Att observera världshaven är alltmer ett uppdrag som tilldelas autonoma undervattensfarkoster (AUV) – marinrobotar som är designade för att driva, kör, eller glida genom havet utan någon realtidsinput från mänskliga operatörer. Kritiska frågor som AUV:er kan hjälpa till att besvara är var, när, och vad du ska prova för att få den mest informativa informationen, och hur man optimalt når provtagningsplatser.

MIT-ingenjörer har nu utvecklat system med matematiska ekvationer som förutsäger de mest informativa data att samla in för ett givet observationsuppdrag, och det bästa sättet att nå provtagningsplatserna.

Med deras metod, forskarna kan förutsäga i vilken grad en variabel, som havsströmmarnas hastighet på en viss plats, avslöjar information om någon annan variabel, såsom temperatur på någon annan plats - en mängd som kallas "ömsesidig information". Om graden av ömsesidig information mellan två variabler är hög, en AUV kan programmeras att gå till vissa platser för att mäta en variabel, för att få information om den andre.

Teamet använde sina ekvationer och en havsmodell som de utvecklade, kallad multidisciplinär simulering, Uppskattning, och assimileringssystem (MSEAS), i havsexperiment för att framgångsrikt förutse fält med ömsesidig information och vägleda faktiska AUV.

"Alla data är inte lika, " säger Arkopal Dutt, en doktorand vid MIT:s institution för maskinteknik. "Våra kriterier ... tillåter de autonoma maskinerna att lokalisera sensorplatser och samplingstider där de mest informativa mätningarna kan göras."

För att avgöra hur man säkert och effektivt når idealiska provtagningsdestinationer, forskarna utvecklade ett sätt att hjälpa AUV:er att använda det osäkra havets aktivitet, genom att förutsäga en "nåbarhetsfront" - en dynamisk tredimensionell region av havet som en AUV garanterat skulle nå inom en viss tid, med tanke på AUV:s kraftbegränsningar och havets strömmar. Teamets metod gör det möjligt för ett fordon att surfa på strömmar som skulle föra det närmare sin destination, och undvika de som skulle kasta det av spåret.

När forskarna jämförde sina nåbarhetsprognoser med rutter för faktiska AUV:er som observerar en region i Arabiska havet, de fann att deras förutsägelser matchade var fordonen kunde navigera, under långa tidsperioder.

I sista hand, teamets metoder ska hjälpa fordon att utforska havet på en intelligent, energieffektivt sätt.

"Autonoma marina robotar är våra scouter, trotsar det hårda havet för att samla in data åt oss, " säger civilingenjörsstudenten Deepak Subramani. "Våra matematiska ekvationer hjälper scouterna att nå de önskade platserna och minska sin energianvändning genom att intelligent använda havsströmmarna."

Forskarna, ledd av Pierre Lermusiaux, professor i maskinteknik och havsvetenskap och teknik vid MIT, har lagt ut sina resultat i en tidning som snart kommer att dyka upp i en volym av bokserien, "Havet, " publicerad av Journal of Marine Research.

Förutom Dutt och Subramani, Lermusiauxs team inkluderar Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito, och Sudip Jana, allt från institutionen för maskinteknik.

Sök efter den mest informativa informationen

För att validera deras tillvägagångssätt, forskarna visade att de framgångsrikt kunde förutsäga de mätningar som var mest informativa för en varierad uppsättning mål. Till exempel, de förutser de observationer som var optimala för att testa vetenskapliga hypoteser, lära sig om själva havsmodellekvationerna är korrekta eller inte, uppskatta parametrar för marina ekosystem, och upptäcka närvaron av sammanhängande strukturer i havet. De bekräftade att deras optimala observationer var 50 till 150 procent mer informativa än en genomsnittlig observation.

För att nå de optimala observationsplatserna, AUV:er måste navigera genom havet. Traditionellt, planeringsvägar för robotar har gjorts i relativt statiska miljöer. Men att planera genom havet är en annan historia, eftersom starka strömmar och virvlar ständigt kan förändras, vara osäker, och trycka av ett fordon från dess förplanerade kurs.

