海洋科学者たちは、魚やアザラシなどの動物が、形が異なるにもかかわらず、どのようにして非常に効率的に泳ぐのかに長い間驚嘆してきました。彼らの体は、効率的かつ流体力学的に水中で航行できるように最適化されているため、長距離を移動する際のエネルギー消費を最小限に抑えることができます。
自動運転車も同様に海中を漂い、広大な水中環境のデータを収集できます。ただし、これらのサーフィン マシンの形状は、海洋生物で見られるものほど多様ではありません。適切なデザインは、流体力学にも優れているため、チューブや魚雷に似ていることがよくあります。さらに、新しいビルドをテストするには、現実世界で多くの試行錯誤が必要です。
MIT のコンピューター科学・人工知能研究所 (CSAIL) とウィスコンシン大学マディソン校の研究者らは、人工知能が未知のドローンの設計をより便利に探索するのに役立つ可能性があると示唆しています。彼らの手法では、機械学習を使用して物理シミュレーターでさまざまな 3D デザインをテストし、それをより流体力学的形状に成形します。 3D プリンターを使用すると、手作業で作成するよりも大幅に少ないエネルギーでモデルを作成できます。
MITの科学者らは、この設計パイプラインにより、海洋学者が水温や塩分濃度を測定し、海流についてより詳細な洞察を収集し、気候変動の影響を監視するのに役立つ、より効率的な新しい機械を生み出す可能性があると述べている。チームは、ブギーボードほどの大きさの 2 つのドローン、つまり飛行機に似た 2 翼のマシンと、4 つのヒレを持つヒラメに似たユニークな 4 翼の物体を作成することで、この可能性を実証しました。
MIT CSAIL の博士研究員であり、このプロジェクトの主任研究員でもある Peter Yichen Chen 氏は、これらのデザインは彼のチームのアプローチが生み出す新しい形のほんの一部にすぎないと述べています。 「私たちは、人間がデザインするには決定的すぎるような、型破りなデザインを検討するのに役立つ半自動プロセスを開発しました」と彼は言います。 「このレベルの形状の多様性はこれまで調査されたことがないため、これらのデザインのほとんどは現実世界でテストされていません。」
しかし、そもそも AI はどのようにしてこうしたアイデアを思いついたのでしょうか?まず、研究者らは、潜水艦、クジラ、マンタ、サメなど、20 を超える従来の海洋探査の 3D モデルを発見しました。次に、これらのモデルを「変形ケージ」に入れ、さまざまな関節点をマッピングし、研究者がそれを引っ張って新しい形状を作成しました。
CSAIL 主導のチームは、さまざまな「迎え角」、つまり船が水中を滑空するときに傾く方向でのパフォーマンスをシミュレーションする前に、従来の形状と歪んだ形状のデータセットを構築しました。たとえば、水泳選手は、プールからアイテムを取り出すために -30 度の角度で潜水することを希望する場合があります。
これらのさまざまな形状と迎え角は、実際にドローンの形状が特定の角度でどの程度効果的であるかを予測し、必要に応じて最適化するニューラル ネットワークへの入力として使用されました。
サーフィンロボットにリフトを与える
チームのニューラル ネットワークは、特定のドローンが水中物理学にどのように反応するかをシミュレーションし、ドローンがどのように前進するか、ドローンに引きずられる力を把握することを目的としています。目標は、ブレーキと比較したグライダーのグリップを表す最適な揚抗比を見つけることです。この比率が高いほど、車両はより効率的に運転されます。値が低いほど、グライダーの巡航速度は遅くなります。
揚力と抗力の比率は飛行機を操縦する上で重要です。離陸時には風の流れに逆らってうまく滑ることができるように揚力を最大化する必要があり、着陸時には完全に停止するまで引きずるのに十分な力が必要です。
MIT の建築学の大学院生で CSAIL パートナーの Niklas Hagman 氏は、この比率は海で同じようなサーフィンの動きをしたい場合にも同様に役立つと指摘しています。
「私たちのチューブはドローンの形状を変えて最適な揚抗比を見つけ、水中性能を最適化します」と、6月のロボット工学とオートメーションに関する国際会議で発表された論文の筆頭著者でもあるハグマン氏は言う。 「その後、最高のパフォーマンスを発揮するデザインをエクスポートして、3D プリントできるようになります。」
ちょっとしたサーフィンに行く
AI パイプラインは現実的に見えましたが、研究者らは、より現実に近い環境でドローンをテストすることで、ドローンのパフォーマンスに関する予測が正確であることを確認する必要がありました。
彼らは最初、紙飛行機に似たミニチュア乗り物として複葉機のデザインを作成しました。このドローンは、風の流れをシミュレートするファンを備えた屋内スペースである MIT のライト兄弟風洞に運ばれました。異なる角度に配置された場合、グライダーの予測揚力抗力比は、風力テストで記録された値よりも平均で約 5% 高いだけであり、シミュレーションと現実の差異はわずかでした。
より複雑な視覚物理シミュレーターを含むデジタル評価も、AI パイプラインがドローンがどのように移動するかについてかなり正確な予測を行っているという概念を裏付けています。彼はこれらのマシンがどのように 3D で降下するかを想像しました。
これらのドローンを現実世界で実際に評価するには、チームはデバイスが水中でどのように動作するかを確認する必要がありました。彼らは、このテストの特定の攻撃ポイントで最も優れた 2 つのデザインを印刷しました。9 度のジェット状のデバイスと 30 度の四角形です。
どちらの形状も、完全に水に浸すと溢れる小さな穴を持つ中空シェルとして 3D プリントされました。この軽量設計により、水面からの車両の取り扱いが容易になり、製造に必要な材料が少なくなります。研究者らは、これらのシェルケーシング内に管状の装置を設置しました。この装置には、グライダーの浮力を変更するポンプ、物質移動装置（機体の迎え角を制御する装置）、電子部品など、さまざまなハードウェアが含まれていました。
それぞれの設計は、池の上をより効率的に移動することで、手作りの魚雷型グライダーを克服しました。 AI を搭載した 2 台のマシンは、他のものよりも揚抗比が高く、海洋動物が海を楽に移動できるのと同じように、消費エネルギーが少なくなりました。
このプロジェクトはドローン設計にとって心強い一歩であると同時に、研究者らはシミュレーションと現実世界のパフォーマンスの間のギャップを縮めようとしている。彼らはまた、海流の急激な変化に対応できる機械を開発し、ドローンを海や海洋により適したものにしたいと考えている。
Chen氏は、チームは新しいタイプの形状、特に薄型ドローンのデザインを模索していると付け加えた。彼らはフレームを高速化し、おそらくカスタマイズ、操作性、さらにはミニチュア車両の作成を可能にする新機能を強化するつもりです。
Chen と Hagman は、OpenAI 研究者の Pingchuan Ma SM ’23、PhD ’25 と共同でこのプロジェクトの研究を主導しました。彼らはこの論文を、ウィスコンシン大学マディソン校の助教授で最近CSAILの博士研究員となったWei Wangと共同執筆した。ジョン・ロマニシン 12 年、SM 18 年、博士号 23 年。そして、MIT 教授と CSAIL メンバーの 2 名、研究室長のダニエラ・ロス氏と上級著者のヴォイチェフ・マトゥシク氏です。彼らの研究は、国防高等研究計画局 (DARPA) と MIT-GIST プログラムからの助成金によって部分的に支援されました。
