Если вы следите за автономными гонками на дронах, вы, вероятно, помните аварии не меньше, чем победы. В гонках на дронах команды соревнуются, чтобы определить, какой дрон лучше подготовлен для полета через полосу препятствий. Но чем быстрее летают дроны, тем нестабильнее они становятся, а на высоких скоростях их аэродинамику сложно предсказать. Таким образом, сбои являются обычным и часто впечатляющим явлением.
Но если их можно заставить быть более быстрыми и маневренными, дроны можно будет использовать в критических по времени операциях за пределами гоночной трассы, например, для поиска выживших в стихийном бедствии.
Теперь аэрокосмические инженеры Массачусетского технологического института разработали алгоритм, который помогает дронам находить самый быстрый маршрут вокруг препятствий без сбоев. Новый алгоритм объединяет моделирование полета дрона через виртуальную полосу препятствий с данными экспериментов реального дрона, пролетающего по тому же маршруту в физическом пространстве.
Исследователи обнаружили, что дрон, обученный по их алгоритму, пролетел через простую полосу препятствий на 20 процентов быстрее, чем дрон, обученный по обычным алгоритмам планирования. Интересно, что новый алгоритм не всегда позволял дрону опережать своего конкурента на протяжении всего курса. В некоторых случаях он предпочел замедлить дрон, чтобы пройти сложный поворот, или сэкономить энергию, чтобы ускориться и в конечном итоге обогнать своего соперника.
«На высоких скоростях возникает сложная аэродинамика, которую трудно смоделировать, поэтому мы используем эксперименты в реальном мире, чтобы заполнить эти черные дыры, чтобы найти, например, что может быть лучше сначала замедлить, а потом набрать скорость», — говорит Эзра Тал, аспирант факультета аэронавтики и астронавтики Массачусетского технологического института. «Именно этот целостный подход мы используем, чтобы увидеть, как мы можем сделать траекторию в целом как можно быстрее».
«Такие алгоритмы являются очень ценным шагом на пути к созданию дронов будущего, которые могут очень быстро перемещаться в сложных условиях», — добавляет Сертак Караман, доцент кафедры аэронавтики и космонавтики и директор Лаборатории информационных систем и систем принятия решений Массачусетского технологического института. «Мы действительно надеемся раздвинуть границы, чтобы они могли путешествовать настолько быстро, насколько это позволяют их физические возможности».
Тал, Караман и аспирант Массачусетского технологического института Гильхён Рё опубликовали свои результаты в Международном журнале исследований робототехники.
Быстрые эффекты
Обучить дронов обходить препятствия относительно просто, если они должны летать медленно. Это потому, что аэродинамика, такая как сопротивление, обычно не играет роли на низких скоростях, и их можно не учитывать при моделировании поведения дрона. Но на высоких скоростях такие эффекты гораздо более выражены, и гораздо сложнее предсказать, как будут управляться автомобили.
«Когда вы летите быстро, трудно оценить, где вы находитесь», — говорит Рё. «Могут быть задержки в отправке сигнала на двигатель или внезапное падение напряжения, которое может вызвать другие проблемы с динамикой. Эти эффекты невозможно смоделировать с помощью традиционных подходов к планированию ».
Чтобы понять, как высокоскоростная аэродинамика влияет на дроны в полете, исследователям приходится проводить множество экспериментов в лаборатории, настраивая дроны на различных скоростях и траекториях, чтобы увидеть, какие из них летают быстро и без сбоев — дорогостоящий и часто приводящий к сбоям процесс обучения. .
Вместо этого команда MIT разработала алгоритм высокоскоростного планирования полета, который сочетает моделирование и эксперименты таким образом, чтобы минимизировать количество экспериментов, необходимых для определения быстрых и безопасных траекторий полета.
Исследователи начали с основанной на физике модели планирования полета, которую они разработали, чтобы сначала смоделировать поведение дрона во время полета через виртуальную полосу препятствий. Они смоделировали тысячи гоночных сценариев, каждый со своей траекторией полета и схемой скорости. Затем они отметили, был ли каждый сценарий осуществимым (безопасным) или невыполнимым (приводящим к сбою). Из этой таблицы они могли быстро найти несколько наиболее многообещающих сценариев или гоночных траекторий, чтобы опробовать их в лаборатории.
«Мы можем дешево и быстро провести это моделирование с низкой точностью, чтобы увидеть интересные траектории, которые могут быть быстрыми и реалистичными. Затем мы проводим эксперименты по этим траекториям, чтобы увидеть, какие из них действительно возможны в реальном мире », — говорит Тал. «В конечном итоге мы приближаемся к оптимальной траектории, которая дает нам наименьшее возможное время».
Чтобы продемонстрировать свой новый подход, исследователи смоделировали беспилотный летательный аппарат, пролетавший по простому маршруту с пятью большими препятствиями квадратной формы, расположенными в шахматном порядке. Они установили ту же конфигурацию в помещении для физических тренировок и запрограммировали дрон для полета по курсу со скоростью и траекториями, которые они ранее выбрали из своих симуляций. Они также провели тот же курс с дроном, обученным по более традиционному алгоритму, который не включает эксперименты при его планировании.
В целом дрон, обученный по новому алгоритму, «выигрывал» каждую гонку, преодолевая дистанцию за более короткое время, чем дрон, обученный обычным способом. В некоторых сценариях беспилотный летательный аппарат-победитель завершает курс на 20 процентов быстрее, чем его конкурент, даже если он выбирает траекторию с более медленным стартом, например, занимает немного больше времени, чтобы уклониться от поворота. Такого рода тонкие настройки не были приняты обычным дроном, вероятно, потому, что его траектории, основанные исключительно на моделировании, не могли полностью учесть аэродинамические эффекты, которые эксперименты команды показали в реальном мире.
Исследователи планируют проводить больше экспериментов на более высоких скоростях и в более сложных условиях, чтобы еще больше улучшить свой алгоритм. Они также могут включать полетные данные пилотов-людей, которые дистанционно управляют дронами, и чьи решения и маневры могут помочь сосредоточиться на еще более быстрых, но все же выполнимых планах полета.
«Если пилот-человек замедляется или набирает скорость, это может повлиять на то, что делает наш алгоритм», — говорит Тал. «Мы также можем использовать траекторию человека-пилота в качестве отправной точки и улучшать ее, чтобы увидеть, что люди не делают, что наш алгоритм может вычислить, чтобы летать быстрее. Это некоторые идеи на будущее, о которых мы думаем ».
Фото: Массачусетский технологический институт
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК