Des chercheurs désireux de réaliser des drones autonomes en essaim ont étudié le comportement collectif des oiseaux en vol et des insectes en essaim, mais une nouvelle étude menée par un groupe de chercheurs de l'ETH Zurich a modélisé le comportement des bancs de poissons. En utilisant l'apprentissage par renforcement profond, le groupe a étudié comment les poissons tirent de l'énergie du débit d'eau et des turbulences créées par leurs propres camarades de classe de natation, obtenir des informations qui pourraient conduire à une faible consommation d'énergie, essaims de drones autonomes collectifs. Et oui, bien qu'il existe de nombreuses applications pratiques intéressantes pour le secteur privé et l'industrie, les militaires du monde entier s'intéressent à la construction de flottes de drones autonomes en essaim. Et oui, c'est flippant.

Les formations de bancs de poissons traversent des champs d'écoulement en grande partie invisibles qui redirigent l'énergie mécanique de l'eau, que les poissons doivent compenser individuellement et collectivement. Les changements de débit sont causés par les marées, l'eau a redirigé les objets passés, et les mouvements des poissons eux-mêmes. Au fil des millénaires, les poissons se sont adaptés, devenir sensible à ces changements d'énergie mécanique et développer la capacité d'extraire de l'énergie des champs d'écoulement sous-marins.

Cela comprend la récolte d'énergie à partir des champs d'écoulement générés par leurs camarades de classe, conduisant à des économies d'énergie collectives, semblable à des pilotes de voitures de course qui dessinent ou s'infiltrent dans le sillage de la voiture de tête. Un groupe de chercheurs de TKTK a publié un rapport de leur étude in silico, "Natation collective efficace en exploitant les tourbillons grâce à un apprentissage par renforcement profond, " dans le Actes de l'Académie nationale des sciences .

L'apprentissage par renforcement est un domaine de l'apprentissage automatique inspiré de la psychologie comportementaliste. Il s'agit généralement de l'existence et de la caractérisation de solutions optimales à un problème ; c'est une façon d'apprendre aux agents logiciels à trouver les meilleures solutions dans un environnement pour obtenir une récompense.

Comprendre l'environnement dans lequel les poissons naviguent est la clé pour comprendre le comportement de scolarisation. "Il est prouvé que leur comportement de nage s'adapte aux gradients d'écoulement (rhéotaxis) et dans certains cas, il reflète la récupération d'énergie de tels environnements, " écrivent les auteurs. " Les interactions hydrodynamiques ont également été impliquées dans les modèles de bancs de poissons qui se forment lorsque des poissons individuels adaptent leur mouvement à celui de leurs pairs, tout en compensant les déplacements induits par l'écoulement."

Pour prouver si c'est le cas, le modèle combinait l'apprentissage par renforcement avec des simulations numériques directes des équations de Stokes de Navies pour deux nageurs autonomes automoteurs en tandem, un premier et un suivant. Dans un modèle, le suiveur interagit avec le sillage créé par le leader; dans la seconde, aux nageurs solitaires déplacés isolément dans un domaine illimité. Les poissons autonomes en interaction ont développé une politique optimale pour une nage efficace ; les nageurs solitaires ont servi de contrôle pour évaluer l'absence de sillage de leader.

En comparant les données énergétiques des poissons en interaction et des nageurs solitaires, Les chercheurs ont également déterminé que l'efficacité de nage des poissons en interaction était significativement plus élevée, avec une augmentation de 11 % de la vitesse moyenne, une augmentation de 32 pour cent de l'efficacité moyenne de la natation, une diminution de 36 % d'une variable qu'ils ont appelée le « coût du transport, " une mesure de l'énergie dépensée pour parcourir une distance unitaire.

© 2018 Tech Xplore