Nous en savons beaucoup moins sur les océans de la Terre que sur la surface de la Lune ou de Mars. Le fond marin est sculpté de vastes canyons, monts sous-marins imposants, tranchées profondes, et des falaises abruptes, dont la plupart sont considérés comme trop dangereux ou inaccessibles pour la navigation des véhicules sous-marins autonomes (AUV).

Mais et si la récompense pour avoir traversé de tels endroits valait le risque ?

Les ingénieurs du MIT ont maintenant développé un algorithme qui permet aux AUV de peser les risques et les avantages potentiels de l'exploration d'une région inconnue. Par exemple, si un véhicule chargé d'identifier les suintements d'hydrocarbures sous-marins s'approchait d'une pente raide, tranchée rocheuse, l'algorithme pourrait évaluer le niveau de récompense (la probabilité qu'un suintement d'huile existe près de cette tranchée), et le niveau de risque (la probabilité de heurter un obstacle), s'il devait emprunter un chemin à travers la tranchée.

« Si nous étions très conservateurs avec notre véhicule coûteux, disant que sa capacité de survie était primordiale avant tout, alors nous ne trouverions rien d'intéressant, " dit Ayton. " Mais si nous comprenons qu'il y a un compromis entre la récompense de ce que vous récoltez, et le risque ou la menace d'aller vers ces géographies dangereuses, nous pouvons prendre certains risques quand cela en vaut la peine."

Ayton dit que le nouvel algorithme peut calculer les compromis entre le risque et la récompense en temps réel, comme un véhicule décide où explorer ensuite. Lui et ses collègues du laboratoire de Brian Williams, professeur d'aéronautique et d'astronautique, implémentent cet algorithme et d'autres sur les AUV, avec la vision de déployer des flottes audacieuses, des explorateurs robotiques intelligents pour de nombreuses missions, notamment la recherche de gisements pétroliers offshore, étudier l'impact du changement climatique sur les récifs coralliens, et explorer des environnements extrêmes analogues à Europe, une lune de Jupiter recouverte de glace que l'équipe espère que les véhicules traverseront un jour.

"Si nous allions en Europe et avions une très bonne raison de croire qu'il pourrait y avoir une observation d'un milliard de dollars dans une grotte ou une crevasse, ce qui justifierait l'envoi d'un engin spatial en Europe, alors nous voudrions absolument risquer d'aller dans cette grotte, " dit Ayton. "Mais les algorithmes qui ne prennent pas en compte le risque ne trouveront jamais cette observation qui pourrait changer l'histoire."

Ayton et Williams, avec Richard Camilli de la Woods Hole Oceanographic Institution, présentera son nouvel algorithme à la conférence de l'Association for the Advancement of Artificial Intelligence cette semaine à Honolulu.

Un chemin audacieux

Le nouvel algorithme de l'équipe est le premier à permettre un « échantillonnage adaptatif limité par le risque ». Une mission d'échantillonnage adaptatif est conçue, par exemple, d'adapter automatiquement le chemin d'un AUV, sur la base de nouvelles mesures que le véhicule prend lorsqu'il explore une région donnée. La plupart des missions d'échantillonnage adaptatif qui prennent en compte le risque le font généralement en trouvant des chemins avec un niveau de risque acceptable. Par exemple, Les AUV peuvent être programmés pour tracer uniquement des chemins avec un risque de collision ne dépassant pas 5 pour cent.

Mais les chercheurs ont découvert que la prise en compte du risque seul pouvait considérablement limiter les récompenses potentielles d'une mission.

"Avant de partir en mission, nous voulons spécifier le risque que nous sommes prêts à prendre pour un certain niveau de récompense, " dit Ayton. "Par exemple, si un chemin devait nous emmener vers plus de cheminées hydrothermales, nous serions prêts à prendre ce niveau de risque, mais si nous ne voyons rien, nous serions prêts à prendre moins de risques."

