Autonome U-Boote nutzen KI zur Orientierung ohne GPS
Unterwasserroboter können tief unter der Wasseroberfläche operieren – ohne menschlichen Eingriff. KI hebt sie auf ein neues Level.
Die unbesetzten Unterwasserfahrzeuge (UUVs), auch als autonome Unterwasserroboter bekannt, sind dabei, eine Revolution in der Welt der Seefahrt und Meeresforschung auszulösen.
Bisher wurden UUVs hauptsächlich für Aufgaben wie die Tiefsee-Erkundung oder das Entschärfen von Unterwassermunition eingesetzt. Doch ihre Möglichkeiten sind bei weitem noch nicht ausgeschöpft.
KI statt GPS: Autonomes Navigieren trotz schlechter Sicht
Eine Herausforderung beim Einsatz dieser Roboter ist die Navigation unter Wasser. Denn hier stossen herkömmliche Technologien wie GPS an ihre Grenzen. Sie funktionieren schlichtweg nicht unter Wasser.
Und auch Kamerasysteme versagen oft aufgrund der geringen Sichtweite im Meer. Aber Forscher haben nun begonnen, maschinelles Lernen zu entwickeln, um den UUVs zu helfen, besser autonom zu navigieren.
Gefährlicher Job mit Umwelteinfluss: Biofilme entfernen
Einer ihrer Beweggründe ist es letztendlich, gefährliche Arbeiten wie das Abkratzen von Bioorganismen anzugehen, welche sich auf Schiffsrümpfen ansammeln.
Diese Ansammlungen, auch als Biofilme bekannt, stellen eine Bedrohung für die Umwelt dar.
Gleichzeitig erhöhen sie die Schiffskosten durch den zusätzlichen Widerstand.
Wie lernt ein Unterwasser-Roboter?
In einer Studie haben Forscher aus Australien und Frankreich maschinelles Lernen eingesetzt, um UUVs beizubringen, unter schwierigen Bedingungen genauer zu navigieren. Dabei kommt das sogenannte Deep Reinforcement Learning zum Einsatz.
Die Roboter führen zunächst zufällige Aktionen aus. Dann vergleichen sie die Ergebnisse mit dem Ziel – in diesem Fall so genau wie möglich am vorgesehenen Bestimmungsort anzukommen.
Ozeanströmungen meistern: Navigation trotz starker Interferenzen
Die Meeresströmungen sind stark und können Fahrzeuge weit von ihrem beabsichtigten Pfad abbringen. Daher müssen UUVs lernen, ihre Route anhand der Strömungsverhältnisse anzupassen.
Für optimale Leistung haben die Forscher einen langjährigen Ansatz des Verstärkungslernens modifiziert. Sie änderten den Prozess so ab, dass er sich eher an der Art orientiert, wie menschliche Gehirne lernen.
Schnelleres Training bei geringerem Energieverbrauch
Die Forscher fanden heraus, dass UUV-Modelle mit dieser angepassten Speicherpuffertechnik schneller trainieren konnten und dabei weniger Strom verbrauchten.
Beide Verbesserungen bieten einen erheblichen Vorteil bei der Bereitstellung eines UUVs.
