World-Model-Grounded LLM Planning for AUV and ASV Navigation Near Offshore Wind Farms

Stel je een robot voor die een eenvoudige zin kan begrijpen zoals "ga die windturbine inspecteren" en vervolgens kan uitzoeken welke stappen nodig zijn om daar te komen. Jarenlang hebben wetenschappers geprobeerd kunstmatige intelligentie precies dit te leren door gebruik te maken van grote taalmodellen, dezelfde technologie die slimme assistenten en chatbots aanstuurt. Deze systemen zijn uitstekend in het opdelen van een groot doel in kleinere acties, zoals "vooruit bewegen", "naar links draaien" of "stoppen". Ze hebben echter een kritiek blinde vlek: ze begrijpen geen natuurkunde. Ze kennen de woorden voor het bewegen van een boot of een onderzeeër, maar ze voelen niet het gewicht van het water, de weerstand van de stroming of de vertraging die nodig is voordat een motor reageert. Als je een standaard taalmodel vraagt om een vaartuig rond een turbine te sturen, kan het een draai voorstellen die op papier perfect lijkt, maar in de werkelijkheid mislukt omdat het water de boot opzij duwt of omdat de motor traag reageert, waardoor het vaartuig recht tegen de structuur aan drijft. Deze kloof tussen wat een computer denkt dat er zal gebeuren en wat er daadwerkelijk gebeurt in de oceaan, is het centrale probleem dat onderzoekers van het Noorse Defensieonderzoeksinstituut en de Heriot-Watt Universiteit wilden oplossen.

Het team heeft een nieuwe manier ontwikkeld om autonome robots nabij offshore windparken te begeleiden door ze een "wereldmodel" te geven. Zie dit niet als een tweede brein dat nadenkt, maar als een uiterst nauwkeurige simulator die op de achtergrond draait. In dit systeem fungeert het taalmodel nog steeds als de commandant, die de reeks acties bepaalt op basis van de missiebeschrijving. Maar voordat de robot beweegt, grijpt het wereldmodel in om de vragen "hoe lang" en "hoeveel" te beantwoorden. Het berekent de exacte duur van elke beweging en controleert of het plan standhoudt tegen de fysieke realiteiten van de oceaan, zoals golven, stromingen en de specifieke manier waarop de motoren van de robot werken. Als het plan eruitziet alsof het tot een botsing zal leiden, past het wereldmodel de timing of het pad aan, zodat de robot veilig blijft terwijl hij toch zijn doel bereikt.

Om deze aanpak te testen, werkten de onderzoekers met twee zeer verschillende soorten robots: een onderwatervoertuig dat in alle richtingen kan bewegen, inclusief zijwaarts, en een oppervlakteboot die alleen vooruit, achteruit en kan draaien kan bewegen, vergelijkbaar met een auto. Ze creëerden een hybride systeem waarbij een standaard fysica-simulator de basisregels van beweging leverde, en een neuraal netwerk leerde om de kleine, rommelige fouten te corrigeren die echte machines maken. Deze combinatie stelde het systeem in staat om de toekomstige staat van de robot met extreme precisie te voorspellen. In hun simulaties kon het systeem voorspellen waar de onderwaterrobot zich na één minuut zou bevinden met een fout van minder dan een millimeter, en waar de oppervlakteboot zich zou bevinden met een fout van minder dan een halve meter.

De resultaten van hun tests waren opmerkelijk. Wanneer de robots opdrachten kregen om rond windturbineconstructies en kabels te navigeren, faalde het taalmodel alleen volledig. Het botste in elke enkele poging tegen obstakels omdat het niet rekening kon houden met de drift veroorzaakt door waterstromingen of de vertraging in de motoren. In contrast hiermee, wanneer het taalmodel werd gekoppeld aan het wereldmodel, bereikten zowel de onderwater- als de oppervlakte-robots hun bestemming zonder een enkele botsing. Het systeem verminderde de afstand tussen waar de robot stopte en de beoogde doelstelling met ongeveer 93 procent voor het onderwatervoertuig en tussen de 70 en 82 procent voor de oppervlakteboot, vergeleken met de ongeleide pogingen.

Een bijzonder slim onderdeel van het werk betrof de oppervlakteboot, die vaak te klein en te goedkoop is om dure sensoren zoals sonar of laserscanners mee te dragen om de oceaanbodem in realtime in kaart te brengen. In plaats van te vertrouwen op boordsensoren, leerden de onderzoekers het systeem om de omgeving te "zien" met behulp van satellietbeelden, nautische kaarten en weersvoorspellingen. Een visie-taalmodel analyseerde deze bestaande kaarten om obstakels zoals ondiepe rotsen of ondergedompelde structuren te identificeren, en veranderde deze in een digitale kaart die de robot kon gebruiken. Deze methode bleek even effectief als het hebben van een mens die de obstakels handmatig op een kaart tekent, met een nauwkeurigheid van 96 procent in het onderscheiden van bevaarbare gebieden van niet-bevaarbare gebieden. Dit betekent dat goedkope robots binnenkort complexe kustgebieden kunnen navigeren zonder zware, dure apparatuur mee te hoeven dragen.

De onderzoekers testten ook hoe goed dit systeem stand zou houden in een meer realistische, hoogwaardige simulatie die complexe golfpatronen en onvoorspelbare stromingen bevat. Zelfs in deze uitdagende omgeving bleven de robots botsingsvrij. Het systeem bevatte een veiligheidsmechanisme dat het plan voortdurend herëvalueerde terwijl de robot bewoog. Als de robot door een plotselinge golf uit koers raakte, berekende het systeem snel het resterende pad opnieuw om ervoor te zorgen dat het doel nog steeds veilig bereikt kon worden. Dit closed-loop proces, dat werkt als een constante controle-en-evenwicht, was cruciaal voor succes, vooral bij nauwe manoeuvres waarbij een kleine fout tot een crash kon leiden.

Uiteindelijk laat de studie zien dat hoewel kunstmatige intelligentie krachtig is in het begrijpen van taal en het plannen van sequenties, het een verankering in de fysieke realiteit nodig heeft om nuttig te zijn in de echte wereld. Door de hoogwaardige redenering van een taalmodel te combineren met een natuurkunde-bewust wereldmodel, hebben de onderzoekers een systeem gecreëerd dat autonome voertuigen veilig door de complexe en dynamische omgeving van offshore windparken kan leiden. Het werk suggereert dat de toekomst van de maritieme robotica niet ligt in het slimmer maken van het taalmodel, maar in het geven van een beter begrip van de fysieke wereld waarin het opereert, waardoor het beslissingen kan nemen die niet alleen logisch zijn, maar ook fysiek mogelijk.