La recherche pourrait permettre la surveillance de nos océans ou l’exploration de mondes océaniques extraterrestres

“Lorsque nous voulons que les robots explorent l’océan profond, en particulier dans les essaims, il est presque impossible de les contrôler avec un joystick à 20 000 pieds de distance à la surface. Nous ne pouvons pas non plus leur fournir des données sur les courants océaniques locaux dont ils ont besoin pour naviguer parce que nous ne pouvons pas les détecter depuis la surface. Au lieu de cela, à un certain moment, nous avons besoin de drones océaniques pour pouvoir prendre des décisions sur la façon de se déplacer par eux-mêmes », explique John O. Dabiri (MS ’03, PhD ’05) , professeur centenaire d’aéronautique et de génie mécanique et auteur correspondant d’un article sur la recherche publié par Communication Nature le 8 décembre.

Les performances de l’IA ont été testées à l’aide de simulations informatiques, mais l’équipe derrière l’effort a également développé un petit robot de la taille d’une paume qui exécute l’algorithme sur une minuscule puce informatique qui pourrait alimenter des drones marins à la fois sur Terre et sur d’autres planètes. L’objectif serait de créer un système autonome pour surveiller l’état des océans de la planète, par exemple en utilisant l’algorithme en combinaison avec des prothèses qu’ils ont précédemment développées pour aider les méduses à nager plus rapidement et sur commande. Des robots entièrement mécaniques exécutant l’algorithme pourraient même explorer les océans d’autres mondes, tels qu’Encelade ou Europe.

Dans les deux cas, les drones devraient être capables de décider eux-mêmes où aller et le moyen le plus efficace de s’y rendre. Pour ce faire, ils n’auront probablement que des données qu’ils peuvent recueillir eux-mêmes – des informations sur les courants d’eau qu’ils connaissent actuellement.

Pour relever ce défi, les chercheurs se sont tournés vers les réseaux d’apprentissage par renforcement (RL). Par rapport aux réseaux de neurones conventionnels, les réseaux d’apprentissage par renforcement ne s’entraînent pas sur un ensemble de données statiques, mais s’entraînent plutôt aussi vite qu’ils peuvent acquérir de l’expérience. Ce schéma leur permet d’exister sur des ordinateurs beaucoup plus petits — pour les besoins de ce projet, l’équipe a écrit un logiciel qui peut être installé et exécuté sur un Teensy — un microcontrôleur de 2,4 x 0,7 pouces que n’importe qui peut acheter pour moins de 30 $ sur Amazon et n’utilise qu’environ un demi-watt de puissance.

À l’aide d’une simulation informatique dans laquelle le passage d’un obstacle dans l’eau a créé plusieurs tourbillons se déplaçant dans des directions opposées, l’équipe a appris à l’IA à naviguer de manière à tirer parti des régions à faible vitesse dans le sillage des tourbillons pour se diriger vers le emplacement cible avec une puissance minimale utilisée. Pour faciliter sa navigation, le nageur simulé n’avait accès qu’aux informations sur les courants d’eau à son emplacement immédiat, mais il a rapidement appris à exploiter les tourbillons pour se diriger vers la cible souhaitée. Dans un robot physique, l’IA n’aurait de même accès qu’aux informations qui pourraient être recueillies à partir d’un gyroscope et d’un accéléromètre embarqués, qui sont à la fois des capteurs relativement petits et peu coûteux pour une plate-forme robotique.

Ce type de navigation est analogue à la façon dont les aigles et les faucons chevauchent les thermiques dans les airs, extrayant l’énergie des courants d’air pour manœuvrer vers un emplacement souhaité avec le minimum d’énergie dépensée. Étonnamment, les chercheurs ont découvert que leur algorithme d’apprentissage par renforcement pouvait apprendre des stratégies de navigation encore plus efficaces que celles que l’on pense être utilisées par de vrais poissons dans l’océan.

“Au départ, nous espérions simplement que l’IA pourrait rivaliser avec les stratégies de navigation déjà trouvées chez les vrais animaux nageurs, nous avons donc été surpris de la voir apprendre des méthodes encore plus efficaces en exploitant des essais répétés sur ordinateur”, explique Dabiri.

La technologie en est encore à ses balbutiements : actuellement, l’équipe aimerait tester l’IA sur chaque type de perturbation de flux qu’elle pourrait éventuellement rencontrer lors d’une mission dans l’océan – par exemple, tourbillons tourbillonnants par rapport aux courants de marée en continu – pour évaluer son efficacité dans la nature. Cependant, en intégrant leurs connaissances de la physique des flux océaniques dans la stratégie d’apprentissage par renforcement, les chercheurs visent à surmonter cette limitation. La recherche actuelle prouve l’efficacité potentielle des réseaux RL pour relever ce défi, en particulier parce qu’ils peuvent fonctionner sur de si petits appareils. Pour essayer cela sur le terrain, l’équipe place le Teensy sur un drone construit sur mesure baptisé “CARL-Bot” (Caltech Autonomous Reinforcement Learning Robot). Le CARL-Bot sera déposé dans un réservoir d’eau de deux étages nouvellement construit sur le campus de Caltech et apprendra à naviguer dans les courants océaniques.

“Non seulement le robot apprendra, mais nous apprendrons les courants océaniques et comment naviguer à travers eux”, déclare Peter Gunnarson, étudiant diplômé à Caltech et auteur principal de l’ouvrage Communication Nature papier.

Source de l’histoire :

Matériaux fourni par Institut de technologie de Californie. Original écrit par Robert Perkins. Remarque : Le contenu peut être modifié pour le style et la longueur.