Autonome robots voor het volgen en ontmoeten van walvissen: nieuwe innovatieve methoden verkennen
AmsterdamProject CETI streeft ernaar om ons inzicht in de communicatie van potvissen te verbeteren door een grote hoeveelheid geluidsdata van walvissen te verzamelen. Een belangrijk probleem is het voorspellen waar een walvis zal opduiken zodat gegevens efficiënt verzameld kunnen worden. Stephanie Gil en haar team hebben een nieuwe methode ontwikkeld waarbij gebruik wordt gemaakt van autonome drones om dit probleem op te lossen. Hun onderzoek, gepubliceerd in Science Robotics, maakt gebruik van een combinatie van zeer hoge frequentie (VHF) signaaldetectie en reinforcement learning om nauwkeuriger te voorspellen wanneer en waar walvissen aan de oppervlakte zullen komen.
De AVATARS-methodologie integreert twee cruciale onderdelen.
- Zelfstandigheid: Bepaalt de optimale dronepositie voor maximale ontmoetingen met walvissen.
- Waarneming: Maakt gebruik van de hoek-van-aankomst van sensoren op walvistags om beslissingen te ondersteunen.
Deze methode maakt gebruik van gegevens van drones in de lucht, sensoren onder water en modellen van walvisgedrag om drones naar walvissen te leiden wanneer ze aan de oppervlakte komen. Deze technologie kan helpen om schepen te waarschuwen waar de walvissen zich bevinden, waardoor aanvaringen kunnen worden voorkomen.
Project CETI's systeem houdt walvissen in de gaten en stuurt drones naar hen toe wanneer ze aan de oppervlakte komen. Deze werkwijze verbetert de dataverzameling door gedetailleerde audio- en video-opnames van het walvisgedrag te bieden.
Met behulp van deze geavanceerde systemen kunnen wetenschappers walvissen bestuderen en wordt het zeeleven beschermd. Ze zorgen ervoor dat data nauwkeuriger en sneller worden verzameld, waardoor wetenschappers beter kunnen begrijpen hoe walvissen communiceren. Dit kan leiden tot nieuwe ontdekkingen over de manier waarop walvissen met elkaar praten en sociaal omgaan, waardoor ontbrekende kennis in de mariene biologie wordt aangevuld.
AI en robots worden ingezet bij marien onderzoek, wat aantoont dat dergelijke technologie ook in andere milieustudies nuttig kan zijn. Verbeterde sensoren en beslissingsprogramma's worden in diverse omgevingen gebruikt om essentiële informatie te verzamelen en de bescherming van biodiversiteit te ondersteunen.
Het laboratorium van Stephanie Gil boekt vooruitgang in het aanpakken van milieukwesties door samenwerking tussen verschillende vakgebieden. Ze combineren kunstmatige intelligentie, mariene biologie en robotica om beter te begrijpen hoe dieren communiceren. Dit werk dient als voorbeeld voor toekomstig onderzoek.
Bezoek de website van Project CETI op www.projectceti.org voor meer informatie.
De studie is hier gepubliceerd:
http://dx.doi.org/10.1126/scirobotics.adn7299en de officiële citatie - inclusief auteurs en tijdschrift - is
Ninad Jadhav, Sushmita Bhattacharya, Daniel Vogt, Yaniv Aluma, Pernille Tonessen, Akarsh Prabhakara, Swarun Kumar, Shane Gero, Robert J. Wood, Stephanie Gil. Reinforcement learning–based framework for whale rendezvous via autonomous sensing robots. Science Robotics, 2024; 9 (95) DOI: 10.1126/scirobotics.adn7299Deel dit artikel