Vi vet mycket mindre om jordens hav än om månens eller Mars yta. Havsbotten är huggen med vidsträckta kanjoner, höga sjöberg, djupa skyttegravar, och rena klippor, varav de flesta anses vara för farliga eller otillgängliga för autonoma undervattensfordon (AUV) att navigera.

Men vad händer om belöningen för att korsa sådana platser var värd risken?

MIT-ingenjörer har nu utvecklat en algoritm som låter AUV:er väga riskerna och potentiella fördelarna med att utforska en okänd region. Till exempel, om ett fordon med uppgift att identifiera undervattensolja sipprar närmade sig en brant, stenig skyttegrav, Algoritmen kan bedöma belöningsnivån (sannolikheten att ett oljeläckage finns nära detta dike), och risknivån (sannolikheten för att kollidera med ett hinder), om den skulle ta en väg genom diket.

"Om vi ​​var väldigt konservativa med vårt dyra fordon, sade att dess överlevnadsförmåga var av största vikt framför allt, då skulle vi inte hitta något av intresse, " säger Ayton. "Men om vi förstår att det finns en avvägning mellan belöningen av det du samlar in, och risken eller hotet att gå mot dessa farliga geografier, vi kan ta vissa risker när det är värt besväret."

Ayton säger att den nya algoritmen kan beräkna avvägningar mellan risk och belöning i realtid, som ett fordon bestämmer vart det ska utforskas härnäst. Han och hans kollegor i Brian Williams labb, professor i flyg- och astronautik, implementerar denna algoritm och andra på AUV, med visionen att distribuera flottor av djärva, intelligenta robotutforskare för ett antal uppdrag, inklusive letar efter oljefyndigheter till havs, undersöker klimatförändringarnas inverkan på korallrev, och utforska extrema miljöer analoga med Europa, en istäckt måne av Jupiter som teamet hoppas att fordon en dag ska korsa.

"Om vi ​​åkte till Europa och hade en mycket stark anledning att tro att det kan finnas en observation för miljarder dollar i en grotta eller springa, vilket skulle motivera att skicka en rymdfarkost till Europa, då skulle vi absolut vilja riskera att gå in i den där grottan, "Ayton säger. "Men algoritmer som inte tar hänsyn till risker kommer aldrig att hitta den där potentiellt historieförändrande observationen."

Ayton och Williams, tillsammans med Richard Camilli från Woods Hole Oceanographic Institution, kommer att presentera sin nya algoritm på konferensen Association for the Advancement of Artificial Intelligence denna vecka i Honolulu.

En djärv väg

Teamets nya algoritm är den första som möjliggör "riskgränsad adaptiv sampling." Ett adaptivt samplingsuppdrag är utformat, till exempel, att automatiskt anpassa en AUV:s väg, baserat på nya mätningar som fordonet tar när det utforskar en viss region. De flesta adaptiva provtagningsuppdrag som överväger risk gör det vanligtvis genom att hitta vägar med en betong, acceptabel risknivå. Till exempel, AUV:er kan programmeras för att endast kartlägga banor med en risk för kollision som inte överstiger 5 procent.

Men forskarna fann att enbart redovisning av risk kan allvarligt begränsa ett uppdrags potentiella belöningar.

"Innan vi går ut i ett uppdrag, vi vill specificera risken vi är villiga att ta för en viss nivå av belöning, " säger Ayton. "Till exempel, om en väg skulle ta oss till fler hydrotermiska ventiler, vi skulle vara villiga att ta denna mängd risk, men om vi inte ska se något, vi skulle vara villiga att ta mindre risk."

Teamets algoritm tar in batymetriska data, eller information om havstopografin, inklusive eventuella omgivande hinder, tillsammans med fordonets dynamik och tröghetsmätningar, att beräkna risknivån för en viss föreslagen väg. Algoritmen tar också in alla tidigare mätningar som AUV har gjort, för att beräkna sannolikheten för att sådana mätningar med hög belöning kan existera längs den föreslagna vägen.

Om risk/avkastningsförhållandet når ett visst värde, bestämt av forskare i förväg, sedan går AUV vidare med den föreslagna vägen, tar fler mätningar som återkopplas till algoritmen för att hjälpa den att utvärdera risken och belöningen för andra vägar när fordonet rör sig framåt.

Forskarna testade sin algoritm i en simulering av ett AUV-uppdrag öster om Boston Harbor. De använde batymetriska data som samlats in från regionen under en tidigare NOAA-undersökning, och simulerade en AUV som utforskar på ett djup av 15 meter genom regioner vid relativt höga temperaturer. De tittade på hur algoritmen planerade fordonets rutt under tre olika scenarier med acceptabel risk.

I scenariot med den lägsta acceptabla risken, vilket innebär att fordonet bör undvika alla områden som skulle ha en mycket stor risk för kollision, algoritmen kartlade en konservativ väg, hålla fordonet i en säker region som inte heller hade några höga belöningar – i det här fallet, höga temperaturer. För scenarier med högre acceptabel risk, Algoritmen kartlade djärvare vägar som tog ett fordon genom en smal avgrund, och slutligen till en region med hög belöning.

Teamet körde också algoritmen genom 10, 000 numeriska simuleringar, generera slumpmässiga miljöer i varje simulering genom vilka man planerar en väg, och fann att algoritmen "växer bort risk mot belöning intuitivt, vidta farliga handlingar endast när det är motiverat av belöningen."

En riskfylld backe

Förra december, Ayton, Williams, och andra tillbringade två veckor på en kryssning utanför Costa Ricas kust, utplacera undervattensflygplan, där de testade flera algoritmer, inklusive denna nyaste. För det mesta, Algoritmens vägplanering stämde överens med de som föreslagits av flera ombordgeologer som letade efter de bästa vägarna för att hitta oljeläckage.

Ayton säger att det var ett speciellt ögonblick då den riskbundna algoritmen visade sig vara särskilt praktisk. En AUV var på väg upp i en osäker svacka, eller jordskred, där fordonet inte kunde ta alltför stora risker.

"Algorithmen hittade en metod för att snabbt få oss upp i svackan, samtidigt som det är mest värdefullt, " säger Ayton. "Det tog oss upp på en väg som även om det inte hjälpte oss att upptäcka oljeläckage, det hjälpte oss att förfina vår förståelse för miljön."

"Det som verkligen var intressant var att se hur maskinalgoritmerna började "lära sig" efter upptäckten av flera dyk, och började välja platser som vi geologer kanske inte hade valt från början, " säger Lori Summa, en geolog och gästutredare vid Woods Hole Oceanographic Institution, som deltog i kryssningen. "Den här delen av processen är fortfarande under utveckling, men det var spännande att se algoritmerna börja identifiera de nya mönstren från stora mängder data, och koppla den informationen till en effektiv, "säker" sökstrategi."

I sin långsiktiga vision, forskarna hoppas kunna använda sådana algoritmer för att hjälpa autonoma fordon att utforska miljöer bortom jorden.

"Om vi ​​åkte till Europa och inte var villiga att ta några risker för att bevara en sond, då skulle sannolikheten att hitta liv vara mycket, väldigt låg, " Ayton säger. "Du måste riskera lite för att få mer belöning, vilket i allmänhet är sant i livet också."

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.