L'observation des océans du monde est de plus en plus une mission confiée à des véhicules sous-marins autonomes (AUV) - des robots marins conçus pour dériver, conduire, ou glisser à travers l'océan sans aucune entrée en temps réel des opérateurs humains. Les questions critiques auxquelles les AUV peuvent aider à répondre sont où, lorsque, et quoi échantillonner pour les données les plus informatives, et comment atteindre de manière optimale les sites d'échantillonnage.

Les ingénieurs du MIT ont maintenant développé des systèmes d'équations mathématiques qui prévoient les données les plus informatives à collecter pour une mission d'observation donnée, et le meilleur moyen d'atteindre les sites d'échantillonnage.

Avec leur méthode, les chercheurs peuvent prédire dans quelle mesure une variable, comme la vitesse des courants océaniques à un certain endroit, révèle des informations sur une autre variable, comme la température à un autre endroit, une quantité appelée « information mutuelle ». Si le degré d'information mutuelle entre deux variables est élevé, un AUV peut être programmé pour aller à certains endroits pour mesurer une variable, pour obtenir des informations sur l'autre.

L'équipe a utilisé leurs équations et un modèle océanique qu'ils ont développé, appelé Simulation Multidisciplinaire, Estimation, et systèmes d'assimilation (MSEAS), dans des expériences en mer pour prévoir avec succès les champs d'information mutuelle et guider les AUV réels.

"Toutes les données ne sont pas égales, " dit Arkopal Dutt, un étudiant diplômé du département de génie mécanique du MIT. "Nos critères … permettent aux machines autonomes de localiser les emplacements des capteurs et les heures d'échantillonnage où les mesures les plus informatives peuvent être effectuées."

Pour déterminer comment atteindre en toute sécurité et efficacement les destinations d'échantillonnage idéales, les chercheurs ont développé un moyen d'aider les AUV à utiliser l'activité incertaine de l'océan, en prévoyant un "front d'accessibilité" - une région dynamique en trois dimensions de l'océan qu'un AUV serait assuré d'atteindre dans un certain temps, compte tenu des contraintes de puissance de l'AUV et des courants océaniques. La méthode de l'équipe permet à un véhicule de surfer sur des courants qui le rapprocheraient de sa destination, et éviter ceux qui le feraient dérailler.

Lorsque les chercheurs ont comparé leurs prévisions d'accessibilité avec les itinéraires d'AUV réels observant une région de la mer d'Oman, ils ont trouvé que leurs prédictions correspondaient à l'endroit où les véhicules pouvaient naviguer, sur de longues périodes de temps.

Finalement, les méthodes de l'équipe devraient aider les véhicules à explorer l'océan de manière intelligente, manière économe en énergie.

"Les robots marins autonomes sont nos éclaireurs, braver la mer agitée pour collecter des données pour nous, ", explique Deepak Subramani, étudiant diplômé en génie mécanique. "Nos équations mathématiques aident les éclaireurs à atteindre les emplacements souhaités et à réduire leur consommation d'énergie en utilisant intelligemment les courants océaniques."

Les chercheurs, dirigé par Pierre Lermusiaux, professeur de génie mécanique et de sciences et ingénierie océaniques au MIT, ont exposé leurs résultats dans un article qui paraîtra bientôt dans un volume de la série de livres, "La mer, " publié par le Journal of Marine Research.

En plus de Dutt et Subramani, L'équipe de Lermusiaux comprend Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito, et Sudip Jana, tous du département de génie mécanique.

Quête des données les plus informatives

Pour valider leur approche, les chercheurs ont montré qu'ils pouvaient prédire avec succès les mesures les plus informatives pour un ensemble varié d'objectifs. Par exemple, ils prévoient les observations optimales pour tester des hypothèses scientifiques, savoir si les équations du modèle océanique elles-mêmes sont correctes ou non, estimer les paramètres des écosystèmes marins, et détecter la présence de structures cohérentes dans l'océan. Ils ont confirmé que leurs observations optimales étaient 50 à 150 pour cent plus informatives qu'une observation moyenne.

Pour atteindre les emplacements d'observation optimaux, Les AUV doivent naviguer dans l'océan. Traditionnellement, la planification des chemins pour les robots a été effectuée dans des environnements relativement statiques. Mais planifier à travers l'océan est une autre histoire, car les courants forts et les tourbillons peuvent changer constamment, être incertain, et pousser un véhicule hors de sa trajectoire pré-planifiée.

