria sobre aonde ir e a maneira mais eficiente de chegar la¡. Para fazer isso, eles provavelmente tera£o apenas dados que eles mesmos possam reunir - informações sobre as correntes de águaque estãoexperimentando no momento.

Para enfrentar esse desafio, os pesquisadores se voltaram para as redes de aprendizagem por reforço (RL). Comparadas a s redes neurais convencionais, as redes de aprendizado por reforço não treinam em um conjunto de dados esta¡ticos, mas sim tão rápido quanto podem coletar experiência. Este esquema permite que existam em computadores muito menores - para os fins deste projeto, a equipe escreveu um software que pode ser instalado e executado em um Teensy - um microcontrolador de 2,4 por 0,7 polegadas que qualquer pessoa pode comprar por menos de US $ 30 em Amazon e usa apenas cerca de meio watt de energia.

Usando uma simulação de computador em que o fluxo passando por um obsta¡culo na águacriava vários va³rtices se movendo em direções opostas, a equipe ensinou a IA a navegar de forma que aproveitasse regiaµes de baixa velocidade na esteira dos va³rtices para navegar atéo local de destino com o ma­nimo de energia usado. Para auxiliar sua navegação, o nadador simulado são teve acesso a s informações sobre as correntes de águaem sua localização imediata, mas logo aprendeu a explorar os va³rtices para navegar em direção ao alvo desejado. Em um roba´ fa­sico, a IA da mesma forma teria acesso apenas a s informações que poderiam ser obtidas de um girosca³pio e acelera´metro a bordo, que são sensores relativamente pequenos e de baixo custo para uma plataforma roba³tica.

Esse tipo de navegação éana¡logo ao modo como a¡guias e falcaµes viajam em tanãrmicas no ar, extraindo energia das correntes de ar para manobrar atéum local desejado com o ma­nimo gasto de energia. Surpreendentemente, os pesquisadores descobriram que seu algoritmo de aprendizagem por reforço pode aprender estratanãgias de navegação que são ainda mais eficazes do que aquelas que se pensa serem usadas por peixes reais no oceano.

“Inicialmente, espera¡vamos que a IA pudesse competir com estratanãgias de navegação já encontradas em animais nadadores reais, por isso ficamos surpresos ao vaª-lo aprender manãtodos ainda mais eficazes, explorando testes repetidos no computador”, disse Dabiri.

A tecnologia ainda estãoem sua infa¢ncia: atualmente, a equipe gostaria de testar a IA em cada tipo diferente de distaºrbio de fluxo que possivelmente encontraria em uma missão no oceano - por exemplo, va³rtices rodopiantes versus correntes de maré- para avaliar sua eficácia Na natureza. No entanto, ao incorporar seu conhecimento da física do fluxo do oceano a  estratanãgia de aprendizagem por reforço, os pesquisadores visam superar essa limitação. A pesquisa atual prova a eficácia potencial das redes RL para lidar com esse desafio - principalmente porque elas podem operar em dispositivos tão pequenos. Para tentar isso em campo, a equipe estãocolocando o Teensy em um drone customizado apelidado de "CARL-Bot" (Caltech Autonomous Reinforcement Learning Robot).

"Nãoapenas o roba´ estara¡ aprendendo, mas também aprenderemos sobre as correntes oceânicas: e como navegar por elas", diz Peter Gunnarson, estudante de graduação na Caltech e autor principal do artigo da Nature Communications .

O artigo éintitulado " Aprendendo navegação eficiente em campos de fluxo vortical ." Os coautores incluem Ioannis Mandralis, estudante de graduação na Caltech, Guido Novati da ETH Zurich na Sua­a§a e Petros Koumoutsakos (PhD '92) da Universidade de Harvard. Esta pesquisa foi financiada pela National Science Foundation Graduate Fellowship para Gunnarson e pelo NSF Waterman Award para Dabiri.