無人水下航行器 (UUV)

遙控和自主車輛現(xiàn)在正幫助我們在人類不容易到達的地方進行發(fā)現(xiàn)。最近在美國夏威夷和墨西哥之間的克拉里昂-克利珀頓區(qū)的底部探索海洋生物的任務(wù)，最深的地方在地表下5000多米，發(fā)現(xiàn)了30多個潛在的新物種。

這些無人駕駛的水下航行器（UUV）正在執(zhí)行任務(wù)，使人類能夠做出更好的決定（克拉里昂-克利珀頓調(diào)查是為了評估海底采礦的影響）。它們也在對未知的深海進行測繪，按照下潛前設(shè)計的軌跡和任務(wù)指令，然后在離海底幾米的地方 "飛行 "幾個小時，同時將數(shù)據(jù)轉(zhuǎn)發(fā)給上面的船只。這些只是兩個例子；車輛可以被編程為尋找埋在海底的舊海雷，檢查管道是否泄漏，或搜索丟失的航運集裝箱。

AutoTRAp Onboard? 自動目標識別和聲納圖像處理正在 Teledyne Gavia 平臺上進行地雷探測測試。

問題是，現(xiàn)在這些自動駕駛汽車缺乏一個重要的特征——好奇心。他們執(zhí)行一種模式（如割草機搜索）或收集數(shù)據(jù)并將其傳遞給人類以決定哪些對象是有趣的，然后被引導回這些目標。

很快這些任務(wù)將與自動駕駛汽車一起執(zhí)行，作為真正的隊友，機器被賦予一般任務(wù)指令和搜索區(qū)域，然后被釋放去探索并決定需要進一步檢查的內(nèi)容，而不是需要遠程控制或保持聯(lián)系以獲取指示。

好奇的機器可以修改他們的任務(wù)以獲得更多信息。他們不只是確定目標；他們可以意識到他們找到了一種新的目標。他們知道的足以說，‘那看起來有點像海星，但它不是我所期待的。我需要知道更多。當然，機器并不是真的這樣說話……但是。然而，最近成立的 XAI（Explainable AI）領(lǐng)域正在為深度學習系統(tǒng)提供一種聲音，它們可以用一種自然且易于人類理解的方式傳達其決策和行動背后的原因。

NEMO 將來自 Awarion? 自主監(jiān)視系統(tǒng)的信息與深度學習 YOLO 神經(jīng)網(wǎng)絡(luò)和概率數(shù)據(jù)融合方法相結(jié)合，以準確檢測和分類視覺和聽覺傳感器饋送中的海洋哺乳動物。

自動駕駛汽車的未來意味著在從深海到外太空的未開發(fā)地點和環(huán)境中執(zhí)行非常長期的任務(wù)。當他們遇到異常時，他們需要知道他們觀察到的東西是新的和有趣的，然后決定靠近或跟隨它以了解更多信息。

但是創(chuàng)造一臺好奇的機器并不容易。為了好奇，一臺機器必須辨別出什么是不尋常的；換句話說，它必須執(zhí)行異常檢測。異常檢測很復(fù)雜。它需要機器感知某物（檢測）并知道它是什么或不是什么（分類）。這適用于靜止物體，如海底礦井，或移動物體，甚至是一起移動的物體組，如海洋生物，這可能需要觀察數(shù)天或數(shù)周以收集足夠的數(shù)據(jù)以確定什么是正常行為（即，生命分析模式中的基線）。

如何構(gòu)建好奇心？

要成為人機團隊的好奇成員，海上車輛需要在許多領(lǐng)域進行更先進的研發(fā)：感知、AI 算法、世界建模、導航、異常檢測、人類可理解的通信等等。讓我們檢查一些。

ALPACA 機器學習代理不僅學習如何在戶外環(huán)境中導航，它還了解自己在任務(wù)中的能力。

感知：信號處理和數(shù)據(jù)解釋。視覺傳感器 (EO/IR) 在水下變得不太有效，因此它們的信息必須與聲學傳感器（聲納、多普勒、振動計）融合。需要在機載圖像處理方面取得進展，以消除諸如“海雪”之類的偽影——水下圖像中懸浮在水中的粒子反射產(chǎn)生的亮點——這樣圖像就足夠清晰，可以支持決策制定。所有傳感器必須變得更小并且需要更少的能量來支持更長時間的任務(wù)，以全面探索一個區(qū)域或追蹤物種的生活模式。

機載智能：自主、規(guī)劃、情境和自我意識。我們需要人工智能和機器學習的重大轉(zhuǎn)變，以融入真正的態(tài)勢感知；即對周圍內(nèi)外環(huán)境的認識。人工智能并不能保證任務(wù)成功——人工智能的表現(xiàn)取決于它對環(huán)境和其中一切事物的了解，包括它自己。

