麻省理工学院和伍兹霍尔海洋学研究所（WHOI）的研究人员已经发明了一种自动机器人系统，该系统可以在未开发的广阔水域中嗅探出最科学有趣但难于发现的采样点。
环境科学家通常对在环境中最有趣的位置或“最大值”处收集样本感兴趣。但是，部署寻求最大性能的机器人的努力会遇到效率和准确性问题中国机械网okmao.com。例如，化学物质可能被捕获并堆积在远离源头的缝隙中。机器人可能会将那些高浓度点识别为源头，但距离还很近。
在国际智能机器人与系统国际会议（IROS）上发表的一篇论文中，研究人员描述了“ PLUMES”，该系统使自主移动机器人能够更快，更高效地实现最大零位归零。PLUMES利用概率技术来预测哪些路径可能导致最大值，同时导航障碍物，移动电流和其他变量。在收集样本时，它会权衡所学的内容，以确定是沿着同一路径继续前进还是在其他地方搜索-这可能会保留更多有价值的样本。
重要的是，PLUMES不会被困在那些棘手的高浓度点上而到达目的地。“这很重要，因为很容易以为您发现了黄金，但实际上您已经找到了傻瓜的黄金，”第一作者，计算机科学与人工智能实验室（CSAIL）和MIT-WHOI联合计划。
研究人员建造了由PLUMES驱动的机器人船，该船成功地发现了位于巴巴多斯Bellairs边缘礁中最裸露的珊瑚头（位于最浅的位置），这对于研究日光照射如何影响珊瑚生物非常有用。在不同的水下环境中进行的100次模拟试验中，虚拟PLUMES机器人在分配的时间范围内还连续收集了比传统覆盖方法多7到8倍的最大样本。
“ PLUMES进行必要的最少数量的探索以找到最大的数量，然后迅速集中精力在那里收集有价值的样品，” CSAIL和MIT-WHOI联合计划的博士生Genevieve Flaspohler说。
PLUMES的一个关键见解是使用从概率到推理的技术来解决众所周知的复杂权衡问题，即权衡利用有关环境的知识和探索可能更有价值的未知区域。
置于新环境中的PLUMES机器人使用一种称为高斯过程的概率统计模型对环境变量（例如化学浓度）进行预测，并估计感应不确定性。然后，PLUMES生成机器人可以采取的可能路径的分布，并使用估计值和不确定性通过允许机器人进行探索和利用的程度对每个路径进行排名。
最初，PLUMES选择随机探索环境的路径。但是，每个样本都提供有关周围环境中目标值的新信息。高斯过程模型利用该数据来缩小机器人可以从其给定位置遵循的路径，以从具有更高价值的位置进行采样。PLUMES使用新颖的目标函数（通常在机器学习中使用以最大化奖励）来确定机器人是应该利用过去的知识还是探索新的领域。
该机器人通过利用改进版本的蒙特卡洛树搜索（MCTS）来决定在哪里收集下一个样本，这是一种流行的路径规划技术，用于为掌握复杂游戏（例如Go和Chess）的人工智能系统提供动力。此MCTS决策树的根始于“信念”节点，这是机器人可以采取的下一个直接步骤。该节点包含了到那时为止机器人动作和观察的全部历史记录。然后，系统将树从根部扩展到新的行和节点，并查看导致开发区域和未开发区域的未来操作的几个步骤。
现在，研究人员正在与WHOI的科学家合作，使用PLUMES驱动的机器人在火山现场定位化学羽流，并研究北极融化的沿海河口中的甲烷释放。科学家对释放到大气中的化学气体的来源很感兴趣，但是这些测试场所可以跨越数百平方英里。