Die Beobachtung der Weltmeere ist zunehmend eine Aufgabe, die autonomen Unterwasserfahrzeugen (AUVs) übertragen wird – Meeresrobotern, die ohne Echtzeiteingaben menschlicher Bediener durch den Ozean treiben, fahren oder gleiten sollen. Kritische Fragen, bei deren Beantwortung AUVs helfen können, sind: Wo, wann und was entnommen werden muss, um die aussagekräftigsten Daten zu erhalten, und wie man die Probenahmeorte optimal erreicht.
MITIngenieure haben jetzt Systeme mathematischer Gleichungen entwickelt, die die aussagekräftigsten Daten vorhersagen, die für eine bestimmte Beobachtungsmission gesammelt werden müssen, und den besten Weg, um die Probenahmestellen zu erreichen.
Mit ihrer Methode können die Forscher vorhersagen, inwieweit eine Variable, beispielsweise die Geschwindigkeit der Meeresströmungen an einem bestimmten Ort, Informationen über eine andere Variable, beispielsweise die Temperatur an einem anderen Ort, preisgibt – eine Größe, die als „gegenseitige Information“ bezeichnet wird. Wenn der Grad der gegenseitigen Information zwischen zwei Variablen hoch ist, kann ein AUV so programmiert werden, dass er bestimmte Orte ansteuert, um eine Variable zu messen und Informationen über die andere zu gewinnen.
Das Team nutzte seine Gleichungen und ein von ihm entwickeltes Ozeanmodell namens Multidisciplinary Simulation, Estimation, and Assimilation Systems (MSEAS) in Meeresexperimenten, um Felder gegenseitiger Information erfolgreich vorherzusagen und tatsächliche AUVs zu steuern.
„Nicht alle Daten sind gleich“, sagt Arkopal Dutt, ein Doktorand an der Fakultät für Maschinenbau des MIT. „Unsere Kriterien … ermöglichen es den autonomen Maschinen, Sensorpositionen und Probenahmezeiten genau zu bestimmen, an denen die aussagekräftigsten Messungen durchgeführt werden können.“
Um herauszufinden, wie man ideale Probenahmeziele sicher und effizient erreichen kann, entwickelten die Forscher eine Methode, mit der AUVs die unsichere Aktivität des Ozeans nutzen können, indem sie eine „Erreichbarkeitsfront“ vorhersagten – eine dynamische dreidimensionale Region des Ozeans, die ein AUV angesichts der Leistungsbeschränkungen des AUV und der Meeresströmungen garantiert innerhalb einer bestimmten Zeit erreichen würde. Die Methode des Teams ermöglicht es einem Fahrzeug, Strömungen zu durchqueren, die es näher an sein Ziel bringen würden, und Strömungen zu vermeiden, die es aus der Spur bringen würden.
Als die Forscher ihre Erreichbarkeitsprognosen mit den Routen tatsächlicher AUVs verglichen, die eine Region des Arabischen Meeres beobachteten, stellten sie fest, dass ihre Vorhersagen über lange Zeiträume hinweg dort übereinstimmten, wo die Fahrzeuge navigieren konnten.
Letztlich sollen die Methoden des Teams dazu beitragen, dass Fahrzeuge den Ozean intelligent und energieeffizient erkunden können.
„Autonome Meeresroboter sind unsere Späher, die der rauen See trotzen, um Daten für uns zu sammeln“, sagt Maschinenbau-Doktorand Deepak Subramani. „Unsere mathematischen Gleichungen helfen den Scouts, die gewünschten Orte zu erreichen und ihren Energieverbrauch zu reduzieren, indem sie die Meeresströmungen intelligent nutzen.“
Die Forscher unter der Leitung von Pierre Lermusiaux, Professor für Maschinenbau und Meereswissenschaften und -technik am MIT, haben ihre Ergebnisse in einem Artikel dargelegt, der bald in einem Band der Buchreihe „The Sea“ erscheinen wird, die vom Journal of Marine Research veröffentlicht wird.
Zu Lermusiauxs Team gehören neben Dutt und Subramani auch Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito und Sudip Jana, alle von der Fakultät für Maschinenbau.
