Los científicos marinos se han maravillado de cómo los animales como los peces y las focas nadan de manera tan eficiente a pesar de tener diferentes formas. Sus cuerpos están optimizados para una navegación acuática hidrodinámica eficiente para que puedan ejercer energía mínima cuando viajan largas distancias.
Los vehículos autónomos pueden derivar por el océano de manera similar, recopilando datos sobre vastas entornos submarinos. Sin embargo, las formas de estas máquinas de deslizamiento son menos diversas que las que encontramos en la vida marina: los diseños de referencia a menudo se asemejan a tubos o torpedos, ya que también son bastante hidrodinámicos. Además, probar nuevas compilaciones requiere muchas pruebas y errores del mundo real.
Investigadores del Laboratorio de Informática e Inteligencia Artificial del MIT (CSAIL) y la Universidad de Wisconsin en Madison proponen que AI podría ayudarnos a explorar los diseños de planeadores desconocidos de manera más conveniente. Su método utiliza el aprendizaje automático para probar diferentes diseños 3D en un simulador de física, luego los moldea en formas más hidrodinámicas. El modelo resultante se puede fabricar a través de una impresora 3D que usa significativamente menos energía que las hechas a mano.
Los científicos del MIT dicen que esta tubería de diseño podría crear máquinas nuevas y más eficientes que ayudan a los oceanógrafos a medir la temperatura del agua y los niveles de sal, recolectar ideas más detalladas sobre las corrientes y monitorear los impactos del cambio climático. El equipo demostró este potencial al producir dos planeadores aproximadamente del tamaño de un tablero de boogie: una máquina de dos alas que se asemeja a un avión y un objeto único de cuatro alas se asemeja a un pez plano con cuatro aletas.
Peter Yichen Chen, MIT Csail Postdoc e co-líder investigador en el proyecto, señala que estos diseños son solo algunas de las formas novedosas que puede generar el enfoque de su equipo. “Hemos desarrollado un proceso semiautomático que puede ayudarnos a probar diseños no convencionales que serían muy exigentes para los humanos de diseñar”, dice. “Este nivel de diversidad de forma no se ha explorado anteriormente, por lo que la mayoría de estos diseños no se han probado en el mundo real”.
Pero, ¿cómo se le ocurrió AI estas ideas en primer lugar? Primero, los investigadores encontraron modelos 3D de más de 20 formas convencionales de exploración marina, como submarinos, ballenas, manta rayos y tiburones. Luego, encerraron estos modelos en “jaulas de deformación” que mapean diferentes puntos de articulación que los investigadores lograron para crear nuevas formas.
El equipo dirigido por CSAIL construyó un conjunto de datos de formas convencionales y deformadas antes de simular cómo funcionarían en diferentes “ángulos de ataque”: la dirección que un recipiente se inclinará mientras se desliza a través del agua. Por ejemplo, un nadador puede querer bucear en un ángulo de -30 grados para recuperar un artículo de una piscina.
Estas diversas formas y ángulos de ataque se usaron como entradas para una red neuronal que esencialmente anticipa cuán eficientemente funcionará una forma de planeador en ángulos particulares y la optimiza según sea necesario.
Darle a los robots deslizantes un ascensor
La red neuronal del equipo simula cómo reaccionaría un planeador particular ante la física submarina, con el objetivo de capturar cómo avanza y la fuerza que se arrastra contra él. El objetivo: encontrar la mejor relación ascensor-drag, que representa cuánto se retiene el planeador en comparación con cuánto se retiene. Cuanto mayor sea la relación, más eficientemente viaja el vehículo; Cuanto más bajo sea, más se reducirá el planeador durante su viaje.
Las relaciones de elevación a arrastre son clave para los aviones voladores: en el despegue, desea maximizar el elevador para asegurarse de que pueda deslizarse bien contra las corrientes del viento, y al aterrizar, necesita una fuerza suficiente para arrastrarlo a una parada completa.
