Ningún árbol fue dañado en el entrenamiento de este ENJAMBRE DE DRONE
La persona promedio probablemente no lo haya pensado mucho, pero en realidad hay toneladas de aplicaciones fantásticas para un enjambre de drones. Desde operaciones prácticas como la fumigación de cultivos hasta un animado espectáculo de luces, el cielo es sin duda el límite. Pero primero, tenemos que enseñarles a no chocar entre sí.
Enrica Soria, ingeniera matemática y estudiante de doctorado en robótica del Swiss Federal Institute of Technology Lausanne (EPFL), también se preocupa por este tema. Ella construyó un modelo de computadora que podía simular con éxito las trayectorias de cinco drones autónomos que volaban a través de un espeso bosque sin una sola colisión. Sin embargo, se dio cuenta de que para probar esto en el mundo real, tendría que superar un obstáculo sorprendente: árboles.
Los drones, especialmente los cuadricópteros de gama alta que quería usar, son caros y sacrificar algunos de ellos durante la prueba no era exactamente lo ideal. Entonces, Soria creó un bosque falso con árboles suaves, que en realidad eran solo algunos túneles de juego plegables de Ikea. Soria dijo que “aunque los drones choquen contra ellos, no se romperán".
Sin embargo, más allá de detener la destrucción de costosos drones (o de árboles inocentes), el experimento tiene implicaciones más importantes. A medida que los enjambres de drones autónomos se vuelven cada vez más comunes en todo tipo de industrias y en tantas aplicaciones, se necesita más capacitación para garantizar que estos drones no choquen entre sí (o con personas o propiedad privada) cuando están afuera. en el trabajo. Un sistema de control fiable, como el de Soria, es un paso necesario e importante.
Actualmente, los enjambres autónomos se controlan de forma reactiva. Esto significa que siempre están ejecutando cálculos basados en la distancia de otros elementos para que puedan evitar obstáculos o entre sí; Del mismo modo, si los drones se dispersan demasiado, lo detectarán y volverán a moverse. Todo está bien, pero aún queda la cuestión de cuánto tiempo le toma al dron realizar estos cálculos de ajuste sobre la marcha.
El nuevo algoritmo de “control predictivo” de Soria trabaja activamente para evitar estas ralentizaciones con una planificación mejor y más eficiente. Con él, se comunican entre sí para interpretar los datos de captura de movimiento en tiempo real para crear predicciones de dónde se moverán otros drones cercanos y ajustar sus propias posiciones en consecuencia.
Una vez que instaló el bosque falso y ejecutó la simulación, rápidamente aprendió que los drones no chocaban y que no necesitaba invertir en los obstáculos más suaves. Soria señala: “Son capaces de ver adelante en el tiempo. Pueden prever una futura desaceleración de sus vecinos y reducir el efecto negativo de esto en el vuelo en tiempo real”.
Debido a esto, Soria pudo probar que su algoritmo permitía que los drones atravesaran obstáculos un 57 % más rápido que los drones que usaban controles reactivos en lugar del algoritmo de predicción. Señaló los impresionantes resultados en un artículo publicado en Nature Machine Intelligence en mayo.
Este proyecto, como muchos otros destinados a entrenar vehículos autónomos, se inspiró en la naturaleza. Sí, como bancos de peces, bandadas de pájaros y enjambres de abejas. Y, por supuesto (al menos ahora), la naturaleza es mucho mejor que nosotros. Soria señala que “los biólogos dicen que no hay una computadora central”, lo que significa que ningún animal o insecto dirige el movimiento del resto del grupo. Más bien, cada individuo calcula su propio entorno, como obstáculos e incluso otros peces, pájaros o abejas, y se mueve en consecuencia.
Aunque el concepto de control predictivo es una novedad para los drones, es una idea antigua. Previamente, los científicos han usado el modelo para navegar por áreas y sistemas para dos vehículos que se mueven a lo largo de trayectorias predefinidas. El control predictivo se basa en múltiples cálculos en tiempo real, y si el algoritmo que lo ejecuta no es elegante, podría maximizar las capacidades computacionales de cada dron.
Con tantas variables como la velocidad y la distancia en juego, el algoritmo también debe pensarse con cuidado y minuciosidad. Deben incluirse parámetros básicos como la distancia mínima permitida entre drones para evitar colisiones entre drones, pero cosas más complejas como zonas de exclusión aérea y mapeo eficiente de rutas a las velocidades deseadas deben poder calcularse sobre la marcha sin interferencias. Todo arriba.
A medida que estos algoritmos se vuelvan más definidos y, por lo tanto, más potentes, será más fácil para ellos realizar una variedad más amplia de tareas que son difíciles o ineficientes para que las realicen los humanos, como entregas coordinadas en grandes áreas metropolitanas o misiones de búsqueda y rescate aéreo.. Pero tal como está, el algoritmo de Soria es un gran paso adelante para los drones.
a través de cable