Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

AILARON Autonomous Imaging and Learning Ai RObot identifying plaNkton taxa in-situ

Alternativ tittel: AILARON - Autonom avbilding og maskinlæringsrobot for identifisering av plankton taxa in-situ

Tildelt: kr 9,5 mill.

AILARON utviklet et nytt mobilt robotverktøy: et lett autonomt undervannsfartøy (LAUV) utstyrt med banebrytende bildebehandling og analytiske evner. Dette avanserte systemet validerte konseptet med å karakterisere biotaen i den øvre vannsøylen ved å bruke intelligent prøvetaking om bord, rettet mot spesifikke mesoplankton taksa. AILARON klarte å avbilde, behandle, analysere og klassifisere planktonbaserte bilder, noe som gjorde at LAUV kunne utføre intelligent målrettet prøvetaking om bord. Denne tilnærmingen representerte et betydelig fremskritt fra tradisjonelle metoder, som vanligvis involverte å samle inn vannprøver, for så å transportere og analysere dem på et laboratorium. Dette er ikke bare tidkrevende, men henger ofte etter de raske endringene som skjer i marine miljøer. Ved å dra nytte av de nyeste fremskrittene innen bildebehandling, robotikk, maskinlæring og kunstig intelligens, forbedret AILARON denne metodikken betydelig, og muliggjorde en sanntidsanalyse på stedet av mikrobielle samfunn i rom og tid. Prosjektet var sterkt tverrfaglig, og broen mellom feltene Robotic Vision, Machine Learning, Artificial Intelligence og Control Theory ble etablert. En av dets fremragende egenskaper var koblingen av robotsynsbasert prøvetaking med maskinlæringsteknikker. Dette gjorde det mulig for det marine robotfartøyet å autonomt målrette seg mot spesifikke mikrobiologiske taxaer innenfor den fotografiske sonen - de øvre 75 meter av havet der sollys trenger inn - ved hjelp av et nytt kamerasystem. LAUV kunne deretter behandle bildene på stedet, kategorisere og klassifisere mikroorganismer gjennom dyp læring, og generere et sannsynlighetstetthetskart i tre dimensjoner. Dette kartet kunne deretter veilede LAUV tilbake til områder rike på arter av interesse, takket være et avansert AI-basert kontrollsystem. Behandlingskjeden ble designet for å være fleksibel, og tillate menneskelig inngripen via en kommunikasjonsforbindelse til kysten. Denne funksjonen gjorde det mulig for forskere å dynamisk justere LAUVs prøvetakingspreferanser basert på sanntidsfunn, noe som gjorde kjøretøyet tilpasningsdyktig for skiftende forskningsmål. AILARON-prosjektet var strukturert rundt fire hovedarbeidspakker: Bildebehandling og Sensorfusjon, Robotic Vision og Machine Learning, Flytestimasjon og Kartlegging, og Kartlegging med AI-planlegging og -kontroll om bord. Denne omfattende tilnærmingen sikret at alle aspekter ved robotisk utforskning og analyse ble optimalisert for effektivitet og effektivitet. Feltarbeid ble primært gjennomført i Trondheimsfjorden og Frohavet. I tillegg var AILARON en del av en større forskningsinnsats kjent som "Ocean Observational Pyramid". Et system av systemer som integrerer multisensor- og multiscale-tilnærminger - inkludert satellittfjernmåling, autonome luftbårne, overflate- og undervannsfartøy, tradisjonell nett- og vannprøvetaking, og avanserte molekylære teknikker - for å overvåke og analysere fytoplanktonblomster og økosystemhelse. Det er en helhetlig strategi for å forstå blomstdynamikk ved å lette modellvalidering og forbedre prediksjon og håndtering av skadelige algeblomster gjennom å knytte rom-tid-makroskopiske med mikroskopiske observasjoner. AILARON tilbød dermed observasjoner med høyere forstørrelse og demonstrerte vellykket potensialet for å integrere teknologi og biologi for å bedre forstå de komplekse dynamikkene i havøkosystemer, spesielt med tanke på de observerbare endringene på planeten vår.

The AILARON project enables a rapid assessment and a deeper understanding of plankton communities in the upper water column, crucial for comprehending climate change impacts on ocean processes. By integrating advancements in robotics, automation, and AI, the project facilitates persistent, systematic ecosystem surveillance. This approach enhances the accuracy of predictions, minimizes measurement uncertainties, and offers methodical sampling with high spatial and temporal resolution. Additionally, enhancements in real-time robotic visual sensing and machine learning leads to detailed space-time imaging and analysis. The impacts of the AILARON project are far-reaching. The development of a novel mobile robotic tool for characterizing upper water column biota represents a significant leap forward. This mobile robotic explorer employs intelligent onboard sampling targeting specific mesoplankton taxa, integrating imaging, supervised machine learning, hydrodynamics, and AI planning, accelerating the labor-intensive process of analyzing marine life presence, thereby advancing oceanographic observation practices. Anticipated potential effects include improved interdisciplinary and international research collaboration, and practical application of research results by stakeholders, like the aquaculture industry, fisheries and public administrations. These advancements contribute to long-term societal changes by enhancing our ability to monitor and respond to environmental shifts in our oceans.

AILARON will image, process, analyze, classify plankton-based imagery to enable intelligent onboard targeted sampling on an autonomous underwater vehicle (AUV). The end outcome will be a novel mobile robotic tool for upper water-column microbial biology. In particular, this highly interdisciplinary project will have substantial impact on the study of microbial time-series in ongoing studies of the changing planet. It will accelerate the time consuming process in asking -who is there- from traditional methods of obtaining water samples, storage, transport, microscopy and analysis while leveraging advances in imaging and robotics hitherto not accomplished before. The proposed project targets fundamental research in the fields of Robotic Vision, Machine Learning, Artificial Intelligence (AI) and Control Theory. In particular, we propose to couple Robotic Vision based upper water-column sampling and Machine Learning techniques for exploration with a marine robotic vehicle to autonomously target specific microbiological taxa. The AUV will use a novel camera system to image microorganisms in the photic zone (upper 75 meters), process imagery in-situ, categorize and classify based on Deep Learning, generate a probability density map in X,Y and Z planes, and use an advanced AI based controller to return to the most highly correlated hotspots with respect to species of interest. The entire processing chain will be embedded and guided by a human expert (as needed) via a communication link to shore to potentially alter her sampling preferences dynamically making the vehicle to adapt on-the-fly. The project funds one doctoral and one post-doctoral fellow and is organized in 4 work packages: WP1: Imaging and Sensor Fusion WP2: Robotic Vision and Machine Learning WP3: Flow Estimation and Mapping WP4: Mapping with onboard AI Planning and Control Our primary experimental site will be the Trondheimfjord.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon