Drones alimentés par l'IA exploitent les courants océaniques pour une navigation autonome

Des ingénieurs de Caltech, ETH Zurich et Harvard développent une intelligence artificielle (IA) qui permettra à des drones autonomes d'utiliser les courants océaniques pour aider leur navigation, plutôt que de lutter pour les traverser.

« Quand nous voulons que des robots explorent les grands fonds océaniques, surtout en essaims, il est presque impossible de les contrôler avec un joystick depuis 20 000 pieds de profondeur à la surface. Nous ne pouvons pas non plus leur fournir des données sur les courants océaniques locaux dont ils ont besoin pour naviguer car nous ne pouvons pas les détecter depuis la surface. À un moment donné, nous avons besoin que les drones océaniques puissent prendre des décisions sur la façon de se déplacer par eux-mêmes », a déclaré le professeur John O. Dabiri.

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 vite et sur commande. Des robots entièrement mécaniques exécutant l'algorithme pourraient même explorer les océans sur d'autres mondes, comme Encelade ou Europe.

Dans les deux scénarios, les drones devraient être capables de prendre des décisions par eux-mêmes sur où aller et le moyen le plus efficace d'y parvenir. Pour ce faire, ils n'auront probablement que des données qu'ils peuvent collecter eux-mêmes — des informations sur les courants d'eau qu'ils expérimentent actuellement.

Pour relever ce défi, les chercheurs se sont tournés vers les réseaux d'apprentissage par renforcement (RL). Comparés aux réseaux de neurones conventionnels, les réseaux d'apprentissage par renforcement ne s'entraînent pas sur un ensemble de données statique, mais s'entraînent aussi vite qu'ils peuvent collecter 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 pouces sur 0,7 pouce que n'importe qui peut acheter pour moins de 30 $ sur Amazon et qui n'utilise qu'environ un demi-watt de puissance.

En utilisant une simulation informatique dans laquelle l'écoulement passé un obstacle dans l'eau créait plusieurs tourbillons se déplaçant dans des directions opposées, l'équipe a enseigné à l'IA à naviguer de manière à tirer parti des régions de faible vitesse dans le sillage des tourbillons pour glisser vers l'emplacement cible avec une utilisation minimale de puissance. Pour aider sa navigation, le nageur simulé n'avait accès qu'à des informations sur les courants d'eau à son emplacement immédiat, pourtant il a rapidement appris comment exploiter les tourbillons pour glisser vers la cible désirée. Dans un robot physique, l'IA aurait de même uniquement accès à des informations pouvant être recueillies à partir d'un gyroscope et d'un accéléromètre embarqués, qui sont tous deux des capteurs relativement petits et peu coûteux pour une plateforme robotique.

Ce type de navigation est analogue à la façon dont les aigles et les faucons chevauchent les thermiques dans l'air, extrayant de l'énergie des courants d'air pour manœuvrer vers un emplacement désiré avec un minimum d'énergie. 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 les vrais poissons dans l'océan.

La technologie est encore à ses débuts : actuellement, l'équipe aimerait tester l'IA sur chaque type différent de perturbation d'écoulement qu'elle pourrait rencontrer lors d'une mission dans l'océan — par exemple, tourbillons tourbillonnants versus courants de marée en flux — pour évaluer son efficacité dans la nature. Cependant, en incorporant leur connaissance de la physique des écoulements océaniques dans la stratégie d'apprentissage par renforcement, les chercheurs visent à surmonter cette limitation. Leur recherche prouve l'efficacité potentielle des réseaux RL pour relever ce défi — en particulier parce qu'ils peuvent fonctionner sur de si petits dispositifs. Pour l'essayer sur le terrain, l'équipe place le Teensy sur un drone personnalisé surnommé « CARL-Bot » (Caltech Autonomous Reinforcement Learning Robot). Le CARL-Bot sera lâché dans un réservoir d'eau nouvellement construit de deux étages de haut sur le campus de Caltech et apprend à naviguer dans les courants océaniques.