Niklas Hagemann, un estudiante graduado del MIT en arquitectura y afiliado de CSAIL, señala que esta relación es igual de útil si desea un movimiento de deslizamiento similar en el océano.
“Nuestra tubería modifica las formas de planeador para encontrar la mejor relación elevación a arrastre, optimizando su rendimiento bajo el agua”, dice Hagemann, quien también es autor co-líder en un artículo que se presentó en la Conferencia Internacional sobre Robótica y Automatización en junio. “Luego puede exportar los diseños de alto rendimiento para que puedan ser impresos en 3D”.
Yendo por un deslizamiento rápido
Si bien su tubería de IA parecía realista, los investigadores necesitaban garantizar que sus predicciones sobre el rendimiento del planeador fueran precisas al experimentar en entornos más realistas.
Primero fabricaron su diseño de dos alas como un vehículo escalado que se asemeja a un avión de papel. Este planeador fue llevado al túnel de viento Wright Brothers del MIT, un espacio interior con ventiladores que simulan el flujo de viento. Colocado en diferentes ángulos, la relación de elevación a arrastre predicha del planeador fue solo aproximadamente un 5 por ciento más alta en promedio que las registradas en los experimentos de viento, una pequeña diferencia entre la simulación y la realidad.
Una evaluación digital que involucra un simulador de física visual y más complejo también admitió la noción de que la tubería de IA hizo predicciones bastante precisas sobre cómo se moverían los planeadores. Visualizó cómo estas máquinas descenderían en 3D.
Sin embargo, para evaluar realmente a estos planeadores en el mundo real, el equipo necesitaba ver cómo les iría a sus dispositivos bajo el agua. Imprimieron dos diseños que realizaron el mejor en puntos de ataque específicos para esta prueba: un dispositivo tipo jet a 9 grados y el vehículo de cuatro alas a 30 grados.
Ambas formas se fabricaron en una impresora 3D como conchas huecas con pequeños agujeros que se inundan cuando están completamente sumergidos. Este diseño liviano hace que el vehículo sea más fácil de manejar fuera del agua y requiere menos material para fabricar. Los investigadores colocaron un dispositivo con forma de tubo dentro de estas cubiertas de carcasa, que albergaba una gama de hardware, incluida una bomba para cambiar la flotabilidad del planeador, una palanca de cambios masiva (un dispositivo que controla el ángulo de ataque de la máquina) y los componentes electrónicos.
Cada diseño superó un planeador en forma de torpedos hecho a mano moviéndose de manera más eficiente a través de una piscina. Con relaciones más altas de elevación a arrastre que su contraparte, ambas máquinas impulsadas por la IA ejercían menos energía, similar a las formas sin esfuerzo en los animales marinos que navegan por los océanos.
Por mucho que el proyecto sea un paso alentador para el diseño del planeador, los investigadores buscan reducir la brecha entre la simulación y el rendimiento del mundo real. También esperan desarrollar máquinas que puedan reaccionar a cambios repentinos en las corrientes, lo que hace que los planeadores sean más adaptables a los mares y los océanos.
Chen agrega que el equipo está buscando explorar nuevos tipos de formas, particularmente diseños de planeadores más delgados. Tienen la intención de hacer que su marco sea más rápido, tal vez reforzándolo con nuevas características que permitan una mayor personalización, maniobrabilidad o incluso la creación de vehículos en miniatura.
Chen y Hagemann lideraron una investigación sobre este proyecto con el investigador de Operai Pingchuan Ma SM ’23, PhD ’25. Escribieron el periódico con Wei Wang, una Universidad de Wisconsin en el profesor asistente de Madison y reciente CSail Postdoc; John Romanishin ’12, SM ’18, PhD ’23; y dos profesores del MIT y miembros de CSAIL: la directora de laboratorio, Daniela Rus, y la autora senior Wojciech Matusik. Su trabajo fue apoyado, en parte, por una subvención de Proyectos de Investigación Avanzada de Defensa (DARPA) y el programa MIT-Gist.
