Un team guidato dall’Institut de Ciències del Mar (ICM-CSIC) di Barcellona in collaborazione con il Monterey Bay Aquarium Research Institute (MBARI) in California, l’Universitat Politècnica de Catalunya (UPC) e l’Universitat de Girona (UdG), dimostra per la prima volta l’apprendimento per rinforzo, ovvero una rete neurale che apprende l’azione migliore da eseguire in ogni momento sulla base di una serie di ricompense, consente a veicoli autonomi e robot subacquei di localizzare e tracciare con attenzione oggetti e animali marini. I dettagli sono riportati in un articolo pubblicato sulla rivista Robotica scientifica.
Attualmente la robotica subacquea si sta affermando come uno strumento fondamentale per migliorare la conoscenza degli oceani di fronte alle tante difficoltà nell’esplorarli, con veicoli in grado di scendere fino a 4.000 metri di profondità. Inoltre, il sul posto i dati che forniscono aiutano a integrare altri dati, come quelli ottenuti dai satelliti. Questa tecnologia consente di studiare fenomeni su piccola scala, come la CO2 cattura da organismi marini, che aiuta a regolare il cambiamento climatico.
In particolare, questo nuovo lavoro rivela che l’apprendimento per rinforzo, ampiamente utilizzato nel campo del controllo e della robotica, nonché nello sviluppo di strumenti legati all’elaborazione del linguaggio naturale come ChatGPT, consente ai robot subacquei di apprendere quali azioni eseguire in un dato momento per raggiungere un obiettivo specifico. Queste politiche d’azione corrispondono, o addirittura migliorano in determinate circostanze, ai metodi tradizionali basati sullo sviluppo analitico.
“Questo tipo di apprendimento ci consente di addestrare una rete neurale per ottimizzare un compito specifico, che altrimenti sarebbe molto difficile da realizzare. Ad esempio, abbiamo potuto dimostrare che è possibile ottimizzare la traiettoria di un veicolo per localizzare e seguire gli oggetti che si muovono sott’acqua”, spiega Ivan Masmitjà, l’autore principale dello studio, che ha lavorato tra ICM-CSIC e MBARI.
Questo “ci consentirà di approfondire lo studio di fenomeni ecologici come la migrazione o il movimento su piccola e grande scala di una moltitudine di specie marine utilizzando robot autonomi. Inoltre, questi progressi consentiranno di monitorare altri strumenti oceanografici in tempo reale attraverso una rete di robot, dove alcuni possono essere in superficie a monitorare e trasmettere via satellite le azioni eseguite da altre piattaforme robotiche sul fondo del mare”, sottolinea il ricercatore dell’ICM-CSIC Joan Navarro, che ha anche partecipato allo studio.
Per svolgere questo lavoro, i ricercatori hanno utilizzato tecniche di range acoustic, che consentono di stimare la posizione di un oggetto considerando le misurazioni della distanza effettuate in punti diversi. Tuttavia, questo fatto rende la precisione nella localizzazione dell’oggetto altamente dipendente dal luogo in cui vengono effettuate le misurazioni della portata acustica. Ed è qui che diventa importante l’applicazione dell’intelligenza artificiale e, nello specifico, dell’apprendimento per rinforzo, che permette di individuare i punti migliori e, quindi, la traiettoria ottimale che deve essere compiuta dal robot.
Le reti neurali sono state addestrate, in parte, utilizzando il cluster di computer presso il Barcelona Supercomputing Center (BSC-CNS), dove si trova il più potente supercomputer in Spagna e uno dei più potenti in Europa. “Ciò ha reso possibile regolare i parametri di diversi algoritmi molto più velocemente rispetto all’utilizzo di computer convenzionali”, indica il prof. Mario Martin, del dipartimento di informatica dell’UPC e autore dello studio.
Una volta addestrati, gli algoritmi sono stati testati su diversi veicoli autonomi, tra cui l’AUV Sparus II sviluppato da VICOROB, in una serie di missioni sperimentali sviluppate nel porto di Sant Feliu de Guíxols, nel Baix Empordà, e nella baia di Monterey (California), in collaborazione con il ricercatore principale del Bioinspiration Lab presso MBARI, Kakani Katija.
“Il nostro ambiente di simulazione incorpora l’architettura di controllo dei veicoli reali, che ci ha permesso di implementare gli algoritmi in modo efficiente prima di andare in mare”, spiega Narcís Palomeras, dell’UdG.
Per ricerche future, il team studierà la possibilità di applicare gli stessi algoritmi per risolvere missioni più complicate. Ad esempio, l’uso di più veicoli per localizzare oggetti, rilevare fronti e termoclini o risalita cooperativa di alghe attraverso tecniche di apprendimento per rinforzo multipiattaforma.
Questa ricerca è stata realizzata grazie alla European Marie Curie Individual Fellowship vinta dal ricercatore Ivan Masmitjà nel 2020 e al progetto BITER, finanziato dal Ministero della Scienza e dell’Innovazione del Governo della Spagna, attualmente in fase di attuazione.
Da un’altra testata giornalistica. news de www.sciencedaily.com