Suche nach den aussagekräftigsten Daten
Um ihren Ansatz zu validieren, zeigten die Forscher, dass sie erfolgreich die Messungen vorhersagen konnten, die für eine Reihe unterschiedlicher Ziele am aussagekräftigsten waren. Sie prognostizieren beispielsweise die Beobachtungen, die optimal für die Überprüfung wissenschaftlicher Hypothesen waren, lernen, ob die Ozeanmodellgleichungen selbst korrekt sind oder nicht, schätzen Parameter mariner Ökosysteme und erkennen das Vorhandensein kohärenter Strukturen im Ozean. Sie bestätigten, dass ihre optimalen Beobachtungen 50 bis 150 Prozent aussagekräftiger waren als eine durchschnittliche Beobachtung.
Um die optimalen Beobachtungsorte zu erreichen, müssen AUVs durch den Ozean navigieren. Traditionell erfolgt die Planung von Pfaden für Roboter in relativ statischen Umgebungen. Aber die Planung durch das Meer ist eine andere Geschichte, da sich starke Strömungen und Wirbel ständig ändern, unsicher sein und ein Fahrzeug von seinem vorgeplanten Kurs abbringen können.
Das MIT-Team entwickelte daher Pfadplanungsalgorithmen auf der Grundlage grundlegender Prinzipien mit Blick auf den Ozean. Sie modifizierten eine bestehende Gleichung, die sogenannte Hamilton-Jacobi-Gleichung, um die Erreichbarkeitsfront eines AUV zu bestimmen, also den weitesten Umfang, den ein Fahrzeug in einer bestimmten Zeit garantiert erreichen kann. Die Gleichung basiert auf drei Hauptvariablen: Zeit, die spezifischen Antriebsbeschränkungen eines Fahrzeugs und Advektion oder der Transport durch die dynamischen Meeresströmungen – eine Variable, die die Gruppe mithilfe ihres MSEAS-Ozeanmodells vorhersagt.
Mit dem neuen System können die AUVs die machbarsten und aussagekräftigsten Pfade abbilden und ihre Probenahmepläne anpassen, wenn sich die unsicheren Meeresströmungen im Laufe der Zeit ändern. In einem ersten großen Test im offenen Meer berechnete das Team probabilistische Erreichbarkeitsfronten und die aussagekräftigsten Pfade für autonome Schwimm- und Segelflugzeuge im Indischen Ozean im Rahmen der Northern Arabian Sea Circulation-Autonomous Research (NASCar)-Initiative des Office of Naval Research (ONR).
Über mehrere Monate hinweg stellten die Forscher von ihren MIT-Büros aus dem ONR-Team tägliche Erreichbarkeitsprognosen zur Verfügung, um die Unterwasserfahrzeuge zu steuern und unterwegs optimale Beobachtungen zu sammeln.
„Es war im Grunde nicht viel Schlafen“, erinnert sich Lermusiaux. „Die Prognosen lagen drei bis sieben Tage zurück, und wir haben jeden Tag Daten aufgenommen und aktualisiert. Wir haben es ganz gut gemacht. Im Durchschnitt landeten die Segelflugzeuge und Schwimmkörper dort, wo sie gewünscht waren und innerhalb der von uns vorhergesagten Wahrscheinlichkeitsbereiche.“
Ein Moment der Wahrheit zahlt sich aus
Lermusiaux und seine Kollegen nutzten ihre Systeme auch, um „zeitoptimale Pfade“ zu planen – Flugbahnen, die ein AUV angesichts der vorhergesagten Meeresströmungsbedingungen in kürzester Zeit an einen bestimmten Ort bringen würden.
Mit Kollegen vom MIT Lincoln Laboratory und der Woods Hole Oceanographic Institution testeten sie diese zeitoptimalen Pfade in Echtzeit, indem sie vor der Küste von Martha’s Vineyard „Rennen“ zwischen identisch angetriebenen AUVs veranstalteten. In jedem Rennen wurde der Kurs eines AUV durch den zeitoptimalen Weg des Teams bestimmt, während ein anderer AUV einem Weg mit der kürzesten Entfernung zum gleichen Ziel folgte.
„Es war spannend – wer wird gewinnen?“ Subramani erinnert sich. „Das war für uns der Moment der Wahrheit, nach all den Jahren der theoretischen Entwicklung mit mathematischen Gleichungen und Beweisen.“
Die Arbeit des Teams hat sich gelohnt. In jedem Rennen erreichte das AUV, das gemäß der Prognose des Teams operierte, zuerst sein Ziel und war etwa 15 Prozent schneller als das konkurrierende AUV. Die Vorhersage des Teams half dem siegreichen AUV, starken Strömungen auszuweichen, die zeitweise das andere AUV blockierten.
