深度學習使水下機器人能夠準確掌握水下物體位置
概述
一個研究團隊首次展示了強化學習對於自主車輛和水下機器人的重要性，使它們能夠在海洋中準確保位和追蹤海洋物體和動物。這項研究結果發表在《科學機器人學》雜誌上。水下機器人技術正在成為提高對海洋認識的關鍵工具，在探索海洋困難重重的情況下，這些車輛能夠下潛到 4000 米的深海。它們提供的現地資料有助於補充其他來自衛星等途徑獲取的資料。此技術使我們能夠研究小尺度現象，例如海洋生物對二氧化碳的吸收，有助於調節氣候變化。
強化學習在水下機器人中的應用
這項研究發現，強化學習這種在控制和機器人領域廣泛應用的方法以及在自然語言處理工具如 ChatGPT 中的應用，使水下機器人能夠在任何給定時間學習執行特定目標所需的動作。這種學習方式使得神經網路可以最佳化特定任務，否則這將非常困難實現。舉例來說研究人員能夠證實，這種方法可以最佳化水下車輛的軌跡，以定位和追蹤水下運動物體。這項技術將加深我們對自主機器人的生態現象研究，例如海洋物種的遷徙或小尺度和大尺度運動。同時這一進步將實現透過機器人網路實時監測其他海洋觀測儀器的目標，其中一些機器人可以在水面上進行監測並透過衛星傳輸底部機器人的動作。
融合人工智慧和聲學定位技術
為了實現這項研究，科學家們使用了聲學定位技術，透過在不同點測量距離來估算物體的位置。然而這種技術高度依賴於聲學測距的位置，因此需要應用人工智慧，特別是強化學習，來確保最佳點和最佳機器人運動軌跡。研究人員利用位於巴塞羅那超級計算中心（BSC-CNS）的計算機叢集訓練了神經網路，該中心擁有西班牙最強大的超級計算機之一，也是歐洲最強大的超級計算機之一。這使得可以比使用傳統計算機更快地調整不同算法的引數。在訓練完成後，研究人員在不同的自主車輛上進行了測試，包括 VICOROB 開發的自主水下車輛 AUV Sparus II，實驗任務在巴利阿裏群島的聖費留德吉克索爾斯港口和加利福尼亞州的蒙特雷灣進行，並與蒙特雷灣水生生物靈感實驗室的首席研究員 Kakani Katija 合作。
展望
對於未來的研究，該團隊將研究應用相同的算法來解決更複雜的任務的可能性。例如，使用多個車輛來定位物體，檢測海洋前線和熱層或合作進行海藻噴升透過多平臺強化學習技術。這些研究將進一步推動水下機器人技術的發展，加固對海洋生態系統的認識和保護。
原文網址：https://techxplore.com/news/2023-07-underwater-robots-track.html
