Il rapido adattamento del deep learning insegna ai droni a sopravvivere a qualsiasi condizione atmosferica
Per essere veramente utili, i droni, ovvero i veicoli volanti autonomi, dovranno imparare a navigare nelle condizioni meteorologiche e del vento del mondo reale.
In questo momento, i droni vengono pilotati in condizioni controllate, senza vento, oppure sono azionati da esseri umani tramite telecomandi. Ai droni è stato insegnato a volare in formazione nei cieli aperti, ma quei voli sono generalmente condotti in condizioni e circostanze ideali.
Tuttavia, affinché i droni svolgano autonomamente le attività necessarie ma quotidiane, come la consegna di pacchi o il trasporto aereo di conducenti feriti da un incidente stradale, i droni devono essere in grado di adattarsi alle condizioni del vento in tempo reale, rotolando con i pugni, meteorologicamente parlando.
Per affrontare questa sfida, un team di ingegneri del Caltech ha sviluppato Neural-Fly , un metodo di deep learning che può aiutare i droni a far fronte a condizioni di vento nuove e sconosciute in tempo reale semplicemente aggiornando alcuni parametri chiave.
Neural-Fly è descritto in uno studio pubblicato il 4 maggio su Science Robotics . L’autore corrispondente è Soon-Jo Chung, professore di Bren di sistemi aerospaziali e di controllo e dinamici e scienziato ricercatore del laboratorio di propulsione a reazione. Gli studenti laureati del Caltech Michael O’Connell (MS ’18) e Guanya Shi sono i primi co-autori.
Neural-Fly è stato testato presso il Center for Autonomous Systems and Technologies (CAST) del Caltech utilizzando la sua galleria del vento Real Weather, una serie personalizzata di 10 piedi per 10 piedi di oltre 1.200 minuscole ventole controllate da computer che consente agli ingegneri di simulare tutto da una raffica leggera a una burrasca.
“Il problema è che l’effetto diretto e specifico delle varie condizioni del vento sulla dinamica, le prestazioni e la stabilità dell’aeromobile non può essere caratterizzato con precisione come un semplice modello matematico”, afferma Chung. “Invece di cercare di qualificare e quantificare ogni singolo effetto delle condizioni di vento turbolento e imprevedibile che spesso sperimentiamo nei viaggi aerei, utilizziamo invece un approccio combinato di apprendimento profondo e controllo adattivo che consente all’aereo di imparare dalle esperienze precedenti e adattarsi a nuove condizioni al volo con garanzie di stabilità e robustezza.”
O’Connell aggiunge: “Abbiamo molti modelli diversi derivati dalla meccanica dei fluidi, ma ottenere la giusta fedeltà del modello e mettere a punto quel modello per ogni veicolo, condizione del vento e modalità operativa è impegnativo. D’altra parte, i metodi di apprendimento automatico esistenti richiedono enormi le quantità di dati da addestrare non corrispondono allo stato dell’arte delle prestazioni di volo ottenute utilizzando i metodi classici basati sulla fisica. Inoltre, adattare un’intera rete neurale profonda in tempo reale è un compito enorme, se non attualmente impossibile”.
Neural-Fly, affermano i ricercatori, aggira queste sfide utilizzando una cosiddetta strategia di separazione, attraverso la quale solo alcuni parametri della rete neurale devono essere aggiornati in tempo reale.
“Ciò si ottiene con il nostro nuovo algoritmo di meta-apprendimento, che pre-addestra la rete neurale in modo che solo questi parametri chiave debbano essere aggiornati per catturare efficacemente l’ambiente in evoluzione”, afferma Shi.
Dopo aver ottenuto solo 12 minuti di dati di volo, i droni quadrotori autonomi dotati di Neural-Fly imparano a rispondere così bene ai forti venti che le loro prestazioni sono notevolmente migliorate (misurate dalla loro capacità di seguire con precisione una traiettoria di volo). Il tasso di errore che segue quella traiettoria di volo è da circa 2,5 a 4 volte inferiore rispetto agli attuali droni all’avanguardia dotati di algoritmi di controllo adattivo simili che identificano e rispondono agli effetti aerodinamici ma senza reti neurali profonde.
Neural-Fly, sviluppato in collaborazione con Yisong Yue del Caltech, professore di scienze informatiche e matematiche, e Anima Anandkumar, professoressa di scienze informatiche e matematiche a Bren, si basa su sistemi precedenti noti come Neural-Lander e Neural-Swarm . Neural-Lander ha anche utilizzato un metodo di apprendimento profondo per tracciare la posizione e la velocità del drone durante l’atterraggio e modificare la sua traiettoria di atterraggio e la velocità del rotore per compensare il riflusso dei rotori da terra e ottenere l’atterraggio più fluido possibile; Neural-Swarm ha insegnato ai droni a volare autonomamente in stretta vicinanza l’uno all’altro.
Sebbene l’atterraggio possa sembrare più complesso del volo, Neural-Fly, a differenza dei sistemi precedenti, può apprendere in tempo reale. In quanto tale, può rispondere al volo ai cambiamenti del vento e non richiede modifiche a posteriori. Neural-Fly si è comportato anche nei test di volo condotti all’esterno della struttura CAST come ha fatto nella galleria del vento. Inoltre, il team ha dimostrato che i dati di volo raccolti da un singolo drone possono essere trasferiti a un altro drone, costruendo un pool di conoscenze per i veicoli autonomi.
Al CAST Real Weather Wind Tunnel, i droni di prova sono stati incaricati di volare in uno schema pre-descritto a forma di otto mentre sono stati colpiti da venti fino a 12,1 metri al secondo, circa 27 miglia orarie, o sei sulla scala Beaufort di velocità del vento. Questa è classificata come una “ventosa forte” in cui sarebbe difficile usare un ombrello. Si colloca appena al di sotto di una “tempesta moderata”, in cui sarebbe difficile muoversi e interi alberi oscillerebbero. Questa velocità del vento è due volte più veloce delle velocità incontrate dal drone durante l’addestramento della rete neurale, il che suggerisce che Neural-Fly potrebbe estrapolare e generalizzare bene a condizioni meteorologiche invisibili e più rigide.
I droni erano dotati di un computer di controllo di volo standard, pronto all’uso, comunemente utilizzato dalla ricerca sui droni e dalla comunità degli hobbisti. Neural-Fly è stato implementato in un computer Raspberry Pi 4 integrato che ha le dimensioni di una carta di credito e viene venduto al dettaglio per circa $ 20.
L’ articolo di Science Robotics è intitolato “Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds”. I coautori includono Anandkumar e Yue, oltre a Xichen Shi (PhD ’21) e l’ex postdoc del Caltech Kamyar Azizzadenesheli, ora assistente professore di informatica alla Purdue University. Il finanziamento di questa ricerca è venuto dalla Defense Advanced Research Projects Agency (DARPA) e da Raytheon.
