观察世界上的海洋，越来越多的任务被分配给自主水下航行器(AUVs)——海洋机器人，它们被设计成漂移，驱动，或在海洋中滑行，而不需要任何人类操作员的实时输入。auv可以帮助回答的关键问题是，什么时候，什么时候，以及什么样本，以提供最翔实的数据，以及如何最佳地到达采样地点。
麻省理工学院的工程师们已经开发出了一套数学方程式系统，该系统可以预测最具信息量的数据，以收集给定的观测任务，以及到达采样点的最佳方式。
通过他们的方法，研究人员可以预测一个变量的程度，比如某个位置的洋流的速度，揭示了其他一些变量的信息，比如在其他位置的温度——一个称为“相互信息”的数量。“如果两个变量之间的相互信息的程度很高，那么AUV就可以被编程到特定的位置来测量一个变量，从而获得关于另一个变量的信息。”
该小组利用他们的方程式和海洋模型，称为多学科模拟、估计和同化系统(MSEAS)，在海洋实验中成功预测相互信息的领域并指导实际的auv。
“并非所有的数据都是平等的，”麻省理工学院机械工程系的研究生Arkopal Dutt说。“我们的标准……允许自动机器人精确定位传感器位置和采样时间，在那里可以进行最有效的测量。”
来决定如何安全、高效地达到理想抽样目的地,研究人员开发了一种方法来帮助水下使用不确定的海洋活动,通过预测“可达性”——一个动态三维区域的海洋,一个水下机器人将保证在一定时间内到达,鉴于AUV的权力约束和海洋的水流。该团队的方法使一辆汽车能够在更靠近目的地的地方冲浪，并避开那些会使其偏离轨道的车辆。
当研究人员将他们的可达性预测与真正的auv在阿拉伯海地区观测的路线进行比较时，他们发现他们的预测与这些车辆在很长一段时间内能够航行的位置是一致的。
最终，团队的方法应该帮助车辆以一种智能、高效的方式探索海洋。
机械工程研究生Deepak Subramani说:“自主的海洋机器人是我们的侦察兵，勇敢地面对汹涌的大海，为我们收集数据。”“我们的数学公式可以帮助球探们通过巧妙地利用洋流，达到想要的位置，并减少他们的能量消耗。”
由麻省理工学院机械工程与海洋科学与工程教授Pierre Lermusiaux领导的研究人员在一篇论文中列出了他们的研究成果，并发表在《海洋研究》杂志上。
除了Dutt和Subramani, Lermusiaux的团队还包括Jing Lin, Chinmay Kulkarni, Abhinav Gupta, Tapovan Lolla, Patrick Haley, Wael Hajj Ali, Chris Mirabito和Sudip Jana，都来自机械工程系。
寻找最翔实的数据。
为了验证他们的方法，研究人员表明他们可以成功地预测那些对一系列不同的目标最有价值的测量方法。例如，他们预测了对科学假设检验最优的观测结果，如果海洋模型方程本身正确与否，估计海洋生态系统的参数，并探测海洋中是否存在一致的结构。他们证实，他们的最佳观测结果比平均观测值高出50%到150%。
为了达到最佳观测地点，auv必须在海洋中航行。传统上，机器人的规划路径是在相对静态的环境中完成的。但是，通过海洋进行规划是另一回事，因为强劲的洋流和涡流会不断变化，不确定，并推动一辆汽车偏离预定的轨道。
麻省理工学院的研究小组因此开发了从基本原理到海洋的路径规划算法。他们修改了一个现有的方程，即哈密顿-雅可比方程，来确定一个AUV的可达性前缘，或者是在给定的时间内保证车辆到达的最远的周长。该方程是基于三个主要变量:时间、车辆的特定推进约束、平流，或由动态洋流的运输——这是该组织使用其海洋模型预测的一个变量。
随着新系统的发展，auv可以绘制出可行的信息路径，并根据不确定的洋流随时间变化而调整采样计划。在第一次大型的开放海洋测试中，研究团队计算了印度洋上自主漂浮和滑翔的概率和最具信息的路径，这是由海军研究办公室(ONR)的北阿拉伯海循环自主研究(NASCar)的一部分。
几个月来，研究人员在他们的麻省理工学院的办公室里工作，为ONR团队提供日常的可达性预测，以帮助指导水下车辆，并在沿途收集最佳观测值。
“基本上睡不着，”Lermusiaux回忆道。“预测是3到7天，我们每天都会吸收数据和更新。”我们做的很好。平均而言，滑翔机和浮舟最终在我们所预期的概率范围内完成。
片刻的真理是值得的。
Lermusiaux和他的同事们也利用他们的系统来规划“时间最优路径”——根据预测的洋流情况，在最短的时间内，这将使AUV到达某个位置。
与麻省理工学院林肯实验室和伍兹霍尔海洋研究所的同事们一起，他们在马撒葡萄园岛的海岸附近举行了一场“比赛”，以实时测试这些时间最佳路径。在每一场比赛中，一个AUV的路线是由团队的时间最优路径决定的，而另一个AUV沿着一条最短的路径到达同一个终点。
“太紧张了——谁会赢?””Subramani回忆说。“这对我们来说是真理的时刻，经过多年的理论发展和数学公式和证明。”
该团队的工作得到了回报。在每一场比赛中，根据团队预测的AUV首先到达目的地，比竞争对手的AUV快了15%。该小组的预测帮助获胜的AUV避免了强烈的电流，有时会阻止另一辆AUV。
“太神奇了，”Kulkarni说。尽管这两条路在物理上相距不到一英里，但在我们的预测下，旅行次数减少了15%。它表明我们的道路是真正的时间最佳。
作为麻省理工学院塔塔技术与设计中心的成员，Lermusiaux将运用他的海洋预测方法来帮助指导印度海岸的观测，在那里，这些车辆将负责监测渔业，以提供一个潜在的低成本管理系统。
“auv的速度并不快，而且它们的自主性也不是无限的，所以你必须考虑到电流和它们的不确定性，并严格地模拟事物，”Lermusiaux说。“这些自治系统的机器智能来自于严格地推导和合并控制理论、信息理论和机器学习的控制微分方程和原理。”
这项研究部分是由海军研究办公室、麻省理工学院林肯实验室、麻省理工学院塔塔中心和美国国家科学基金会资助的。
