 海洋科学家一直对鱼和海豹等动物虽然身体形状各不相同但都能高效地进行水下运动感到惊奇。实际上这些动物的身体形状都经过大自然的优化，因而可实现高效率的水中航行，也就是说它们可以使用很少的能量就完成长距离旅行。 自动驾驶载具可以以类似的方式在海洋中漂流，收集有关广阔水下环境的数据。然而，这些滑翔机的形状不如我们在海洋生物中发现的那么多样化——首选设计通常类似于管子或鱼雷，因为这在很大程度上满足流体动力学的原则。此外，尝试创新的设计也需要投入大量真金白银的试错过程。 来自麻省理工学院计算机科学与人工智能实验室 （CSAIL） 和威斯康星大学麦迪逊分校的研究人员提出，人工智能可以帮助我们更方便地探索未知的滑翔机设计。他们的方法使用机器学习在物理模拟器中测试不同的 3D 设计，然后将它们塑造成更符合流体动力学的形状。由此产生的模型可以通过 3D 打印机制造，使用的能源比人造模型少得多。 麻省理工学院的科学家们表示，这种设计方式可以创造出新的、更高效的机器，帮助海洋学家测量水温和盐分水平，汇集有关洋流的更详细信息，并监测气候变化的影响。该团队通过生产两个大约与冲浪板大小差不多的滑翔机来展示这种潜力：一个类似于飞机的双翼机器，以及一个类似于有四个鳍的扁鱼的独特四翼物体。 麻省理工学院博士后、CSAIL 附属机构、该项目的联合首席研究员 Peter Yichen Chen 指出，这些设计只是这种方法可以创建的新设计中的一小部分。“我们开发了一种半自动化流程，可以帮助我们测试非常规设计，这些设计对人类来说非常费力，”他说。“以前没有探索过这种级别的形状多样性，因此这些设计中的大多数都没有在现实世界中进行测试。” 但是 AI 最初是如何提出这些想法的呢？首先，研究人员发现了 20 多种传统海洋运动物体的 3D 模型，例如潜艇、鲸鱼、蝠鲼和鲨鱼。然后，他们将这些模型封闭在“变形笼”中，这些笼子绘制出不同的关节点，研究人员拖动这些关节点以创造新的形状。 CSAIL 领导的团队构建了一个传统和变形形状的数据集，然后模拟了它们在不同的攻角下的表现，然后将这些不同的形状和攻角用作神经网络的输入，该神经网络基本上可以预测滑翔伞形状在特定角度下的性能效率，并根据需要对其进行优化。 为滑翔机器人提供动力 该团队的神经网络模拟了特定滑翔机对水下物理环境的反应，旨在捕捉它如何向前移动以及运动中受到的阻力，目标是找到最佳的升阻比。升阻比越高，车辆行驶的效率就越高；升阻比越低，滑翔机在航行过程中就会更快地降低速度。 升阻比对飞机飞行起到关键作用：起飞时，您希望最大限度地提高升力；而着陆时，您需要足够的阻力将其拖至完全停止。 麻省理工学院研究生和 CSAIL 附属机构 Niklas Hagemann 指出，如果您想在海洋中进行类似的滑行运动，这个比率同样有用。 “我们的设计流程修改了滑翔机的形状，以找到最佳的升阻比，从而优化了其在水下的性能，”Hagemann 说，他是一篇论文的另一位共同第一作者，该论文将于本月在国际机器人与自动化会议 （ICRA） 上发表。“然后，您可以导出性能最佳的设计，以便进行 3D 打印。” 迈向快速滑行 虽然他们的 AI 设计流程看起来很现实，但研究人员需要通过在更逼真的环境中进行实验来确保其对滑翔机性能的预测是准确的。 他们首先将他们的双翼设计制造成一种缩尺飞行器，然后在麻省理工学院的莱特兄弟风洞进行试验。在不同的攻角下，通过数值模拟得到的升阻比平均起来仅比风洞实验中得到的升阻比高出约 5%，也就是说模拟与现实之间仅存在微小误差。 涉及可视化以及更复杂的物理模拟器的数值模拟表明，AI设计平台对滑翔机的运动方式做出了相当准确的预测，比如它可视化了滑翔机如何以3D形式下降。 不过，为了在现实世界中真正对这些滑翔机做出评估，该团队还需要了解他们的设备在水下的真实表现。他们打印了两种在特定设计点上表现最好的设计，用于本次测试的是：攻角为9° 的类似于喷气式飞机的设计和攻角为 30° 的四翼飞行器设计。 这两种形状都是在 3D 打印机中制造的带小孔的空心壳体，完全浸没时壳体内部会被淹没。这种轻巧的设计使整个模型更容易制作，并且需要的制造材料也更少。研究人员在壳体内放置了一个圆管，其中装有一系列硬件，包括用于改变滑翔机浮力的泵、质量转换器（一种控制机器攻角的装置）和电子元件。 这两种设计都通过更有效地在水池中运动而胜过人造的鱼雷形滑翔机。这两款 AI 驱动的机器都具有比同类产品更高的升阻比，消耗的能量更少，类似于海洋动物在海洋中航行的轻松方式。 尽管该项目是滑翔机设计向前迈出的令人鼓舞的一步，但研究人员还在寻求缩小数值模拟与实际性能之间的误差。他们还希望开发能够对水流的突然变化做出反应的机器，使滑翔机能更加适应海洋环境。 Chen 补充说，该团队正在研究新的外形设计，尤其是更薄的滑翔机设计。他们打算让他们的设计更快，也许会用新功能来支持它，以实现更好的定制性、机动性，甚至建造微小型载具。 Chen 和 Hagemann 与 OpenAI 研究员 Pingchuan 马 SM '23 PhD '25 共同领导了该项目的研究。他们与威斯康星大学麦迪逊分校助理教授和 CSAIL 附属机构共同撰写了这篇论文：麻省理工学院博士后 Wei Wang、John Romanishin '12 SM '18 博士 '23、麻省理工学院教授兼实验室主任 Daniela Rus 以及资深作者兼麻省理工学院教授 Wojciech Matusik。他们的工作部分得到了国防高级研究计划局 （DARPA） 资助和 MIT-GIST 计划的支持。 该项工作已发表在arxiv.org上：https://arxiv.org/abs/2505.00222 （本站转译自MIT CSAIL） |
