Os pássaros há muito inspiram os humanos a criar suas próprias maneiras de voar. Sabemos que as espécies de pássaros voando alto que migram por longas distâncias usam correntes ascendentes térmicas para permanecer no ar sem gastar energia batendo suas asas. E os pilotos de planadores usam correntes térmicas e outras áreas de ar ascendente para permanecer no ar por mais tempo.

Ainda, embora tenhamos dominado o deslizamento por essas atualizações usando vários instrumentos, os mecanismos exatos que permitem que os pássaros voem ainda são desconhecidos. Mas uma equipe de pesquisadores da Califórnia e da Itália deu alguns passos reveladores para responder a essa pergunta usando inteligência artificial (IA). E pode levar a novos desenvolvimentos em sistemas de navegação para aeronaves, com implicações específicas para a criação de drones que podem permanecer no ar por longos períodos de tempo.

O objetivo do estudo, publicado em Natureza , era treinar um pequeno planador autônomo de envergadura de duas metros para voar em térmicas, exatamente como um pássaro de verdade faria. O planador foi programado com um tipo de IA conhecido como aprendizado de máquina, que o permitiu descobrir como usar as correntes de ar para permanecer no ar por mais tempo.

O aprendizado de máquina é uma abordagem alternativa para programar um computador para fazer uma tarefa complexa. Em vez de alimentar um computador (ou planador autônomo, neste caso) um conjunto de instruções dizendo a ele como fazer algo, você diz ao computador como gostaria que ele respondesse e o recompensa quando ele faz a coisa certa.

Com o tempo, ele aprenderá quais coisas são recompensadas e, em vez disso, tenderá a adotar esses comportamentos. Esta técnica é a forma como programas de computador como o AlphaGo do Google podem aprender a jogar o jogo de tabuleiro Go e então vencer os jogadores profissionais, um feito simplesmente impossível com técnicas de programação convencionais.

Esse tipo de aprendizado de máquina é chamado de aprendizado por reforço e depende de uma grande quantidade de dados de entrada que são enviados ao computador para que ele aprenda quais ações o recompensarão. Para os pesquisadores que programam o planador autônomo, os dados de entrada consistiam em instrumentos especializados capazes de ler a mudança na força do vento para cima (vertical). Os instrumentos foram capazes de determinar essas mudanças ao longo do comprimento do planador (longitudinalmente) e de uma ponta de asa à outra (lateralmente). Os sensores foram capazes de fazer essas medições dez vezes por segundo.

Esses dados foram então usados ​​para fazer ajustes de vôo no que é conhecido como ângulo de inclinação do planador. Um avião bem equilibrado com asas niveladas tem ângulo de inclinação zero e voará em linha reta. Inclinar as asas e aumentar o ângulo de inclinação fará o avião virar. No estudo, o planador era recompensado se a mudança na velocidade do vento ascendente ao longo de sua trajetória de vôo aumentasse. Em outras palavras, se o planador estava voando em uma corrente ascendente.

Atualizações são essenciais para aumentar a quantidade de tempo que um planador pode permanecer no ar. Ao contrário de um avião motorizado, um planador que não consegue encontrar nenhuma corrente de ar ascendente cairá gradualmente em direção ao solo. Se o planador está caindo ou subindo depende diretamente de quanto ar está se movendo para cima ao seu redor. Em uma atualização, o aumento do movimento vertical do ar pode ser suficiente para impedir a queda do planador e, se o vento vertical for forte o suficiente, permitir que suba.

Ao longo de uma série de voos (cerca de 16 horas de voo no total), o planador de estudo aprendeu a voar treinando a si mesmo que sob uma certa combinação de entradas (ângulo de inclinação, velocidade do vento vertical de mudança longitudinal e lateral) para decidir qual deve ser a próxima mudança no ângulo de inclinação. O resultado foi que, ao final de tudo que pilotar o avião, aprendeu a voar em correntes ascendentes, permitindo que ele permaneça no ar por mais tempo.

Como um bônus, os pesquisadores usaram um modelo numérico para mostrar que essa abordagem beneficiaria ainda mais planadores maiores, já que sua envergadura mais longa fornecerá uma medição mais precisa da mudança na velocidade do vento ascendente de uma ponta de asa para outra.

Tornando as aeronaves mais inteligentes

Os resultados levantam a questão de quais planadores autônomos futurísticos poderíamos ver deslizando ao redor e para que eles seriam usados. Engenheiros do MIT recentemente se inspiraram na aerodinâmica do albatroz surfista para projetar um planador autônomo.

A Airbus desenvolveu um planador movido a energia solar que pode permanecer no ar por longos períodos de tempo como uma alternativa para satélites de vigilância ou comunicação, por exemplo, isso pode transmitir sinais de internet para locais remotos no solo. A Microsoft está supostamente trabalhando em aviões autônomos com sistemas de navegação inteligente artificial de última geração.

Mas talvez as técnicas desenvolvidas neste estudo possam um dia levar a uma nova geração de sistemas "inteligentes" de navegação e piloto automático para aeronaves convencionais. Isso poderia usar dados coletados ao longo de milhares de horas de vôo para tomar decisões sobre a maneira mais eficiente de se locomover. Isso dependeria de sensores precisos e desenvolvimento adicional que permitiria a um avião identificar e então pular de uma corrente ascendente térmica para outra. No momento, o método só permite o deslizamento dentro de uma única térmica.

Os métodos e técnicas de programação desenvolvidos pelos pesquisadores, sem dúvida, nos levarão um passo mais perto da meta de um veículo voador autônomo com tempos de vôo de dias, semanas ou meses realizando essas tarefas. Mas é o uso da aprendizagem por reforço que mais uma vez mostra o quão flexíveis esses algoritmos são na adaptação a uma ampla gama de tarefas complexas, desde controlar um planador até derrotar um humano em Go.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.