L'équipe du MIT a ainsi développé des algorithmes de planification de trajectoire à partir de principes fondamentaux en pensant à l'océan. Ils ont modifié une équation existante, connue sous le nom d'équation de Hamilton-Jacobi, pour déterminer le front d'accessibilité d'un AUV, ou le périmètre le plus éloigné qu'un véhicule est assuré d'atteindre dans un laps de temps donné. L'équation est basée sur trois variables principales :le temps, les contraintes de propulsion spécifiques d'un véhicule, et advection, ou le transport par les courants océaniques dynamiques, une variable que le groupe prédit en utilisant son modèle océanique MSEAS.

Avec le nouveau système, les AUV peuvent tracer les chemins réalisables les plus informatifs et adapter leurs plans d'échantillonnage au fur et à mesure que les courants océaniques incertains changent au fil du temps. Dans un premier grand, essai en pleine mer, l'équipe a calculé les fronts d'atteignabilité probabilistes et les trajectoires les plus informatives pour les flotteurs et planeurs autonomes dans l'océan Indien, dans le cadre de l'initiative de recherche autonome sur la circulation de la mer d'Arabie du Nord (NASCar) de l'Office of Naval Research (ONR).

Sur plusieurs mois, les chercheurs, travaillant dans leurs bureaux du MIT, fourni des prévisions d'accessibilité quotidiennes à l'équipe de l'ONR pour aider à guider les véhicules sous-marins, recueillir des observations optimales en cours de route.

"Ce n'était fondamentalement pas beaucoup dormir, " se souvient Lermusiaux. " Les prévisions étaient à trois ou sept jours, et nous assimilerions les données et les mettrions à jour tous les jours. On s'en est plutôt bien sorti. En moyenne, les planeurs et les flotteurs se sont retrouvés là où on le souhaitait et dans les zones probabilistes que nous avions prévues."

Un moment de vérité paie

Lermusiaux et ses collègues ont également utilisé leurs systèmes pour planifier des « trajets optimaux dans le temps », des trajectoires qui achemineraient un AUV à un certain emplacement dans les plus brefs délais, compte tenu des conditions de courant océanique prévues.

Avec des collègues du MIT Lincoln Laboratory et de la Woods Hole Oceanographic Institution, ils ont testé ces trajets optimaux en temps réel en organisant des "courses" entre des AUV propulsés identiques, au large de Martha's Vineyard. A chaque course, un parcours d'AUV a été déterminé par le chemin optimal de l'équipe, tandis qu'un autre AUV a suivi un chemin avec la distance la plus courte jusqu'à la même destination.

« C'était tendu, qui va gagner ? se souvient Subramani. "C'était le moment de vérité pour nous, après toutes ces années de développement théorique avec des équations mathématiques et des preuves."

Le travail de l'équipe a payé. A chaque course, l'AUV fonctionnant selon les prévisions de l'équipe a atteint sa destination en premier, performant environ 15 pour cent plus rapide que l'AUV concurrent. Les prévisions de l'équipe ont aidé l'AUV gagnant à éviter les forts courants qui ont parfois agi pour bloquer l'autre AUV.

"C'était incroyable, " dit Kulkarni. " Même si physiquement les deux chemins n'étaient qu'à moins d'un mile l'un de l'autre, suite à nos prévisions, nous avons réduit jusqu'à 15 % les temps de trajet. Cela montre que nos chemins sont vraiment optimaux dans le temps."

Entre autres applications, Lermusiaux, en tant que membre du Tata Center for Technology and Design du MIT, appliquera ses méthodes de prévision océanique pour guider les observations au large des côtes indiennes, où les véhicules seront chargés de surveiller les pêcheries afin de fournir un système de gestion potentiellement peu coûteux.

"Les AUV ne sont pas très rapides, et leur autonomie n'est pas infinie, il faut donc vraiment prendre en compte les courants et leurs incertitudes, et modéliser les choses avec rigueur, " dit Lermusiaux. " L'intelligence machine pour ces systèmes autonomes provient de la dérivation et de la fusion rigoureuses des équations différentielles et des principes directeurs avec la théorie du contrôle, théorie de l'information, et l'apprentissage automatique."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.