MIT-teamet utvecklade alltså vägplaneringsalgoritmer från grundläggande principer med havet i åtanke. De modifierade en befintlig ekvation, känd som Hamilton-Jacobis ekvation, för att bestämma en AUV:s nåbarhetsfront, eller den längsta omkretsen som ett fordon garanterat kommer att nå inom en given tidsperiod. Ekvationen är baserad på tre huvudvariabler:tid, ett fordons specifika framdrivningsbegränsningar, och advektion, eller transporten av de dynamiska havsströmmarna – en variabel som gruppen förutsäger genom att använda sin MSEAS havsmodell.

Med det nya systemet, AUV:erna kan kartlägga de möjliga mest informativa vägarna och anpassa sina provtagningsplaner när de osäkra havsströmmarna förändras över tiden. I en första stor, öppet hav test, teamet beräknade probabilistiska framkomlighetsfronter och de mest informativa vägarna för autonoma flottörer och segelflygplan i Indiska oceanen, som en del av Northern Arabian Sea Circulation-Autonomous Research (NASCar) initiativ från Office of Naval Research (ONR).

Under flera månader, forskarna, arbetar från sina MIT-kontor, tillhandahållit dagliga tillgänglighetsprognoser till ONR-teamet för att hjälpa undervattensfarkosterna, samla in optimala observationer längs vägen.

"Det var i princip inte mycket sömn, " minns Lermusiaux. "Prognoserna var tre till sju dagar ute, och vi skulle assimilera data och uppdatera varje dag. Vi klarade oss ganska bra. I genomsnitt, segelflygplanen och flottörerna hamnade där man önskade och inom de probabilistiska områden som vi förutspådde."

Ett ögonblick av sanning lönar sig

Lermusiaux och hans kollegor använde också sina system för att planera "tidsoptimala vägar" - banor som skulle få en AUV till en viss plats på kortast tid, med tanke på de prognostiserade havsströmförhållandena.

Med kollegor från MIT Lincoln Laboratory och Woods Hole Oceanographic Institution, de testade dessa tidsoptimala banor i realtid genom att hålla "race" mellan identiska framdrivna AUV:er, utanför Martha's Vineyards kust. I varje lopp, en AUV:s kurs bestämdes av lagets tidsoptimala väg, medan en annan AUV följde en stig med kortast avstånd till samma destination.

"Det var spänt - vem vinner?" minns Subramani. "Detta var sanningens ögonblick för oss, efter alla dessa år av teoretisk utveckling med matematiska ekvationer och bevis."

Teamets arbete gav resultat. I varje lopp, AUV:n som arbetar under lagets prognos nådde sin destination först, presterar cirka 15 procent snabbare än konkurrerande AUV. Lagets prognos hjälpte den vinnande AUV:en att undvika starka strömmar som ibland blockerade den andra AUV:n.

"Det var fantastiskt, " säger Kulkarni. "Även om de två vägarna fysiskt bara låg mindre än en mil från varandra, att följa våra förutsägelser gav upp till 15 procents minskning av restiderna. Det visar att våra vägar verkligen är tidsoptimala."

Bland andra applikationer, Lermusiaux, som medlem av MIT:s Tata Center for Technology and Design, kommer att tillämpa sina havsprognosmetoder för att hjälpa till att vägleda observationer utanför Indiens kust, där fordonen kommer att få i uppdrag att övervaka fisket för att tillhandahålla ett potentiellt lågkostnadsförvaltningssystem.

"AUV:er är inte särskilt snabba, och deras autonomi är inte oändlig, så du måste verkligen ta hänsyn till strömmarna och deras osäkerheter, och modellera saker noggrant, " Lermusiaux säger. "Maskinintelligens för dessa autonoma system kommer från att noggrant härleda och slå samman styrande differentialekvationer och principer med kontrollteori, informationsteori, och maskininlärning."

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.