两所史蒂文斯学院获得杰出ONRYIP奖

史蒂文斯理工学院的教职员工是一群创新的专业人士，他们致力于探索前沿研究，并进一步推动学校为我们这个时代最具挑战性的问题找到解决方案的使命。今年，美国海军研究办公室(ONR)将青年研究员计划奖授予了两位Stevens机械工程教授。

助理教授NickParziale获得了46.9万美元资助他测量过渡和湍流超高速气流的项目，助理教授BrendanEnglot获得了508，693美元资助他使用经典人工智能新变体的研究。

标出以高超音速运动的物体的气流。

Parziale将利用这些奖项建立在他之前的研究基础上，该研究专注于开发测量技术，以研究高超音速边界层，即在流体中运动的物体附近的薄气体或液体层。他的团队将测量边界层如何从有序状态变为混沌状态。

Parziale还将研究混沌状态的结构。具有混乱层的车辆将具有更高的阻力和热传递，减慢物体的速度并增加其隔热罩的重量要求。具有有序边界层的车辆可以在较少的热保护下保持较高的速度。

Parziale说，“一旦我们能够更好地理解如何测量和评估边界层在高超音速下如何以及为什么发生变化，可能性将是无穷无尽的。”“这些数据可以告诉我们如何设计飞机，并允许我们在世界各地进行一日游。”

Parziale将通过百万分之一秒的间隔拍摄照片来进行这项研究，通过标记和用激光束照射气体来显示气体在风洞中的运动。这种策略被广泛称为标记速度测量。通过空军夏季学院的奖学金计划，阿恩登工程发展中心和Parziale的团队开发了一种特殊形式的标记测速仪，称为氪标记测速仪。

Parziale解释说，“这个概念类似于拍摄多根木棍沿着溪流移动的照片。”“你将能够根据物体在照片间的移动方式来计算它们的移动方式。为了“粘住”我们的高超音速气流，我们用一种特殊的激光击中或“标记”气体。”

使用新的人工智能来训练机器人做出安全可靠的决策。

Englot是史蒂文斯理工学院麻省理工学院培养的机械工程师。2020年，他获得了508693美元的青年研究员奖，以利用经典人工智能工具的新变种，使机器人预测其行为的许多可能结果以及它们将发生的可能性。这个框架将允许机器人通过了解哪些选项是最安全、最有效和最不可能失败的，来确定哪个选项是实现目标的最佳方式。

“如果机器人完成任务的最快方式是在悬崖边缘行走，那就是为了速度而牺牲安全，”Englot说，他将是首批使用分布式强化学习工具训练机器人的人之一。“我们不希望机器人掉下悬崖边缘，所以我们为它们提供工具，以预测和管理完成所需任务所涉及的风险。”

多年来，强化学习一直被用于训练机器人在水中、陆地和空中自主导航。但这种人工智能工具有局限性，因为它根据每个可用操作的单一预期结果做出决策，而许多其他可能的结果可能实际发生。Englot正在使用分布式强化学习，这是一种人工智能算法。机器人可以使用它来评估所有可能的结果，预测每个动作的成功概率，并在确保机器人安全的情况下选择最有可能的选项。

Englot的首要任务是在将其应用于实际机器人之前改进他的算法。Englot和他的团队创造了许多决策情境来测试他们的算法。他们经常求助于这个领域最受欢迎的游戏场所之一：雅达利游戏。比如你玩吃豆人，你就是决定吃豆人行为的算法。你的目标是获得迷宫中的所有点，如果可以，获得一些水果。但是到处都有可以杀死你的鬼魂。每一秒，你都被迫做出决定。你是直的，左还是右？哪条路可以让你在远离鬼的同时获得最多的——和——分？

Englot的AI算法使用分布式强化学习，它将取代人类玩家，并模拟每一个可能的动作，以安全地导航其景观。

那么如何奖励机器人呢？Englot和他的团队将为不同的结果分配分数，即如果它掉下悬崖，机器人将获得-100分。如果它需要一个更慢但更安全的选择，它可能会在绕道的每一步得到-1分。但如果你成功达成目标，你可能会得到50。

Englot说，“我们的次要目标之一是知道如何设计奖励信号，以积极影响机器人的决策和训练方法。”“我们希望这个项目中开发的技术最终可以用于更复杂的人工智能，例如训练水下机器人在不断变化的潮汐、洋流和其他复杂的环境因素中安全导航。”