De gemiddelde persoon heeft er waarschijnlijk niet goed over nagedacht, maar er zijn echt heel veel fantastische toepassingen voor een zwerm drones. Van praktische handelingen zoals het sproeien van gewassen tot een levendige lichtshow, the sky is the limit. Maar eerst moeten we ze leren om niet tegen elkaar aan te botsen.
Enrica Soria, een wiskundig ingenieur en robotica-promovendus van het Zwitserse Federale Instituut voor Technologie Lausanne (EPFL), geeft ook om deze kwestie. Ze bouwde een computermodel dat met succes de banen kon simuleren van vijf autonome drones die door een dicht bos vliegen zonder een enkele botsing. Ze realiseerde zich echter dat ze, om dit in de echte wereld te testen, een verrassend obstakel moest overwinnen: bomen.
Drones, vooral de duurdere quadcopters die ze wilde gebruiken, zijn prijzig en het opofferen van een paar ervan tijdens de test was niet bepaald ideaal. Dus creëerde Soria een nepbos met zachte bomen, die eigenlijk gewoon een paar opvouwbare speeltunnels van Ikea waren. Soria zei dat "Zelfs als de drones er tegenaan botsen, ze niet zullen breken."
Naast het stoppen van de vernietiging van kostbare drones (of van onschuldige bomen), heeft het experiment echter grotere implicaties. Aangezien autonome dronezwermen steeds gebruikelijker worden in allerlei industrieën en in zoveel toepassingen, moet er meer worden getraind om ervoor te zorgen dat deze drones niet met elkaar (of met mensen of privé-eigendom) in botsing komen wanneer ze 8217;re op de baan. Een betrouwbaar controlesysteem, zoals dat van Soria, is een noodzakelijke en belangrijke stap.
Momenteel worden autonome zwermen reactief aangestuurd. Dit betekent dat ze altijd berekeningen uitvoeren op basis van afstand tot andere items, zodat ze obstakels of elkaar kunnen vermijden; Evenzo, als de drones te verspreid raken, zullen ze dat detecteren en weer naar binnen gaan. Dat is allemaal goed en wel, maar er is nog steeds de vraag hoe lang het duurt voordat de drone deze aanpassingsberekeningen direct uitvoert.
Soria's nieuwe "voorspellende controle" algoritme werkt actief om deze vertragingen te voorkomen met een betere en efficiëntere planning. Hiermee communiceren ze met elkaar om bewegingsregistratiegegevens in realtime te interpreteren om voorspellingen te doen van waar andere drones in de buurt zullen bewegen en hun eigen posities dienovereenkomstig aan te passen.
EPFLToen ze het nepbos eenmaal had opgezet en de simulatie had uitgevoerd, ontdekte ze al snel dat de drones niet crashten en dat ze niet hoefde te investeren in de zachtere obstakels. Soria merkt op: 'Ze kunnen vooruitkijken in de tijd. Ze kunnen een toekomstige vertraging van hun buren voorzien en het negatieve effect hiervan op de vlucht in realtime verminderen.”
Hierdoor kon Soria bewijzen dat haar algoritme de drones toestond om 57% sneller door obstakels te bewegen dan drones die reactieve controles gebruikten in plaats van het voorspellingsalgoritme. Ze noteerde de indrukwekkende resultaten in een artikel dat in mei werd gepubliceerd in Nature Machine Intelligence.
Dit project is, net als vele andere ontworpen om autonome voertuigen te trainen, geïnspireerd door de natuur. Ja, zoals scholen vissen, zwermen vogels en zwermen bijen. En natuurlijk (althans nu) is de natuur er veel beter in dan wij. Soria merkt op dat “biologen zeggen dat er geen centrale computer is”, wat betekent dat geen enkel dier of insect de beweging voor de rest van de groep stuurt. In plaats daarvan berekent elk individu zijn eigen omgeving, zoals obstakels en zelfs andere vissen, vogels of bijen, en beweegt dienovereenkomstig.
Suwin/Shutterstock.comHoewel het concept van voorspellende controle een primeur is voor drones, is het een oud idee. Eerder hebben wetenschappers het model gebruikt om door gebieden en systemen te navigeren voor twee voertuigen die langs vooraf gedefinieerde trajecten rijden. Voorspellende controle is afhankelijk van meerdere realtime berekeningen, en als het algoritme dat het uitvoert niet elegant is, kan het de rekencapaciteiten van elke drone maximaal benutten.
Met zoveel variabelen zoals snelheid en afstand in het spel, moet het algoritme ook zorgvuldig en grondig doordacht worden. Basisparameters zoals de minimaal toegestane afstand tussen drones moeten worden opgenomen om drone-op-drone-botsingen te voorkomen, maar complexere zaken zoals no-fly-zones en efficiënte routetoewijzing bij gewenste snelheden moeten in staat zijn om on-the-fly te berekenen zonder vast te lopen alles goed.
Naarmate deze algoritmen meer gedefinieerd en dus krachtiger worden, zal het voor hen gemakkelijker zijn om een grotere verscheidenheid aan taken uit te voeren die moeilijk of inefficiënt zijn voor mensen om uit te voeren, zoals gecoördineerde leveringen in grote stedelijke gebieden of zoek- en reddingsmissies vanuit de lucht. Maar zoals het nu is, is het algoritme van Soria een enorme stap voorwaarts voor dronekind.
via Wired