為了準確識別海底圖像中的某物是否值得研究，人工智能還必須知道海底類型、水柱狀態(tài)以及該環(huán)境的常見情況。它還需要了解自己的性能；如果傳感器出現(xiàn)問題，它必須低估傳感器的觀察結(jié)果，就像我們戴著鏡片上有污跡的眼鏡一樣。在更高的層次上，它需要知道它在某個環(huán)境中是否有足夠的經(jīng)驗，或者它以前在那個環(huán)境中的表現(xiàn)是好是壞。

所有這些信息都必須輸入支持好奇行為的決策過程。決策軟件，即可以讓機器表現(xiàn)出好奇心的人工智能算法和知識模型的結(jié)合，必須能夠在車載的小型、輕量、低功耗處理器上運行。

異常檢測：目標檢測、分類和世界建模。目標檢測和分類方面的進步本身并不能確定一個物體是否異常。該判斷需要一個環(huán)境模型，并了解其中的正常情況。

目前，基線參數(shù)主要由人類提供，但通過用復(fù)雜模型替換這些硬編碼規(guī)則，機器可以知道，例如，水和沉積物在特定水下環(huán)境中如何傾向于混合，以及聲納返回的信息如何因此，傳感器應(yīng)該有不同的解釋。

海底地形的世界模型開發(fā)正在進行中。像 Terradepth 這樣的公司正在使用一組自主潛水器來生成一組詳細的測深圖，這樣我們就可以在水面上方和下方使用谷歌地球。

人機協(xié)作和通信：當前的數(shù)據(jù)對接和傳輸方法錯失了發(fā)現(xiàn)的機會。通過傳輸（甚至實時傳輸）原始數(shù)據(jù)供人類分析，自動駕駛汽車必須等待重新部署或被引導到一個有趣的目標。

考慮另一種選擇：一臺機器確定一個發(fā)現(xiàn)足夠有趣，可以分享，所以它修改了它的行為——導航到表面，在那里它可以交流它發(fā)現(xiàn)的東西，然后潛回去尋找下一個新事物。為了實現(xiàn)這一點，人類必須信任他們的機器隊友。為了贏得這種信任，機器必須知道什么時候它可能需要人類的幫助才能表現(xiàn)良好，并且它必須能夠用人類可以理解的語言來解釋它的決定和行動。

好奇心使能技術(shù)

Charles River Analytics 的科學家正在人類將好奇心編碼到自主水下和水面船只所需的許多領(lǐng)域進行前沿研發(fā)。AutoTRAp Onboard? 是一種目標檢測和分類系統(tǒng)，可為 UUV 的導航系統(tǒng)提供對象類型、檢測置信度和位置，使其能夠?qū)崟r處理聲納數(shù)據(jù)。Awarion? 是一種人工智能和計算機視覺系統(tǒng)，帶有一個攝像頭，可以掃描地平線并自動尋找和跟蹤物體以進行后續(xù)觀察，包括鯨魚、船只和海上的其他物體。激光多普勒測振法也正在探索用于空中、表面和地下傳感。

在 NOAA 和 DARPA 贊助的項目中，正在開發(fā)傳感器、檢測和分類軟件以支持對海洋哺乳動物的調(diào)查。學習代理意識到自己的能力和軟件，可以解釋人工智能如何執(zhí)行分類，例如檢測圖像中的行人，或者它如何在游戲環(huán)境中做出決策，也已經(jīng)交付。

正在使用概率編程語言 Figaro 對不確定性下的決策制定進行研究。世界建模由 Scruff 支持，Scruff 是一個新發(fā)布的框架，用于將不同的建模范例組合在一個連貫的框架中，以便它們可用于 AI 推理。在一個應(yīng)用程序中，這些語言使得將“正?！避浖D(zhuǎn)換為自適應(yīng)軟件成為可能，UUV 上的導航和路徑規(guī)劃軟件可以使用這些軟件來快速適應(yīng)新的條件。

對于無人駕駛系統(tǒng)來說，真正的自主和值得信賴的人機隊友，他們必須好奇。好奇心是一種特殊形式的智力，通過了解什么是正常的和什么不是正常的編碼，具有自主性和能力來做出決定，然后執(zhí)行行為以進一步調(diào)查。為了值得信賴，機器必須了解自己的表現(xiàn)，并就其決策和行動進行可理解的交流。一旦可以部署一批好奇的機器來服務(wù)于探索和保護，發(fā)現(xiàn)的速度將呈指數(shù)級增長。