Aucun arbre n’a été blessé lors de la formation de cet essaim de drones
La personne moyenne n’y a probablement pas beaucoup réfléchi, mais il existe en fait des tonnes d’applications fantastiques pour un essaim de drones. Des opérations pratiques comme la pulvérisation des cultures à un spectacle de lumière animé, le ciel est certainement la limite. Mais d’abord, nous devons leur apprendre à ne pas s’écraser les uns contre les autres.
Enrica Soria, ingénieure en mathématiques et doctorante en robotique de l’Ecole polytechnique fédérale de Lausanne (EPFL), s’intéresse également à cette question. Elle a construit un modèle informatique capable de simuler avec succès les trajectoires de cinq drones autonomes volant à travers une forêt épaisse sans une seule collision. Cependant, elle s’est rendu compte que pour tester cela dans le monde réel, elle devait surmonter un obstacle surprenant: les arbres.
Les drones, en particulier les quadricoptères haut de gamme qu’elle voulait utiliser, sont chers, et en sacrifier quelques-uns pendant le test n’était pas vraiment idéal. Soria a donc créé une fausse forêt avec des arbres mous, qui n’étaient en fait que des tunnels de jeu pliables d’Ikea. Soria a déclaré que "Même si les drones s’écrasent sur eux, ils ne se briseront pas."
Au-delà de l’arrêt de la destruction de drones coûteux (ou d’arbres innocents), cependant, l’expérience a des implications plus importantes. Alors que les essaims de drones autonomes deviennent de plus en plus courants dans toutes sortes d’industries et dans de nombreuses applications, une formation supplémentaire doit être dispensée pour s’assurer que ces drones n’entreront pas en collision les uns avec les autres (ou avec des personnes ou des propriétés privées) lorsqu’ils sont sortis. au travail. Un système de contrôle fiable, comme celui de Soria, est une étape nécessaire et importante.
Actuellement, les essaims autonomes sont contrôlés de manière réactive. Cela signifie qu’ils exécutent toujours des calculs basés sur la distance par rapport aux autres éléments afin qu’ils puissent éviter les obstacles ou les uns les autres ; de même, si les drones se dispersent trop, ils le détecteront et se déplaceront à nouveau. C’est très bien, mais il reste la question du temps qu’il faut au drone pour effectuer ces calculs d’ajustement à la volée.
Le nouvel algorithme de « contrôle prédictif » de Soria travaille activement pour éviter ces ralentissements grâce à une planification meilleure et plus efficace. Avec lui, ils communiquent entre eux pour interpréter les données de capture de mouvement en temps réel afin de créer des prédictions sur l’endroit où d’autres drones à proximité se déplaceront et ajusteront leurs propres positions en conséquence.
Une fois qu’elle a installé la fausse forêt et exécuté la simulation, elle a rapidement appris que les drones ne s’étaient pas écrasés et qu’elle n’avait pas besoin d’investir dans les obstacles plus souples. Soria note: «Ils sont capables de voir à l’avance dans le temps. Ils peuvent prévoir un futur ralentissement de leurs voisins et en réduire l’effet négatif sur le vol en temps réel.
Grâce à cela, Soria a pu prouver que son algorithme permettait aux drones de se déplacer à travers les obstacles 57 % plus rapidement que les drones utilisant des commandes réactives au lieu de l’algorithme de prédiction. Elle a noté les résultats impressionnants dans un article publié dans Nature Machine Intelligence en mai.
Ce projet, comme beaucoup d’autres conçus pour entraîner des véhicules autonomes, s’est inspiré de la nature. Oui, comme des bancs de poissons, des volées d’oiseaux et des essaims d’abeilles. Et bien sûr (du moins en ce moment), la nature est bien meilleure que nous. Soria note que "les biologistes disent qu’il n’y a pas d’ordinateur central", ce qui signifie qu’aucun animal ou insecte ne dirige le mouvement du reste du groupe. Au lieu de cela, chaque individu calcule son propre environnement – comme les obstacles et même d’autres poissons, oiseaux ou abeilles – et se déplace en conséquence.
Bien que le concept de contrôle prédictif soit une première pour les drones, c’est une vieille idée. Auparavant, les scientifiques utilisaient le modèle pour naviguer dans des zones et des systèmes pour deux véhicules se déplaçant le long de trajectoires prédéfinies. Le contrôle prédictif repose sur plusieurs calculs en temps réel, et si l’algorithme qui l’exécute n’est pas élégant, il pourrait maximiser les capacités de calcul de chaque drone.
Avec autant de variables comme la vitesse et la distance en jeu, l’algorithme doit également être soigneusement et minutieusement pensé. Des paramètres de base tels que la distance minimale autorisée entre les drones doivent être inclus, pour éviter les collisions drone contre drone, mais des choses plus complexes comme les zones d’exclusion aérienne et la cartographie efficace des voies aux vitesses souhaitées doivent pouvoir calculer à la volée sans brouillage. tout en place.
Au fur et à mesure que ces algorithmes seront mieux définis et, par conséquent, plus puissants, il leur sera plus facile d’effectuer une plus grande variété de tâches difficiles ou inefficaces pour les humains, comme des livraisons coordonnées dans de grandes zones métropolitaines ou des missions aériennes de recherche et de sauvetage.. Mais tel qu’il est, l’algorithme de Soria est un énorme pas en avant pour le dronekind.
par filaire