„Es war unglaublich“, sagt Kulkarni. „Obwohl die beiden Wege physisch nur weniger als eine Meile voneinander entfernt waren, konnten wir unseren Prognosen zufolge die Reisezeit um bis zu 15 Prozent verkürzen. Das zeigt, dass unsere Wege wirklich zeitoptimal sind.“
Als Mitglied des Tata Center for Technology and Design des MIT wird Lermusiaux unter anderem seine Ozeanvorhersagemethoden anwenden, um Beobachtungen vor der Küste Indiens zu leiten, wo die Fahrzeuge die Aufgabe haben, die Fischerei zu überwachen, um ein potenziell kostengünstiges Managementsystem bereitzustellen.
„AUVs sind nicht sehr schnell und ihre Autonomie ist nicht unendlich, daher muss man die Strömungen und ihre Unsicherheiten wirklich berücksichtigen und die Dinge rigoros modellieren“, sagt Lermusiaux. „Maschinelle Intelligenz für diese autonomen Systeme entsteht durch die konsequente Ableitung und Zusammenführung maßgeblicher Differentialgleichungen und -prinzipien mit Kontrolltheorie, Informationstheorie uswmaschinelles Lernen.”
Diese Forschung wurde teilweise vom Office of Naval Research, dem MIT Lincoln Laboratory, dem MIT Tata Center und der National Science Foundation finanziert.
Referenz: „Optimal Planning and Sampling Predictions for Autonomous and Lagrange Platforms and Sensors in the Northern Arabian Sea“ von Pierre F. J. Lermusiaux, Patrick J. Haley Jr., Sudip Jana, Abhinav Gupta, Chinmay S. Kulkarni, Chris Mirabito, Wael Hajj Ali, Deepak N. Subramani, Arkopal Dutt, Jing Lin, Andrey Y. Shcherbina, Craig M. Lee und Avijit Gangopadhyay, 2. September 2017,Ozeanographie.
DOI: 10.5670/oceanog.2017.242
Papier: Eine Zukunft für zwei intelligente autonome Ozeanbeobachtungssysteme
Verpassen Sie keinen Durchbruch:
Folgen Sie uns weiterUndGoogle News.
Die Beobachtung der Weltmeere ist zunehmend eine Aufgabe, die autonomen Unterwasserfahrzeugen (AUVs) übertragen wird – Meeresrobotern, die ohne Echtzeiteingaben menschlicher Bediener durch den Ozean treiben, fahren oder gleiten sollen. Kritische Fragen, bei deren Beantwortung AUVs helfen können, sind: Wo, wann und was entnommen werden muss, um die aussagekräftigsten Daten zu erhalten, und wie man die Probenahmeorte optimal erreicht.
MITIngenieure haben jetzt Systeme mathematischer Gleichungen entwickelt, die die aussagekräftigsten Daten vorhersagen, die für eine bestimmte Beobachtungsmission gesammelt werden müssen, und den besten Weg, um die Probenahmestellen zu erreichen.
Mit ihrer Methode können die Forscher vorhersagen, inwieweit eine Variable, beispielsweise die Geschwindigkeit der Meeresströmungen an einem bestimmten Ort, Informationen über eine andere Variable, beispielsweise die Temperatur an einem anderen Ort, preisgibt – eine Größe, die als „gegenseitige Information“ bezeichnet wird. Wenn der Grad der gegenseitigen Information zwischen zwei Variablen hoch ist, kann ein AUV so programmiert werden, dass er bestimmte Orte ansteuert, um eine Variable zu messen und Informationen über die andere zu gewinnen.
Das Team nutzte seine Gleichungen und ein von ihm entwickeltes Ozeanmodell namens Multidisciplinary Simulation, Estimation, and Assimilation Systems (MSEAS) in Meeresexperimenten, um Felder gegenseitiger Information erfolgreich vorherzusagen und tatsächliche AUVs zu steuern.
