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 vil benytte bilder, prosessere, analysere og klassifisere plankton for å muliggjøre intelligent in-situ målrettet datainnsamling på en autonom undervannsfarkost (AUV). Sluttproduktet vil bli ett nytt mobilt robotverktøy for øvre vannmassestudier i mikrobiell og plankton biologi. Spesielt vil dette tverrfaglig prosjektet har stor innvirkning på studier av mikrobielle tidsserier av plankton i et hav som er i endring. Dette vil akselerere den tidkrevende prosessen i å identifisere og telle plankton basert på tradisjonelle metoder med vannprøver, lagring, transport, mikroskopi og analyse ved å utnytte nyutviklede metoder innen bildebehandling og robotikk. Det foreslåtte prosjektet retter seg mot grunnleggende forskning innen Robotsyn, Maskinlæring, Kunstig Intelligens (AI, Artificial Intelligence) og Reguleringsteknikk. Spesielt vil vi koble Robotsyn i øvre vannsøyle prøvetaking og Maskinlæring teknikker for leting med marine roboter som instrumentbærere som selvstendig kan identifisere og tallfeste forskjellige plante- og dyreplankton taxa. Det autonome undervannsfartøyet (AUV) vil bruke et nyutviklet kamerasystem for identifisering og tallfesting av plante- og dyreplankton i eufotiske sonen (øverste 75 meter), prosessere bilder in-situ, kategorisere og klassifisere basert på moderne maskinlæring, generere en sannsynlighetstetthetskart i X, Y og Z planet, samt bruke en avansert AI basert kontroller for å gå tilbake til de mest høyt korrelerte 'hotspots' med hensyn til arter av interesse. Hele produksjonskjeden vil være forankret og styrt av en menneskelig ekspert (etter behov) via en kommunikasjonslenke til land for å potensielt endre sine utvalgs preferanser dynamisk slik at robotoppførsel kan tilpasses 'on-line'.

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

Aktivitet:

IKTPLUSS-IKT og digital innovasjon