Yksikään puu ei vahingoittunut tämän DRONE-parven koulutuksessa
Keskivertoihminen ei luultavasti ole pohtinut sitä paljoa, mutta droonien parveen on olemassa todella paljon upeita sovelluksia. Käytännöllisistä toiminnoista, kuten kasvien ruiskutuksesta, eloisaan valonäytökseen, taivas on varmasti rajana. Mutta ensin meidän on opetettava heitä olemaan törmäämättä toisiinsa.
Enrica Soria, matemaattinen insinööri ja robotiikan tohtoriopiskelija Swiss Federal Institute of Technology Lausannesta (EPFL), välittää myös tästä asiasta. Hän rakensi tietokonemallin, joka onnistui simuloimaan viiden autonomisen dronin lentoratoja, jotka lentävät paksun metsän läpi ilman yhtäkään törmäystä. Hän kuitenkin tajusi, että voidakseen testata tätä todellisessa maailmassa, hänen oli voitettava yllättävä este: puut.
Dronit, erityisesti korkealuokkaiset nelikopterit, joita hän halusi käyttää, ovat kalliita, eikä niistä muutamien uhraaminen testin aikana ollut ihanteellista. Joten Soria loi valemetsän pehmeillä puilla, jotka olivat itse asiassa vain joitain kokoontaitettavia leikkitunneleita Ikeasta. Soria sanoi, että "Vaikka droonit törmäävät niihin, ne eivät rikkoudu."
Sen lisäksi, että se pysäyttää kalliiden droonien (tai viattomien puiden) tuhoamisen, kokeella on suurempi merkitys. Kun autonomiset drone-parvet yleistyvät kaikilla aloilla ja niin monissa sovelluksissa, tarvitaan lisää koulutusta, jotta nämä droonit eivät törmää toisiinsa (tai ihmisten tai yksityisen omaisuuden kanssa), kun ne ovat poissa. työssä. Luotettava ohjausjärjestelmä, kuten Sorian, on välttämätön ja tärkeä askel.
Tällä hetkellä autonomisia parvia ohjataan reaktiivisesti. Tämä tarkoittaa, että he suorittavat aina laskelmia, jotka perustuvat etäisyyteen muista kohteista, jotta he voivat välttää esteitä tai toisiaan; samoin, jos droonit leviävät liikaa, ne havaitsevat sen ja siirtyvät uudelleen sisään. Kaikki on hienoa ja hyvin, mutta edelleen on kysymys siitä, kuinka kauan dronilla kestää suorittaa nämä säätölaskelmat lennossa.
Sorian uusi "ennustava ohjaus" -algoritmi toimii aktiivisesti välttääkseen näitä hidastuksia paremmalla ja tehokkaammalla suunnittelulla. Sen avulla he kommunikoivat toistensa kanssa tulkitakseen liikkeenkaappaustietoja reaaliajassa luodakseen ennusteita siitä, minne muut lähellä olevat droonit liikkuvat, ja säätämään omaa sijaintiaan vastaavasti.
Kun hän pystytti väärennetyn metsän ja suoritti simulaation, hän oppi nopeasti, että droonit eivät törmänneet ja ettei hänen tarvinnut panostaa pehmeämpiin esteisiin. Soria huomauttaa: "He pystyvät näkemään ajassa eteenpäin. He voivat ennakoida naapureidensa hidastumisen tulevaisuudessa ja vähentää sen negatiivista vaikutusta lennolle reaaliajassa.
Tämän ansiosta Soria pystyi todistamaan, että hänen algoritminsa salli droonien liikkua esteiden läpi 57 % nopeammin kuin droonit käyttämällä reaktiivisia ohjaimia ennustusalgoritmin sijaan. Hän pani merkille vaikuttavat tulokset Nature Machine Intelligence -lehdessä toukokuussa julkaistussa artikkelissa .
Tämä projekti, kuten monet muutkin, jotka on suunniteltu itseohjautuvien ajoneuvojen kouluttamiseen, sai inspiraationsa luonnosta. Joo, kuten kalaparvia, lintuparvia ja mehiläisparvia. Ja tietysti (ainakin tällä hetkellä) luonto on siinä paljon parempi kuin me. Soria huomauttaa, että "biologit sanovat, että keskustietokonetta ei ole", mikä tarkoittaa, että mikään yksittäinen eläin tai hyönteinen ei ohjaa muiden ryhmän liikettä. Pikemminkin jokainen yksilö laskee oman ympäristönsä – kuten esteet ja jopa muut kalat, linnut tai mehiläiset – ja liikkuu sen mukaisesti.
Vaikka ennakoivan ohjauksen käsite on ensimmäinen droneille, se on vanha idea. Aiemmin tutkijat ovat käyttäneet mallia navigoidakseen alueilla ja järjestelmissä kahdelle ajoneuvolle, jotka liikkuvat ennalta määritettyjä lentoratoja pitkin. Ennakoiva ohjaus perustuu useisiin reaaliaikaisiin laskelmiin, ja jos sitä käyttävä algoritmi ei ole tyylikäs, se voi maksimoida jokaisen dronin laskentakapasiteetin.
Koska pelissä on niin monia muuttujia, kuten nopeus ja matka, algoritmi on myös harkittava huolellisesti ja perusteellisesti. Perusparametrit, kuten droonien välinen pienin sallittu etäisyys, on sisällytettävä, jotta vältytään droonien välisiltä törmäyksiltä, mutta monimutkaisemmat asiat, kuten lentokieltoalueet ja tehokas reittikartoitus halutuilla nopeuksilla, on pystyttävä laskemaan lennossa ilman häiriöitä. kaikki ylös.
Kun nämä algoritmit tarkentuvat ja siten tehokkaampia, niiden on helpompi suorittaa useampia tehtäviä, jotka ovat ihmisille vaikeita tai tehottomia, kuten koordinoituja toimituksia suurilla metroalueilla tai lentoetsintä- ja pelastustehtäviä.. Mutta sellaisenaan Sorian algoritmi on valtava askel eteenpäin dronekindille.
Wiredin kautta