从生物获取灵感：科学家正在开发水下交通工具机器人车辆的蜂群算法

很少有环境像海洋那样无情。它不可预测的天气模式和通信方面的限制使大片的海洋未被开发并被笼罩在神秘之中。麻省理工学院(MIT)ABS职业发展教授Wim van Rees表示：“海洋是一个迷人的环境，目前有许多挑战，如微塑料、藻类繁殖、珊瑚白化和温度上升。

与此同时，海洋拥有无数的机会--从水产养殖到能源采集以及探索我们尚未发现的许多海洋生物。”

像van Rees这样的海洋工程师和机械工程师正在利用科学计算的进步来应对海洋的诸多挑战并抓住其机遇。这些研究人员正在开发技术以更好地了解我们的海洋及生物体和人类制造的交通工具如何在其中移动。

生物启发的水下装置

当鱼在水中飞奔时，发生了一场复杂的舞蹈。灵活的鱼鳍在水流中拍打并在它们的后面留下一串漩涡。

“鱼有复杂的内部肌肉组织以适应其身体和鳍的精确形状。这使它们能以许多不同的方式推动自己，在机动性、敏捷性或适应性方面远远超过任何人造交通工具所能做到的，”van Rees说道。

另外，他还表示：“由于增材制造、优化技术和机器学习的进步，我们比以往任何时候都更接近于复制灵活和变形的鱼鳍用于水下机器人技术。因此，我们更需要了解这些软鳍如何影响推进力。”

Van Rees和他的团队正在开发和使用数值模拟方法来探索自由度增加的水下设备的设计空间，如由于鱼一样的可变形的鳍。

这些模拟帮助该团队更好地理解鱼的柔软、灵活的鳍在流体流中移动时的流体和结构力学之间的相互作用。因此，他们能更好地理解鱼鳍形状的变形会如何损害或改善游泳性能。“通过开发精确的数值技术和可扩展的并行实现，我们可以使用超级计算机来解决在这个流动和结构之间的界面上到底发生了什么，”van Rees补充道。

通过将他的柔性水下结构的模拟算法跟优化和机器学习技术相结合，van Rees的目标是为新一代的自主水下设备开发一个自动化设计工具。这个工具可以帮助工程师和设计师开发，如机器人鳍和水下交通工具，它们可以智能地调整其形状以更好地实现其直接的操作目标--无论是更快、更有效地游泳还是执行机动操作。

“我们可以利用这种优化和人工智能在整个参数空间内进行逆向设计并从头开始创建智能的、可适应的设备，或使用精确的个体模拟来确定决定一种形状为什么比另一种表现更好的物理原理，”van Rees说道。

机器人车辆的蜂群算法

与van Rees一样，这项研究的首席研究科学家Micheal Benjamin希望改善车辆在水中的操纵方式。2006年，当时还是MIT博士后的Benjamin为他开发的自主舵技术启动了一个开源软件项目。该软件已被Sea Machines、BAE/Riptide、Thales UK和Rolls Royce等公司及美国海军使用，它使用的是一种新颖的多目标优化方法。这种优化方法是Benjamin在其博士工作期间开发的，它使车辆能自主地选择方向、速度、深度和它应该去的方向以实现多个同时存在的目标。

现在，Benjamin正在通过开发蜂群和避障算法使这项技术更进一步。这些算法将使几十个无人驾驶的船能够相互沟通并探索海洋的某一特定部分。

首先，Benjamin正在研究如何在海洋中最好地分散自主车辆。他和他的团队已经开发了回答这个问题的算法。通过利用蜂群技术，每艘船定期将其位置跟附近的其他船进行交流。Benjamin的软件使这些船以最佳的分布方式分散到它们所处的海洋区域。

蜂群船队的成功的核心是避免碰撞的能力。避免碰撞因被称为COLREGS的国际海事规则而变得复杂。这些规则决定了哪些车辆在穿越路径时拥有“路权”，这给Benjamin的蜂群算法带来了独特的挑战。

COLREGS是从避免另一次单一接触的角度编写的，但Benjamin的蜂群算法必须考虑到多个试图避免相互碰撞的未驾驶车辆。

为了解决这个问题，Benjamin和他的团队创建了一个多对象优化算法，其将特定的机动动作排在从零到100的等级上。零分是指直接碰撞，而100分则意味着车辆完全避免碰撞。

“我们的软件是唯一以多目标优化为决策核心数学基础的海洋软件，”Benjamin说道。

虽然像Benjamin和van Rees这样的研究人员使用机器学习和多目标优化来解决车辆在海洋环境中移动的复杂性，但像MIT的Nam Pyo Suh教授Pierre Lermusiaux这样的其他人则使用机器学习来更好地了解海洋环境本身。

改进海洋建模和预测

海洋也许是所谓的复杂动力系统的最好例子。流体动力学、变化的潮汐、天气模式和气候变化使海洋成为一个不可预测的环境，每一刻都是不同的。海洋环境的千变万化会使预测工作变得异常困难。

研究人员一直在使用动态系统模型来对海洋环境进行预测，但正如Lermusiaux所解释的那样，这些模型有其局限性。

“在开发模型时，你不可能考虑到海洋中的每一个水分子。模型的分辨率和准确性以及海洋测量都是有限的。可能每100米、每公里就有一个模型数据点，或如果你看的是全球海洋的气候模型，那么你可能每10公里左右就有一个数据点，”Lermusiaux指出，“这可能对你的预测的准确性有很大影响。”

研究生Abhinav Gupta和Lermusiaux已经开发了一个新的机器学习框架以帮助弥补这些模型的分辨率或精确度的不足。他们的算法以一个分辨率低的简单模型为基础、可以填补空白并模拟出一个更准确的、具有高度分辨率的复杂模型。

Gupta和Lermusiaux的框架首次在现有的近似模型中学习并引入时间延迟从而提高其预测能力。

“自然界的事情不是瞬间发生的；然而，所有盛行的模型都假设事情是实时发生的，”Gupta说道，“为了使近似模型更加准确，你输入方程的机器学习和数据需要代表过去状态对未来预测的影响。”

而随着诸如Gupta和Lermusiaux的神经闭合模型等计算技术的不断改进和进步，研究人员可以开始揭开更多海洋的神秘面纱，进而为我们的海洋所面临的许多挑战制定解决方案。