„Nicht alle Daten sind gleich“, sagt Arkopal Dutt, ein Doktorand an der Fakultät für Maschinenbau des MIT. „Unsere Kriterien … ermöglichen es den autonomen Maschinen, Sensorpositionen und Probenahmezeiten genau zu bestimmen, an denen die aussagekräftigsten Messungen durchgeführt werden können.“
Um herauszufinden, wie man ideale Probenahmeziele sicher und effizient erreichen kann, entwickelten die Forscher eine Methode, mit der AUVs die unsichere Aktivität des Ozeans nutzen können, indem sie eine „Erreichbarkeitsfront“ vorhersagten – eine dynamische dreidimensionale Region des Ozeans, die ein AUV angesichts der Leistungsbeschränkungen des AUV und der Meeresströmungen garantiert innerhalb einer bestimmten Zeit erreichen würde. Die Methode des Teams ermöglicht es einem Fahrzeug, Strömungen zu durchqueren, die es näher an sein Ziel bringen würden, und Strömungen zu vermeiden, die es aus der Spur bringen würden.
Als die Forscher ihre Erreichbarkeitsprognosen mit den Routen tatsächlicher AUVs verglichen, die eine Region des Arabischen Meeres beobachteten, stellten sie fest, dass ihre Vorhersagen über lange Zeiträume hinweg dort übereinstimmten, wo die Fahrzeuge navigieren konnten.
Letztlich sollen die Methoden des Teams dazu beitragen, dass Fahrzeuge den Ozean intelligent und energieeffizient erkunden können.
„Autonome Meeresroboter sind unsere Späher, die der rauen See trotzen, um Daten für uns zu sammeln“, sagt Maschinenbau-Doktorand Deepak Subramani. „Unsere mathematischen Gleichungen helfen den Scouts, die gewünschten Orte zu erreichen und ihren Energieverbrauch zu reduzieren, indem sie die Meeresströmungen intelligent nutzen.“
Die Forscher unter der Leitung von Pierre Lermusiaux, Professor für Maschinenbau und Meereswissenschaften und -technik am MIT, haben ihre Ergebnisse in einem Artikel dargelegt, der bald in einem Band der Buchreihe „The Sea“ erscheinen wird, die vom Journal of Marine Research veröffentlicht wird.
Zu Lermusiauxs Team gehören neben Dutt und Subramani auch Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito und Sudip Jana, alle von der Fakultät für Maschinenbau.
Suche nach den aussagekräftigsten Daten
Um ihren Ansatz zu validieren, zeigten die Forscher, dass sie erfolgreich die Messungen vorhersagen konnten, die für eine Reihe unterschiedlicher Ziele am aussagekräftigsten waren. Sie prognostizieren beispielsweise die Beobachtungen, die optimal für die Überprüfung wissenschaftlicher Hypothesen waren, lernen, ob die Ozeanmodellgleichungen selbst korrekt sind oder nicht, schätzen Parameter mariner Ökosysteme und erkennen das Vorhandensein kohärenter Strukturen im Ozean. Sie bestätigten, dass ihre optimalen Beobachtungen 50 bis 150 Prozent aussagekräftiger waren als eine durchschnittliche Beobachtung.
Um die optimalen Beobachtungsorte zu erreichen, müssen AUVs durch den Ozean navigieren. Traditionell erfolgt die Planung von Pfaden für Roboter in relativ statischen Umgebungen. Aber die Planung durch das Meer ist eine andere Geschichte, da sich starke Strömungen und Wirbel ständig ändern, unsicher sein und ein Fahrzeug von seinem vorgeplanten Kurs abbringen können.
Das MIT-Team entwickelte daher Pfadplanungsalgorithmen auf der Grundlage grundlegender Prinzipien mit Blick auf den Ozean. Sie modifizierten eine bestehende Gleichung, die sogenannte Hamilton-Jacobi-Gleichung, um die Erreichbarkeitsfront eines AUV zu bestimmen, also den weitesten Umfang, den ein Fahrzeug in einer bestimmten Zeit garantiert erreichen kann. Die Gleichung basiert auf drei Hauptvariablen: Zeit, die spezifischen Antriebsbeschränkungen eines Fahrzeugs und Advektion oder der Transport durch die dynamischen Meeresströmungen – eine Variable, die die Gruppe mithilfe ihres MSEAS-Ozeanmodells vorhersagt.
Mit dem neuen System können die AUVs die machbarsten und aussagekräftigsten Pfade abbilden und ihre Probenahmepläne anpassen, wenn sich die unsicheren Meeresströmungen im Laufe der Zeit ändern. In einem ersten großen Test im offenen Meer berechnete das Team probabilistische Erreichbarkeitsfronten und die aussagekräftigsten Pfade für autonome Schwimm- und Segelflugzeuge im Indischen Ozean im Rahmen der Northern Arabian Sea Circulation-Autonomous Research (NASCar)-Initiative des Office of Naval Research (ONR).
