【前沿】工程师对海洋机器人进行编程以计算风险

我们对地球海洋的了解远远少于对月球或火星表面的了解。海底雕刻着广阔的峡谷，高耸的海山，深壕和陡峭的悬崖，其中大部分被认为太危险或无法用自主水下航行器（AUV）进行导航。

但是，如果穿越这些地方后获得的结果值得让我们冒险呢？

麻省理工学院的工程师现在开发了一种算法，可以让AUV权衡探索未知区域的风险和潜在回报。例如，如果负责识别水下石油渗漏的车辆靠近陡峭的岩石沟渠，该算法可以评估奖励水平（在该沟槽附近存在油渗漏的概率），以及风险等级（与之相撞的概率）和障碍物。

艾顿说，新算法可以实时计算风险与奖励的权衡，因为车辆决定下一步探索的位置。他和他在航空航天教授布莱恩威廉姆斯实验室的同事正在实施这种算法以及其他有关AUV的算法，其愿景是为大量任务部署大胆智能机器人探险队，包括寻找海上石油储藏，调查气候变化对珊瑚礁的影响，并探索类似于木卫二的极端环境，这是一个冰雪覆盖的木星卫星，该团队希望有一天能够将车辆穿越这里。

“如果我们去欧罗巴，并且有充分的理由相信在洞穴或裂缝中可能有数十亿美元的观测资料，这样可以证明向欧罗巴发送航天器是合理的，那么我们绝对会想冒险进入那个洞穴， “艾顿说。“但是，不考虑风险的算法永远不会发现可能改变历史的观察结果。”

艾尔顿和威廉姆斯以及伍兹霍尔海洋研究所的理查德卡米利将于本周在檀香山举行的人工智能促进协会会议上展示他们的新算法。

一条大胆的道路

该团队的新算法是第一个实现“风险限制自适应采样”的算法。例如，自适应采样任务被设计为基于车辆在探测给定区域时所采用的新测量来自动调整AUV的路径。考虑风险的大多数自适应采样任务通常通过找到具有可接受风险水平的具体路径来实现。例如，AUV可以被编程为仅绘制具有不超过5％的碰撞机会的路径。

但研究人员发现仅仅考虑风险可能会严重限制任务的潜在回报。

“在我们执行任务之前，我们希望指定我们愿意承担一定程度奖励的风险。”艾顿说。“例如，如果一条道路将我们带到热液喷口，我们愿意承担这一风险，但如果我们不会看到任何东西，我们愿意冒更小的风险。”

该团队的算法接收测深数据，或有关海洋地形的信息，包括任何周围的障碍物，以及车辆的动力学和惯性测量，以计算某个建议路径的风险等级。该算法还接受AUV已经采取的所有先前测量，以计算沿着所提出的路径可能存在这种高奖励测量的概率。

如果风险回报率达到某个值，由科学家预先确定，那么AUV会继续推进所提出的路径，采取更多的测量结果反馈到算法中，以帮助评估其他路径的风险和回报。

研究人员在波士顿港以东的AUV任务模拟中测试了他们的算法。他们使用了在之前的NOAA调查期间从该地区收集的测深数据，并模拟了在相对较高温度下通过15米深度探测的AUV。他们研究了算法如何在可接受风险的三种不同情景下计划出车辆的路线。

在具有最低可接受风险的情况下，意味着车辆应该避开任何具有非常高的碰撞机会的区域，该算法绘制出保守路径，将车辆保持在也没有任何高回报的安全区域中。在这种情况下，对于具有较高可接受风险的情景，该算法绘制了较大的路径，使车辆通过狭窄的裂口，最终到达高回报区域。

该团队还通过10,000次数值模拟运行算法，在每次模拟中生成随机环境，通过这些模拟计划路径，并发现该算法“直观地降低了对奖励的风险，仅在奖励合理时采取危险行动”。