Souhrn
Studenti MIT Sea Grant Beckett Devoe a Tony Tang absolvovali mezinárodní internship v Norsku v rámci programu AquaCulture Shock, kde prozkoumávali pokročilé technologie v offshore akvakultuře atlantského lososa. Zaměřili se na aplikace AI pro optimalizaci krmení a autonomní podvodní systémy pro inspekci a údržbu farem. Norsko, jako největší světový producent chovaného lososa, poskytlo praktický pohled na nasazení těchto technologií.
Klíčové body
- Beckett Devoe (umělá inteligence a rozhodování) a Tony Tang (strojírenství) navštívili farmu Singsholmen u ostrova Hitra a spolupracovali se SINTEF Ocean v Trondheimu.
- Tony Tang vyvinul simulaci robotické paže pro podvodní vozidlo-manipulátor, které slouží k navigaci na farmách a opravám poškozených sítí na klecích.
- Studenti předtím pracovali na projektech UROP v MIT Sea Grant, včetně návrhu vlnového generátoru a strojového učení pro analýzu zdraví larv ústřic.
- Norsko produkuje nejvíce chovaného atlantského lososa na světě, zatímco USA jsou největším dovozcem těchto produktů podle FAO.
- Program AquaCulture Shock v spolupráci s MIT-Scandinavia MISTI podporuje internshipy zaměřené na AI a autonomii v akvakultuře.
Podrobnosti
Becket Devoe, starší student oboru umělá inteligence a rozhodování, a Tony Tang, juniorský student strojírenství, se zapojili do programu AquaCulture Shock, který nabízí mezinárodní stáže pro vývoj AI a autonomních systémů v akvakultuře. V Norsku, kde je offshore akvakultura – tedy chov ryb ve volném moři mimo pobřeží – na vzestupu kvůli omezeným prostorům u břehu, navštívili výzkumný institut SINTEF Ocean v Trondheimu. SINTEF Ocean se specializuje na oceánské technologie, včetně modelování mořských proudů, robotiky a senzorických systémů pro monitorování vodních farem.
Na farmě Singsholmen u ostrova Hitra, jedné z pokročilých offshore lokalit, studenti pozorovali provoz velkých klecí na lososy z kontrolního centra. Zde se AI algoritmy používají k optimalizaci krmení: senzory monitorují chování ryb, množství krmiva v vodě a růst, což umožňuje přesné dávkování a minimalizuje odpad a znečištění. Tyto systémy, často založené na počítačovém vidění a strojovém učení, predikují potřeby hejn podle environmentálních dat jako teplota vody nebo kyslíková hladina.
Tony Tang se zaměřil na simulaci robotické paže integrovane do podvodního vozidla-manipulátoru. Tento systém, typicky ROV (remotely operated vehicle) nebo AUV (autonomous underwater vehicle), umožňuje autonomní navigaci mezi klecemi, inspekci sítí kamerami a senzory a provádění oprav, například opravu trhlin způsobených bouřemi nebo predátory. Simulace v softwaru jako Gazebo nebo podobných nástrojích testuje pohyb v dynamickém podvodním prostředí s prouděními a vlnami. Devoe se zabýval širšími aspekty AI pro rozhodování v reálném čase na farmách.
Před odjezdem do Norska studenti získali zkušenosti v MIT Sea Grant prostřednictvím UROP (Undergraduate Research Opportunities Program), kde pracovali na vlnovém generátoru pro testování odolnosti zařízení a aplikacích strojového učení pro hodnocení zdraví larv ústřic v líheňách. Tyto projekty ukazují přechod od laboratoře k průmyslovému nasazení. V USA je akvakultura převážně near-shore, ale offshore modely by mohly zvýšit produkci a snížit tlaky na pobřežní ekosystémy.
Proč je to důležité
Tento studentský výzkum ilustruje aplikaci AI a robotiky v odvětví, které musí řešit výzvy jako škálovatelnost, udržitelnost a odolnost vůči počasí. Offshore akvakultura v Norsku dosahuje kapacity stovek tisíc tun lososa ročně, ale vyžaduje autonomii kvůli nebezpečí pro pracovníky. Pro USA, závislé na dovozu, znamená to potenciál pro domácí inovace a snížení emisí z dopravy. Jako expert na AI a robotiku vidím, že tyto systémy jsou stále závislé na kvalitních datech a robustních modelech; bezpečnostní rizika jako selhání autonomie v hluboké vodě zůstávají. Nicméně integrace AI do krmení a údržby může zvýšit efektivitu o 20–30 % podle studií SINTEF, což podporuje globální potravinovou bezpečnost v kontextu rostoucí poptávky.
Zdroj: 📰 Mit.edu
| 