Drones con IA Aprovechan Corrientes Oceánicas para Navegación Autónoma

Ingenieros de Caltech, ETH Zúrich y Harvard están desarrollando inteligencia artificial (IA) que permitirá a drones autónomos usar corrientes oceánicas para ayudar su navegación, en lugar de luchar contra ellas.

"Cuando queremos que robots exploren el océano profundo, especialmente en enjambres, es casi imposible controlarlos con un joystick desde 20.000 pies de distancia en la superficie. Tampoco podemos alimentarlos con datos sobre las corrientes oceánicas locales que necesitan para navegar porque no podemos detectarlas desde la superficie. En su lugar, en cierto punto necesitamos que los drones oceánicos puedan tomar decisiones sobre cómo moverse por sí mismos", dijo el profesor John O. Dabiri.

El rendimiento de la IA se probó usando simulaciones por computadora, pero el equipo detrás del esfuerzo también ha desarrollado un pequeño robot del tamaño de una palma que ejecuta el algoritmo en un diminuto chip de computadora que podría alimentar drones marinos tanto en la Tierra como en otros planetas. El objetivo sería crear un sistema autónomo para monitorizar la condición de los océanos del planeta, por ejemplo, usando el algoritmo en combinación con prótesis que desarrollaron previamente para ayudar a medusas a nadar más rápido y bajo comando. Robots totalmente mecánicos ejecutando el algoritmo podrían incluso explorar océanos en otros mundos, como Encélado o Europa.

En cualquier escenario, los drones necesitarían poder tomar decisiones por sí mismos sobre a dónde ir y la forma más eficiente de llegar. Para hacerlo, probablemente solo tendrán datos que puedan recopilar ellos mismos —información sobre las corrientes de agua que están experimentando actualmente.

Para abordar este desafío, los investigadores recurrieron a redes de aprendizaje por refuerzo (RL). Comparadas con redes neuronales convencionales, las redes de aprendizaje por refuerzo no entrenan en un conjunto de datos estático, sino que entrenan tan rápido como pueden recopilar experiencia. Este esquema les permite existir en computadoras mucho más pequeñas. Para los propósitos de este proyecto, el equipo escribió software que puede instalarse y ejecutarse en un Teensy —un microcontrolador de 2,4 pulgadas por 0,7 pulgadas que cualquiera puede comprar por menos de 30 dólares en Amazon y que solo usa aproximadamente medio vatio de potencia.

Usando una simulación por computadora en la que el flujo pasado un obstáculo en el agua creaba varios vórtices moviéndose en direcciones opuestas, el equipo enseñó a la IA a navegar de manera que aprovechaba regiones de baja velocidad en la estela de los vórtices para deslizarse hacia la ubicación objetivo con uso mínimo de energía. Para ayudar su navegación, el nadador simulado solo tenía acceso a información sobre las corrientes de agua en su ubicación inmediata, pero pronto aprendió a explotar los vórtices para deslizarse hacia el objetivo deseado. En un robot físico, la IA tendría de manera similar acceso solo a información que pudiera recopilarse de un giroscopio y acelerómetro a bordo, que son sensores relativamente pequeños y de bajo costo para una plataforma robótica.

Este tipo de navegación es análoga a la forma en que águilas y halcones montan térmicas en el aire, extrayendo energía de corrientes de aire para maniobrar a una ubicación deseada con energía mínima. Sorprendentemente, los investigadores descubrieron que su algoritmo de aprendizaje por refuerzo podía aprender estrategias de navegación incluso más efectivas que las que se cree que usan los peces reales en el océano.

La tecnología aún está en su infancia: actualmente, el equipo querría probar la IA en cada tipo diferente de perturbación de flujo que podría encontrar en una misión en el océano —por ejemplo, vórtices giratorios versus corrientes de marea— para evaluar su efectividad en la naturaleza. Sin embargo, al incorporar su conocimiento de la física del flujo oceánico dentro de la estrategia de aprendizaje por refuerzo, los investigadores buscan superar esta limitación. Su investigación demuestra la efectividad potencial de redes RL para abordar este desafío —particularmente porque pueden operar en dispositivos tan pequeños. Para probar esto en el campo, el equipo está colocando el Teensy en un dron construido a medida llamado "CARL-Bot" (Robot de Aprendizaje por Refuerzo Autónomo de Caltech). El CARL-Bot será soltado en un tanque de agua de dos pisos recién construido en el campus de Caltech y se le enseñará a navegar las corrientes del océano.