Przeciętny człowiek prawdopodobnie nie zastanawiał się nad tym zbyt wiele, ale w rzeczywistości istnieje mnóstwo fantastycznych zastosowań dla roju dronów. Od praktycznych operacji, takich jak opryskiwanie upraw do tętniącego życiem pokaz świetlny, niebo jest z pewnością granicą. Ale najpierw musimy ich nauczyć aby nie zderzać się ze sobą.
Enrica Soria, inżynier matematyki i doktorantka robotyki ze Szwajcarskiego Federalnego Instytutu Technologii w Lozannie (EPFL), również dba o tę kwestię. Zbudowała model komputerowy, który mógł z powodzeniem symulować trajektorie pięciu autonomicznych dronów przelatujących przez gęsty las bez jednej kolizji. Zdała sobie jednak sprawę, że aby przetestować to w prawdziwym świecie, będzie musiała pokonać zaskakującą przeszkodę: drzewa.
Drony, zwłaszcza te z wyższej półki, których chciała użyć, są drogie, a poświęcenie kilku z nich podczas testu nie było idealne. Soria stworzyła więc sztuczny las z miękkimi drzewami, które w rzeczywistości były tylko składanymi graj w tunele z Ikei. Soria powiedziała, że „Nawet jeśli drony w nie wpadną, nie pękną”.
Poza zatrzymaniem niszczenia kosztownych dronów (lub niewinnych drzew), eksperyment ma jednak większe implikacje. Ponieważ autonomiczne roje dronów stają się coraz bardziej powszechne we wszystkich gałęziach przemysłu i w tak wielu zastosowaniach, należy przeprowadzić więcej szkoleń, aby upewnić się, że te drony nie będą się ze sobą kolidować (lub z ludźmi lub własnością prywatną), gdy są poza domem w czasie pracy. Niezawodny system sterowania, taki jak Soria, jest niezbędnym i ważnym krokiem.
Obecnie autonomiczne roje są kontrolowane reaktywnie. Oznacza to, że zawsze przeprowadzają obliczenia na podstawie odległości od innych przedmiotów, aby uniknąć przeszkód lub siebie nawzajem; podobnie, jeśli drony zbytnio się rozproszą, wykryją to i ponownie się wprowadzą. Wszystko w porządku i dobrze, ale nadal pozostaje kwestia tego, ile czasu zajmuje dronowi wykonanie tych obliczeń dostosowawczych w locie.
Nowy algorytm „kontroli predykcyjnej” Sorii aktywnie działa, aby uniknąć tych spowolnień dzięki lepszemu i wydajniejszemu planowaniu. Dzięki niemu komunikują się ze sobą, aby interpretować dane z przechwytywania ruchu w czasie rzeczywistym, aby tworzyć prognozy, w których poruszają się inne drony w pobliżu i odpowiednio dostosowują swoje pozycje.
Gdy ustawiła sztuczny las i przeprowadziła symulację, szybko dowiedziała się, że drony się nie rozbiły i że nie musi inwestować w bardziej miękkie przeszkody. Soria zauważa: „Są w stanie wybiegać w przyszłość. Mogą przewidzieć przyszłe spowolnienie swoich sąsiadów i zmniejszyć negatywny wpływ tego na lot w czasie rzeczywistym”.
Z tego powodu Soria była w stanie udowodnić, że jej algorytm pozwolił dronom poruszać się przez przeszkody o 57% szybciej niż drony przy użyciu reaktywnych elementów sterujących zamiast algorytmu przewidywania. Zauważyła imponujące wyniki w artykule opublikowane w Nature Machine Intelligence w maju.
Ten projekt, podobnie jak wiele innych, przeznaczony do trening autonomicznych pojazdów, została zainspirowana naturą. Tak, jak ławice ryb, stada ptaków i roje pszczół. I oczywiście (przynajmniej teraz) natura jest w tym znacznie lepsza niż my. Soria zauważa, że „biolodzy twierdzą, że nie ma centralnego komputera”, co oznacza, że żadne pojedyncze zwierzę lub owad nie kieruje ruchem reszty grupy. Raczej każda osoba oblicza własne otoczenie — takie jak przeszkody, a nawet inne ryby, ptaki lub pszczoły — i odpowiednio się porusza.
Chociaż koncepcja kontroli predykcyjnej jest pierwszą dla dronów, jest to stary pomysł. Wcześniej naukowcy wykorzystywali model do nawigowania po obszarach i systemach dla dwóch pojazdów poruszających się po predefiniowanych trajektoriach.. Sterowanie predykcyjne opiera się na wielu obliczeniach w czasie rzeczywistym, a jeśli algorytm, który ją obsługuje, nie jest elegancki, może maksymalnie wykorzystać możliwości obliczeniowe każdego drona.
Przy tak wielu zmiennych, takich jak prędkość i odległość, algorytm musi być również starannie i dokładnie przemyślany. Należy uwzględnić podstawowe parametry, takie jak minimalna dozwolona odległość między dronami, aby uniknąć kolizji dron z dronem, ale bardziej złożone rzeczy, takie jak strefy zakazu lotów i wydajne mapowanie ścieżek przy pożądanych prędkościach, muszą być w stanie wykonywać obliczenia w locie bez zacinania się wszystko gotowe.
Ponieważ algorytmy te staną się bardziej zdefiniowane, a tym samym wydajniejsze, łatwiej będzie im wykonywać szerszą gamę zadań, które są trudne lub nieefektywne dla ludzi, takich jak skoordynowane dostawy w dużych obszarach miejskich lub lotnicze misje poszukiwawczo-ratownicze. Ale tak jak jest, algorytm Sorii jest ogromnym krokiem naprzód dla dronekind.
przez Przewodowy
