Ningún árbol resultó dañado en el entrenamiento de este ENJAMBRE DE DRONES – Review Geek

Drones cuadricópteros moviéndose alrededor de la instalación de entrenamiento del bosque falso de Soria
Alain Herzog / 2021 EPFL

La persona promedio probablemente no lo ha pensado mucho, pero en realidad hay toneladas de aplicaciones fantásticas para un enjambre de drones. De operaciones prácticas como fumigación de cultivos a un animado espectáculo de luz, el cielo es sin duda el límite. Pero primero tenemos que enseñarles no chocar Hola.

Enrica Soria, ingeniera matemática y estudiante de doctorado en robótica del Instituto Federal Suizo de Tecnología de Lausana (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: los árboles.

Los drones, especialmente los cuadricópteros de gama alta que quería usar, son caros y sacrificar algunos de ellos durante la prueba no fue exactamente lo ideal. Entonces Soria creó un bosque falso con árboles blandos, que en realidad eran solo algunos jugar túneles de Ikea. Soria dijo que «Incluso si los drones chocan contra ellos, no se romperán».

Sin embargo, más allá de detener la destrucción de drones costosos (o de árboles inocentes), el experimento tiene implicaciones mayores. 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 colisionen entre sí (o con personas o propiedad privada) cuando están fuera. en el trabajo. Un sistema de control confiable, 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 ellos; Del mismo modo, si los drones se dispersan demasiado, lo detectarán y volverán a moverse. Eso está muy bien, pero todavía existe 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.

Los enjambres de drones evitan obstáculos y colisiones
EPFL

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: “Pueden ver hacia 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 demostrar que su algoritmo permitió que los drones se movieran a través de obstáculos un 57% más rápido que los drones usando controles reactivos en lugar del algoritmo de predicción. Ella notó los impresionantes resultados en un artículo publicado en Inteligencia de la máquina de la naturaleza En Mayo.

Este proyecto, como muchos otros diseñados para 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.

Drones agrícolas volando y fumigando cultivos sobre un campo
Suwin / Shutterstock.com

Aunque el concepto de control predictivo es el primero en el caso de los drones, es una idea antigua. Anteriormente, los científicos han utilizado 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 de manera cuidadosa y minuciosa. Se deben incluir parámetros básicos como la distancia mínima permitida entre drones, para evitar colisiones de drones con drones, pero cosas más complejas como zonas de exclusión aérea y mapeo de rutas eficientes a las velocidades deseadas deben poder calcular sobre la marcha sin interferencias Todo arriba.

A medida que estos algoritmos se definan más y, por lo tanto, se vuelvan más potentes, les resultará más fácil realizar una variedad más amplia de tareas que son difíciles o ineficaces para los humanos, como entregas coordinadas en grandes áreas metropolitanas o misiones aéreas de búsqueda y rescate. . Pero tal como está, el algoritmo de Soria es un gran paso adelante para los drones.

vía Cableado

Deja un comentario

En esta web usamos cookies para personalizar tu experiencia de usuario.    Política de cookies
Privacidad