Gli ingegneri del MIT hanno sviluppato un sistema di controllo basato sull’intelligenza artificiale che aiuta i droni autonomi a rimanere sulla traiettoria in ambienti difficili e ad adattarsi automaticamente a perturbazioni come le raffiche di vento.
I ricercatori del MIT hanno sviluppato un nuovo algoritmo di controllo adattivo basato sull’apprendimento automatico in grado di minimizzare la deviazione dalla traiettoria prevista di fronte a forze imprevedibili come le raffiche di vento. A differenza degli approcci standard, la nuova tecnica non richiede di conoscere in anticipo la struttura di queste perturbazioni incerte: il modello di intelligenza artificiale del sistema di controllo apprende tutto ciò che è necessario da una piccola quantità di dati osservativi raccolti in 15 minuti di volo.
La tecnica degli ingegneri del MIT determina automaticamente quale algoritmo di ottimizzazione utilizzare per adattarsi alle perturbazioni, migliorando così le prestazioni di tracciamento, e sceglie l’algoritmo più adatto alla geometria delle specifiche perturbazioni che il drone deve affrontare. I ricercatori addestrano il loro sistema di controllo a svolgere entrambe le funzioni simultaneamente utilizzando una tecnica chiamata meta-apprendimento, che insegna al sistema come adattarsi a diversi tipi di perturbazioni. Nel complesso, questi elementi consentono al loro sistema di controllo adattivo di ottenere un errore di tracciamento della traiettoria inferiore del 50% rispetto ai metodi di base nelle simulazioni e di funzionare meglio con nuove velocità del vento non rilevate durante l’addestramento.
In futuro, questo sistema di controllo adattivo potrebbe aiutare i droni autonomi a consegnare pacchi pesanti in modo più efficiente nonostante i forti venti o a monitorare le aree a rischio di incendi di un parco nazionale. “L’apprendimento simultaneo di queste componenti è ciò che conferisce al nostro metodo la sua forza. Sfruttando il meta-apprendimento, il nostro controller può effettuare automaticamente le scelte migliori per un rapido adattamento” afferma Navid Azizan, professore associato del MIT.
Trovare l’algoritmo giusto
Nel loro sistema di controllo, i ricercatoridel Massachusetts Institut of Technology hanno sostituito la funzione che contiene una struttura di potenziali disturbi con un modello di rete neurale che impara ad approssimarli a partire dai dati. In questo modo, non è necessario disporre di una struttura a priori delle velocità del vento che il drone potrebbe incontrare.
Il loro metodo utilizza anche un algoritmo per selezionare automaticamente la corretta funzione di discesa dello specchio durante l’apprendimento del modello di rete neurale dai dati, invece di dare per scontato che l’utente abbia già individuato la funzione ideale. I ricercatori forniscono a questo algoritmo una gamma di funzioni tra cui scegliere, e questo trova quella che meglio si adatta al problema in questione. “Scegliere una buona funzione di generazione della distanza per costruire il corretto adattamento della discesa dello specchio è fondamentale per ottenere l’algoritmo giusto per ridurre l’errore di tracciamento” aggiunge il coautore della ricerca Sunbochen Tang.
Imparare ad adattarsi
Sebbene la velocità del vento incontrata dal drone possa variare ogni volta che vola, la rete neurale e la funzione di discesa dello specchio del controller dovrebbero rimanere invariate, in modo da non dover essere ricalcolate ogni volta. Per rendere il controller più flessibile, i ricercatori utilizzano il meta-apprendimento, insegnandogli ad adattarsi mediante una gamma di intervalli di velocità del vento durante il volo: “Il nostro metodo può far fronte a diversi obiettivi perché, utilizzando il meta-apprendimento, possiamo apprendere in modo efficiente dai dati una rappresentazione condivisa attraverso diversi scenari” spiega Tang.
Alla fine, l’utente fornisce al sistema di controllo una traiettoria target e questo ricalcola continuamente, in tempo reale, come il drone dovrebbe produrre spinta per mantenersi il più vicino possibile a quella traiettoria, adattandosi al contempo alle perturbazioni incerte che incontra.
Sia nelle simulazioni che negli esperimenti reali, i ricercatori hanno dimostrato che il loro metodo ha portato a un errore di tracciamento della traiettoria significativamente inferiore rispetto agli approcci di base con ogni velocità del vento testata: “Anche se le perturbazioni del vento sono molto più forti di quelle che avevamo osservato durante l’addestramento, la nostra tecnica dimostra di poterle comunque gestire con successo” aggiunge Azizan.
Inoltre, il margine con cui il loro metodo ha superato le prestazioni di base è aumentato con l’intensificarsi della velocità del vento, dimostrando la sua capacità di adattarsi ad ambienti difficili.
I ricercatori del MIT sta ora eseguendo esperimenti hardware per testare il proprio sistema di controllo su droni reali, in condizioni di vento variabili e con altri disturbi. Vogliono anche estendere il loro metodo in modo che possa gestire disturbi provenienti da più fonti contemporaneamente. Per esempio, la variazione della velocità del vento potrebbe causare lo spostamento del peso di un pacco trasportato dal drone durante il volo, soprattutto quando il drone trasporta carichi che si muovono. Infine vogliono esplorare l’apprendimento continuo, in modo che il drone possa adattarsi a nuovi disturbi senza dover essere riaddestrato sui dati rilevati finora.
