?
  • 資訊
  • News
  • 行業資訊
  • IndustryNews
  • 環境保護踐行者,whoi這個機器人厲害了

      麻省理工學院和伍茲霍爾海洋研究所(whoi)的研究人員發明了一種自主機器人系統,它能有效地在廣闊、未經勘探的水域中發現最有科學意義但卻很難找到的采樣點。
     
      環境科學家通常對在環境中最有趣的位置或“最大值”處收集樣本感興趣。一個例子可能是化學品泄漏的來源,該化學品的濃度最高,并且大部分不受外部因素破壞。但是最大值可以使得研究人員能拿到想要測量的任何可量化值,例如水深或暴露于空氣中的珊瑚礁部分。
     


     
      部署最大搜索機器人的努力受到效率和精度問題的困擾。通常,機器人會像割草機一樣來回移動以覆蓋一個區域,這很費時,而且會收集許多無趣的樣本。一些機器人感知并跟隨高濃度的軌跡到達泄漏源但他們可能會被誤導例如,化學物質會被困在遠離源頭的縫隙中并積聚起來,機器人可能會將這些高濃度的區域識別為源頭,但其實離這里還很遠。
     
      成功的探索
     
      在國際智能機器人系統(IROS)會議上發表的一篇論文中,研究人員描述了“羽狀物”這一系統,使自主移動機器人能夠更快速、更有效地將一個最大值歸零。PLUMES機器人利用概率技術來預測哪些路徑可能導致最大值,同時導航障礙物、移動電流和其他變量。當它收集樣本時,它衡量它所學的知識,以確定是繼續沿著一條有希望的道路前進,還是搜索可能藏有更多有價值樣本的未知領域。
     
      重要的是,PLUMES機器人到達目的地時不會被困在那些棘手的高濃度區域。”這很重要,因為很容易認為你找到了黃金,但實際上你找到了傻瓜的黃金,”第一作者之一、計算機科學與人工智能實驗室(CSAIL)和麻省理工-世界衛生組織聯合項目的博士生維多利亞·普雷斯頓說。
     
      研究人員建造了一艘以羽毛為動力的機器人船,它成功地探測到巴巴多斯貝拉爾群島邊緣珊瑚礁中暴露最深的珊瑚頭。也就是說,它位于最淺的地方,這對研究太陽照射對珊瑚生物的影響很有幫助。在100個模擬試驗中,在不同的水下環境中,虛擬PLUMES機器人還在分配的時間幀一致地收集七到八倍的最大值,樣本比傳統的覆蓋方法確實多很多。
     
      合著者第一作者Genevieve Flaspohler博士說:“我們的PLUMES機器人是先找到最需要探索的,然后迅速集中于收集有價值的樣本。”。與普雷斯頓和弗萊斯波勒一起發表論文的還有:世界衛生組織應用海洋物理與工程系的科學家安娜p.m.米歇爾和約格什·吉爾達爾;以及美國航空航天學院和航空航天系的教授尼古拉斯·羅伊。
     
      瀏覽漏洞探索權衡
     
      PLUMES機器人的一個關鍵點是運用各種技術,從概率到推理,在利用對環境的了解和探索可能更有價值的未知領域之間,找到一個眾所周知的復雜折衷方案。
     
      Flaspohler說:“最大限度的尋求最大的挑戰是讓機器人能夠平衡從已經知道的高濃度的地方開發信息,探索未知的地方。”如果機器人探索太多,它就不會收集到足夠多的有價值的樣本。如果它不夠探索,它可能完全錯過最大值。”
     
      進入到一個新的環境中,他們發明的這個PLUMES機器人使用一個稱為高斯過程的概率統計模型來預測環境變量,如化學濃度,并估計傳感不確定性,然后,PLUMES機器人可以走的可能路徑的分布,并使用估計值和不確定性來根據每條路徑允許機器人探索和利用的程度對其進行排序。
     
      首先,PLUMES機器人會選擇隨機探索環境的路徑。但是,每個樣本都提供了有關周圍環境中目標值的新信息,例如化學物質濃度最高或深度最淺的點。高斯過程模型利用這些數據來縮小機器人從給定位置到具有更高值位置的樣本的可能路徑。PLUMES機器人使用一種新的目標函數,常用于機器學習,以最大限度地獲得獎勵,以調用機器人是否應該利用過去的知識或探索新的領域。
     
      “估算”路徑
     
      在哪里收集下一個樣本,取決于系統從當前位置“產生估算”所有可能的未來行為的能力。為此,它利用了Monte Carlo樹搜索(MCTS)的改進版本,MCTS是一種為掌握圍棋和國際象棋等復雜游戲的人工智能系統提供動力而推廣的路徑規劃技術。
     
      MCTS使用一個決策樹-一個連接節點和線路的地圖來模擬一條路徑,或者一系列的移動,以達到最終的勝利動作但在游戲中,可能路徑的空間是有限的。在未知環境中,隨著動態的實時變化,空間實際上是無限的,使得規劃變得極其困難研究人員設計了“連續觀測MCT”,它利用高斯過程和新的目標函數來搜索這個龐大的空間中可能存在的真實路徑。
     
      這個MCTS決策樹的根從一個“信念”節點開始,這是機器人可以立即采取的下一步該節點包含機器人在該點之前的整個動作和觀察歷史然后,系統將樹從根擴展到新的行和節點,查看導致探索和未探索區域的未來操作的幾個步驟。
     
      然后,系統根據從以前的觀察中學習到的一些模式,模擬如果從每個新生成的節點中抽取一個樣本會發生什么。根據最終模擬節點的值,整個路徑將獲得一個獎勵分數,較高的值將等于更有希望的操作。所有路徑的獎勵分數都回滾到根節點。機器人選擇得分最高的路徑,邁出一步,收集一個真實的樣本然后,利用真實數據更新高斯過程模型,重復“幻覺”過程。
     
      “只要系統繼續產生幻覺,認為世界上看不見的地方可能有更高的價值,它就必須繼續探索,”Flaspohler說。當它最終收斂在一個點上時,它估計是最大值,因為它不能沿著路徑幻覺一個更高的值,于是它停止探索。
     
      現在,研究人員正與WHOI的科學家合作,使用羽流驅動的機器人來定位火山地點的化學羽流,并研究北極融化的沿海河口的甲烷釋放科學家們對釋放到大氣中的化學氣體的來源很感興趣,但這些測試地點可以跨越數百平方英里。
     
      普雷斯頓說:“他們可以(利用PLUMES機器人)花更少的時間探索這個巨大的區域,真正集中精力收集有科學價值的樣本。”
    聲明:凡資訊來源注明為其他媒體來源的信息,均為轉載自其他媒體,并不代表本網站贊同其觀點,也不代表本網站對其真實性負責。您若對該文章內容有任何疑問或質疑,請立即與中國機器人網(www.yoykmg.tw)聯系,本網站將迅速給您回應并做處理。
    電話:021-39553798-8007
    [打印文本] [ ]
    ?
    全部評論(0
    ?
    TOP Bookmark
    老炮儿玄机单双中特