Über mehrere Monate hinweg stellten die Forscher von ihren MIT-Büros aus dem ONR-Team tägliche Erreichbarkeitsprognosen zur Verfügung, um die Unterwasserfahrzeuge zu steuern und unterwegs optimale Beobachtungen zu sammeln.
„Es war im Grunde nicht viel Schlafen“, erinnert sich Lermusiaux. „Die Prognosen lagen drei bis sieben Tage zurück, und wir haben jeden Tag Daten aufgenommen und aktualisiert. Wir haben es ganz gut gemacht. Im Durchschnitt landeten die Segelflugzeuge und Schwimmkörper dort, wo sie gewünscht waren und innerhalb der von uns vorhergesagten Wahrscheinlichkeitsbereiche.“
Ein Moment der Wahrheit zahlt sich aus
Lermusiaux und seine Kollegen nutzten ihre Systeme auch, um „zeitoptimale Pfade“ zu planen – Flugbahnen, die ein AUV angesichts der vorhergesagten Meeresströmungsbedingungen in kürzester Zeit an einen bestimmten Ort bringen würden.
Mit Kollegen vom MIT Lincoln Laboratory und der Woods Hole Oceanographic Institution testeten sie diese zeitoptimalen Pfade in Echtzeit, indem sie vor der Küste von Martha’s Vineyard „Rennen“ zwischen identisch angetriebenen AUVs veranstalteten. In jedem Rennen wurde der Kurs eines AUV durch den zeitoptimalen Weg des Teams bestimmt, während ein anderer AUV einem Weg mit der kürzesten Entfernung zum gleichen Ziel folgte.
„Es war spannend – wer wird gewinnen?“ Subramani erinnert sich. „Das war für uns der Moment der Wahrheit, nach all den Jahren der theoretischen Entwicklung mit mathematischen Gleichungen und Beweisen.“
Die Arbeit des Teams hat sich gelohnt. In jedem Rennen erreichte das AUV, das gemäß der Prognose des Teams operierte, zuerst sein Ziel und war etwa 15 Prozent schneller als das konkurrierende AUV. Die Vorhersage des Teams half dem siegreichen AUV, starken Strömungen auszuweichen, die zeitweise das andere AUV blockierten.
„Es war unglaublich“, sagt Kulkarni. „Obwohl die beiden Wege physisch nur weniger als eine Meile voneinander entfernt waren, konnten wir unseren Prognosen zufolge die Reisezeit um bis zu 15 Prozent verkürzen. Das zeigt, dass unsere Wege wirklich zeitoptimal sind.“
Als Mitglied des Tata Center for Technology and Design des MIT wird Lermusiaux unter anderem seine Ozeanvorhersagemethoden anwenden, um Beobachtungen vor der Küste Indiens zu leiten, wo die Fahrzeuge die Aufgabe haben, die Fischerei zu überwachen, um ein potenziell kostengünstiges Managementsystem bereitzustellen.
„AUVs sind nicht sehr schnell und ihre Autonomie ist nicht unendlich, daher muss man die Strömungen und ihre Unsicherheiten wirklich berücksichtigen und die Dinge rigoros modellieren“, sagt Lermusiaux. „Maschinelle Intelligenz für diese autonomen Systeme entsteht durch die konsequente Ableitung und Zusammenführung maßgeblicher Differentialgleichungen und -prinzipien mit Kontrolltheorie, Informationstheorie uswmaschinelles Lernen.”
Diese Forschung wurde teilweise vom Office of Naval Research, dem MIT Lincoln Laboratory, dem MIT Tata Center und der National Science Foundation finanziert.
Referenz: „Optimal Planning and Sampling Predictions for Autonomous and Lagrange Platforms and Sensors in the Northern Arabian Sea“ von Pierre F. J. Lermusiaux, Patrick J. Haley Jr., Sudip Jana, Abhinav Gupta, Chinmay S. Kulkarni, Chris Mirabito, Wael Hajj Ali, Deepak N. Subramani, Arkopal Dutt, Jing Lin, Andrey Y. Shcherbina, Craig M. Lee und Avijit Gangopadhyay, 2. September 2017,Ozeanographie.
DOI: 10.5670/oceanog.2017.242
Papier: Eine Zukunft für zwei intelligente autonome Ozeanbeobachtungssysteme
Verpassen Sie keinen Durchbruch:
Folgen Sie uns weiterUndGoogle News.
