基本方程将海洋机器人引导至最佳采样点

观察世界海洋越来越多地成为自主水下航行器(AUV)的任务 - 海洋机器人旨在漂移，驾驶或滑行穿越海洋，而无需人工操作员的任何实时输入。AUV可以帮助回答的关键问题是最具信息量的数据的采集地点，时间和内容，以及如何最佳地到达采样位置。

麻省理工学院的工程师现在已经开发了数学方程组，可以预测为特定观测任务收集的信息量最大的数据，以及到达采样点的最佳方法。

与他们的方法中，研究人员可以预测哪一个变量，如速度的程度海洋电流在一定的位置，揭示了关于一些其它可变信息，如在所谓的一些其他位置的量温度“互信息”。如果两个变量之间的互信息程度很高，则AUV可以被编程为去某些位置来测量一个变量，以获得关于另一个变量的信息。

该团队使用他们的方程式和他们开发的海洋模型，称为多学科模拟，估算和同化系统(MSEAS)，在海洋实验中成功预测互信息领域并指导实际的AUV。

“并非所有数据都是平等的，”麻省理工学院机械工程系研究生Arkopal Dutt说。“我们的标准......允许自动机器精确定位传感器位置和采样时间，从而可以进行最丰富的测量。”

为了确定如何安全有效地达到理想的采样目的地，研究人员开发出一种方法来帮助AUV利用不确定海洋的活动，通过预测“可达性前沿” - 海洋的动态三维区域，AUV将得到保证考虑到AUV的功率限制和海洋电流，在一定时间内达到。该团队的方法使车辆能够冲浪电流，使其更接近目的地，并避免那些会使其偏离轨道的电流。

当研究人员将他们的可达性预测与观察阿拉伯海地区的实际AUV路线进行比较时，他们发现他们的预测与车辆能够在很长一段时间内导航的位置相匹配。

最终，该团队的方法应该帮助车辆以智能，节能的方式探索海洋。

机械工程研究生Deepak Subramani说：“自主海洋机器人是我们的侦察员，他们冒着波涛汹涌的大海为我们收集数据。” “我们的数学方程式可以帮助侦察员到达理想的位置，并通过智能地利用洋流来减少能源消耗。”

由麻省理工学院机械工程和海洋科学与工程教授Pierre Lermusiaux领导的研究人员将他们的研究结果发表在一篇论文中，很快将出现在由海洋杂志出版的系列丛书“海洋”中。研究。

除了Dutt和Subramani之外，Lermusiaux的团队还包括Jing Lin，Chinmay Kulkarni，Abhinav Gupta，Tapovan Lolla，Patrick Haley，Wael Hajj Ali，Chris Mirabito和Sudip Jana，他们都来自机械工程系。

寻求最丰富的数据

为了验证他们的方法，研究人员表明，他们可以成功地预测对于各种目标提供最多信息的测量。例如，他们预测了最适合测试科学假设的观测结果，了解海洋模型方程本身是否正确，估算海洋生态系统的参数，以及检测海洋中相干结构的存在。他们证实，他们的最佳观察结果比平均观察数据提供的信息量提高了50%至150%。

为了达到最佳观测位置，AUV必须在海洋中航行。传统上，机器人的规划路径已在相对静态的环境中完成。但是通过海洋进行规划是一个不同的故事，因为强大的水流和漩涡可以不断变化，不确定，并推动车辆脱离预先规划的路线。

因此，麻省理工学院的团队从基本原则出发制定了路径规划算法。他们修改了现有的方程式，称为Hamilton-Jacobi方程，以确定AUV的可达性前沿，或确保车辆在给定时间内达到的最远周长。该等式基于三个主要变量：时间，车辆的特定推进约束和平流，或动态洋流的传输- 该组通过使用其MSEAS 海洋模型预测的变量。

通过新系统，AUV可以绘制出可行的最具信息性的路径，并在不确定的海洋电流随时间变化时调整其采样计划。在第一次大型开放海洋测试中，该团队计算了印度洋自治浮标和滑翔机的概率可达性前沿和最丰富的信息路径，作为北阿拉伯海环流 - 自治研究(NASCar)办公室的一部分。海军研究(ONR)。

几个月后，研究人员在麻省理工学院的办公室工作，为ONR团队提供每日可达性预报，以帮助指导水下航行器，并在此过程中收集最佳观测结果。

“基本上睡不着觉，”Lermusiaux回忆道。“预测是三到七天，我们每天都会吸收数据并进行更新。我们做得非常好。平均而言，滑翔机和浮标在我们预测的概率范围内达到了预期的水平。”

一时的真相得到了回报

Lermusiaux及其同事还利用他们的系统来规划“时间最优路径” - 在预测的海洋当前条件下，将在最短的时间内将AUV送到某个位置的轨迹。

与麻省理工学院林肯实验室和伍兹霍尔海洋研究所的同事一起，他们通过在Martha葡萄园附近的相同推进AUV之间举行“比赛”来实时测试这些时间最佳路径。在每场比赛中，一个AUV的航线由车队的时间最优路径确定，而另一个AUV沿着距离到达同一目的地的最短距离的路径确定。

“这很紧张 - 谁会赢?” Subramani回忆道。“经过数学方程式和证明的理论发展，这对我们来说是真实的时刻。”

团队的工作得到了回报。在每场比赛中，根据车队预测运行的AUV首先达到目的地，比竞争对手AUV快15%。该团队的预测帮助获胜的AUV避免了有时会阻挡其他AUV的强电流。

“这太棒了，”库尔卡尼说。“即使物理上两条路径距离不到一英里，按照我们的预测，行程时间减少了15%。这表明我们的路径确实是时间最佳的。”

在其他应用中，作为麻省理工学院塔塔技术与设计中心成员的Lermusiaux将应用他的海洋预报方法来帮助指导印度沿海地区的观测，其中车辆的任务是监测渔业以提供潜在的低水平成本管理系统。

“AUV不是很快，它们的自主性不是无限的，所以你必须考虑到电流及其不确定性，并严格模拟事物，”Lermusiaux说。“这些自动系统的机器智能来自严格推导和合并控制理论，信息理论和机器学习的控制微分方程和原理。”