Onderzoekers hebben een methode ontwikkeld waarbij een AI-agent autonoom de positie van een camera bepaalt om vloeistofstromingen nauwkeuriger in kaart te brengen. Door gebruik te maken van 'zero-shot sim-to-real reinforcement learning' kan een robotarm camera-opnames optimaliseren zonder voorafgaande training in de fysieke omgeving.
Het vastleggen van vloeistofstromingen via Particle Image Velocimetry (PIV) is een complexe taak waarbij de kwaliteit van de reconstructie sterk afhangt van de positie van de camera. Traditioneel wordt deze positie handmatig vastgesteld door een operator voordat de metingen beginnen. In een recent onderzoek, gepubliceerd op 6 november 2026, presenteren Chang Rajani en collega's een nieuwe aanpak waarbij dit proces volledig wordt geautomatiseerd. Volgens de publicatie op arxiv.org is de positionering van de camera nu geformuleerd als een sequentieel besluitvormingsprobleem.
Training in virtuele omgeving
De kern van de innovatie ligt in de training van een reinforcement learning-agent. Deze agent bestuurt een manipulator met zes vrijheidsgraden (6-DoF) die is uitgerust met een camera. Om de agent te trainen, is gebruikgemaakt van een fotorealistische simulatie van een watertunnel. In deze virtuele omgeving werden zogenaamde 'wakes' (zogstromingen) gegenereerd door Computational Fluid Dynamics (CFD)-simulaties van hydrofoils. Hierbij werd gevarieerd in de profielen, posities en de aanvalshoeken van de hydrofoils.
De AI-agent neemt beslissingen over de pose van de camera op basis van twee specifieke observaties: het snelheidsveld en de geschatte onzekerheid die voortvloeit uit beelden die met een tijdsinterval zijn genomen. Dit proces stelt de agent in staat om autonoom te bepalen waar de meest relevante informatie over de stroming zich bevindt.
Van simulatie naar realiteit
Een cruciaal aspect van het onderzoek is de zogenaamde 'zero-shot transfer'. Dit betekent dat de AI-agent, die uitsluitend in een gesimuleerde omgeving is getraind, direct is ingezet in een echte watertunnel zonder dat er aanvullende training in de fysieke wereld nodig was. Volgens de details in het slaagde de policy erin om betrouwbaar de zogstromingen van willekeurig geplaatste hydrofoils te lokaliseren en in beeld te brengen.
De resultaten van deze autonome aanpak zijn significant verbeterd ten opzichte van traditionele methoden. De AI-agent kon de stroming met een hogere resolutie vastleggen dan een vaste camerapositie zou kunnen. Bovendien werd er een lagere foutmarge gemeten in de flow-statistieken. Opvallend is dat dit resultaat werd behaald in ongeveer de helft van de tijd die normaal gesproken nodig is voor een volledige scan, terwijl er aanzienlijk minder beeldframes nodig waren.
Context van autonome systemen
Hoewel dit specifieke onderzoek zich richt op de wetenschappelijke toepassing van vloeistofdynamica, past het in een bredere trend van autonome hardware. Bedrijven in de sector, zoals autonomous.ai, richten zich eveneens op het integreren van perceptie en redenering in fysieke apparaten om hardware "een eigen geest" te geven. Waar commerciële toepassingen vaak gericht zijn op ergonomische kantooroplossingen en AI-gestuurde hardware voor consumenten, laat dit onderzoek zien hoe dergelijke autonome principes kunnen worden toegepast in hoogwaardige wetenschappelijke meetinstrumenten.
De integratie van machine learning en robotica in PIV-metingen markeert een verschuiving van statische observatie naar dynamische, intelligente acquisitie. Door de camera actief te laten zoeken naar de meest informatieve gebieden in een stroming, wordt de efficiëntie van vloeistofonderzoek aanzienlijk verhoogd. Het volledige onderzoek is terug te vinden onder de referentie .