L'algorithme de l'équipe prend en compte les données bathymétriques, ou des informations sur la topographie des océans, y compris les obstacles environnants, ainsi que les mesures dynamiques et inertielles du véhicule, pour calculer le niveau de risque pour un certain chemin proposé. L'algorithme prend également en compte toutes les mesures précédentes que l'AUV a prises, pour calculer la probabilité que de telles mesures à haut rendement puissent exister le long du chemin proposé.

Si le rapport risque/rendement atteint une certaine valeur, déterminé par les scientifiques au préalable, puis l'AUV va de l'avant avec le chemin proposé, prendre plus de mesures qui alimentent l'algorithme pour l'aider à évaluer le risque et la récompense d'autres chemins à mesure que le véhicule avance.

Les chercheurs ont testé leur algorithme dans une simulation d'une mission AUV à l'est du port de Boston. Ils ont utilisé des données bathymétriques collectées dans la région lors d'une précédente enquête de la NOAA, et simulé un AUV explorant à une profondeur de 15 mètres à travers des régions à des températures relativement élevées. Ils ont examiné comment l'algorithme planifiait l'itinéraire du véhicule selon trois scénarios différents de risque acceptable.

Dans le scénario avec le risque acceptable le plus faible, ce qui signifie que le véhicule doit éviter toutes les régions qui auraient un risque très élevé de collision, l'algorithme a tracé un chemin conservateur, garder le véhicule dans une région sûre qui n'a pas non plus de récompenses élevées - dans ce cas, hautes températures. Pour les scénarios de risque acceptable plus élevé, l'algorithme a tracé des chemins plus audacieux qui ont conduit un véhicule à travers un gouffre étroit, et finalement dans une région à haut rendement.

L'équipe a également exécuté l'algorithme sur 10, 000 simulations numériques, générer des environnements aléatoires dans chaque simulation à travers lesquels planifier un chemin, et a constaté que l'algorithme "troque le risque contre la récompense intuitivement, prendre des mesures dangereuses uniquement lorsqu'elles sont justifiées par la récompense."

Une pente risquée

En décembre dernier, Ayton, Williams, et d'autres ont passé deux semaines en croisière au large des côtes du Costa Rica, déploiement de planeurs sous-marins, sur lequel ils ont testé plusieurs algorithmes, y compris ce plus récent. Pour la plupart, la planification du chemin de l'algorithme était conforme à celles proposées par plusieurs géologues embarqués qui recherchaient les meilleurs itinéraires pour trouver des suintements de pétrole.

Ayton dit qu'il y a eu un moment particulier où l'algorithme limité par le risque s'est avéré particulièrement utile. Un AUV remontait un marasme précaire, ou glissement de terrain, où le véhicule ne pouvait pas prendre trop de risques.

"L'algorithme a trouvé une méthode pour nous sortir de la crise rapidement, tout en étant le plus utile, " dit Ayton. " Cela nous a pris un chemin qui, alors que cela ne nous a pas aidé à découvrir des suintements de pétrole, cela nous a aidés à affiner notre compréhension de l'environnement.

"Ce qui était vraiment intéressant, c'était de voir comment les algorithmes de la machine ont commencé à "apprendre" après les résultats de plusieurs plongées, et avons commencé à choisir des sites que nous, les géologues, n'aurions peut-être pas choisis au départ, " dit Lori Summa, géologue et chercheur invité à la Woods Hole Oceanographic Institution, qui a participé à la croisière. "Cette partie du processus est encore en évolution, mais c'était passionnant de voir les algorithmes commencer à identifier les nouveaux modèles à partir de grandes quantités de données, et couplez ces informations à un outil efficace, stratégie de recherche « sûre ».

Dans leur vision à long terme, les chercheurs espèrent utiliser de tels algorithmes pour aider les véhicules autonomes à explorer des environnements au-delà de la Terre.

"Si nous allions en Europe et n'étions pas prêts à prendre des risques pour préserver une sonde, alors la probabilité de trouver la vie serait très, très lent, " Ayton dit. " Vous devez risquer un peu pour obtenir plus de récompense, ce qui est généralement vrai dans la vie aussi."

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.