科学探索|从生物获取灵感：科学家正在开发水下交通工具蜂群算法( 二 ) 从生物获取灵感：科学家正在

文章图片

现在，Benjamin正在通过开发蜂群和避障算法使这项技术更进一步。这些算法将使几十个无人驾驶的船能够相互沟通并探索海洋的某一特定部分。
首先，Benjamin正在研究如何在海洋中最好地分散自主车辆。他和他的团队已经开发了回答这个问题的算法。通过利用蜂群技术，每艘船定期将其位置跟附近的其他船进行交流。Benjamin的软件使这些船以最佳的分布方式分散到它们所处的海洋区域。
蜂群船队的成功的核心是避免碰撞的能力。避免碰撞因被称为COLREGS的国际海事规则而变得复杂。这些规则决定了哪些车辆在穿越路径时拥有“路权”，这给Benjamin的蜂群算法带来了独特的挑战。
COLREGS是从避免另一次单一接触的角度编写的，但Benjamin的蜂群算法必须考虑到多个试图避免相互碰撞的未驾驶车辆。
为了解决这个问题，Benjamin和他的团队创建了一个多对象优化算法，其将特定的机动动作排在从零到100的等级上。零分是指直接碰撞，而100分则意味着车辆完全避免碰撞。
“我们的软件是唯一以多目标优化为决策核心数学基础的海洋软件，”Benjamin说道。
虽然像Benjamin和van Rees这样的研究人员使用机器学习和多目标优化来解决车辆在海洋环境中移动的复杂性，但像MIT的Nam Pyo Suh教授Pierre Lermusiaux这样的其他人则使用机器学习来更好地了解海洋环境本身。
改进海洋建模和预测
海洋也许是所谓的复杂动力系统的最好例子。流体动力学、变化的潮汐、天气模式和气候变化使海洋成为一个不可预测的环境，每一刻都是不同的。海洋环境的千变万化会使预测工作变得异常困难。
研究人员一直在使用动态系统模型来对海洋环境进行预测，但正如Lermusiaux所解释的那样，这些模型有其局限性。
“在开发模型时，你不可能考虑到海洋中的每一个水分子。模型的分辨率和准确性以及海洋测量都是有限的。可能每100米、每公里就有一个模型数据点，或如果你看的是全球海洋的气候模型，那么你可能每10公里左右就有一个数据点，”Lermusiaux指出，“这可能对你的预测的准确性有很大影响。”
研究生Abhinav Gupta和Lermusiaux已经开发了一个新的机器学习框架以帮助弥补这些模型的分辨率或精确度的不足。他们的算法以一个分辨率低的简单模型为基础、可以填补空白并模拟出一个更准确的、具有高度分辨率的复杂模型。
Gupta和Lermusiaux的框架首次在现有的近似模型中学习并引入时间延迟从而提高其预测能力。
“自然界的事情不是瞬间发生的；然而，所有盛行的模型都假设事情是实时发生的，”Gupta说道，“为了使近似模型更加准确，你输入方程的机器学习和数据需要代表过去状态对未来预测的影响。”
而随着诸如Gupta和Lermusiaux的神经闭合模型等计算技术的不断改进和进步，研究人员可以开始揭开更多海洋的神秘面纱，进而为我们的海洋所面临的许多挑战制定解决方案。