O pouso de drones com vários rotores sem problemas é difícil. A turbulência complexa é criada pelo fluxo de ar de cada rotor que ricocheteia no solo à medida que o solo se aproxima cada vez mais durante uma descida. Esta turbulência não é bem compreendida nem fácil de compensar, particularmente para drones autônomos. É por isso que a decolagem e a aterrissagem costumam ser as duas partes mais complicadas de um vôo de drone. Os drones normalmente balançam e avançam lentamente em direção a uma aterrissagem até que a energia seja finalmente cortada, e eles caem a distância restante até o solo.

No Centro de Sistemas e Tecnologias Autônomos da Caltech (CAST), especialistas em inteligência artificial se uniram a especialistas em controle para desenvolver um sistema que usa uma rede neural profunda para ajudar drones autônomos a "aprender" como pousar com mais segurança e rapidez, enquanto engole menos energia. O sistema que eles criaram, apelidado de "Neural Lander, "é um controlador baseado em aprendizagem que rastreia a posição e a velocidade do drone, e modifica sua trajetória de pouso e velocidade do rotor de acordo para obter o pouso mais suave possível.

"Este projeto tem o potencial de ajudar os drones a voar com mais suavidade e segurança, especialmente na presença de rajadas de vento imprevisíveis, e consomem menos bateria, pois os drones podem pousar mais rapidamente, "diz Soon-Jo Chung, Bren Professor de Aeroespacial na Divisão de Engenharia e Ciências Aplicadas (EAS) e cientista pesquisador do JPL, que Caltech gerencia para a NASA. O projeto é uma colaboração entre os especialistas em inteligência artificial (IA) de Chung e Caltech, Anima Anandkumar, Bren Professor de Computação e Ciências Matemáticas, e Yisong Yue, professor assistente de computação e ciências matemáticas.

Um artigo descrevendo o módulo Neural Lander foi apresentado na Conferência Internacional sobre Robótica e Automação do Instituto de Engenheiros Elétricos e Eletrônicos (IEEE) em 22 de maio. Os co-autores principais do artigo são os alunos de graduação da Caltech, Guanya Shi, cujo Ph.D. a pesquisa é supervisionada conjuntamente por Chung e Yue, bem como Xichen Shi e Michael O "Connell, quem são os Ph.D. alunos do Grupo de Robótica e Controle Aeroespacial de Chung.

Redes neurais profundas (DNNs) são sistemas de IA inspirados em sistemas biológicos como o cérebro. A parte "profunda" do nome se refere ao fato de que as entradas de dados são agitadas em várias camadas, cada um dos quais processa as informações recebidas de uma maneira diferente para revelar detalhes cada vez mais complexos. DNNs são capazes de aprendizagem automática, o que os torna ideais para tarefas repetitivas.

Para garantir que o drone voe sem problemas sob a orientação do DNN, a equipe empregou uma técnica conhecida como normalização espectral, que suaviza as saídas da rede neural para que ela não faça previsões muito variadas à medida que as entradas ou as condições mudam. As melhorias na aterrissagem foram medidas examinando o desvio de uma trajetória idealizada no espaço 3-D. Três tipos de testes foram realizados:uma aterrissagem vertical reta; uma aterrissagem em arco descendente; e o vôo em que o drone desliza sobre uma superfície quebrada - como a borda de uma mesa - onde o efeito da turbulência do solo pode variar drasticamente.

O novo sistema diminui o erro vertical em 100 por cento, permitindo pousos controlados, e reduz a deriva lateral em até 90 por cento. Em seus experimentos, o novo sistema atinge o pouso real, em vez de ficar preso a cerca de 10 a 15 centímetros acima do solo, como os controladores de vôo convencionais não modificados costumam fazer. Avançar, durante o teste de skimming, o módulo de pouso Neural produziu uma transição muito mais suave quando o drone passou de deslizar pela mesa para voar no espaço livre além da borda.

"Com menos erros, o módulo Neural Lander é capaz de uma velocidade mais rápida, pouso mais suave e de deslizar suavemente sobre a superfície do solo, "Diz Yue. O novo sistema foi testado no aeródromo de três andares do CAST, que pode simular uma variedade quase ilimitada de condições de vento externas. Inaugurado em 2018, CAST é um 10, Instalação de 000 pés quadrados onde os pesquisadores do EAS, JPL, e a Divisão de Ciências Geológicas e Planetárias da Caltech estão se unindo para criar a próxima geração de sistemas autônomos, enquanto avança nos campos de pesquisa de drones, exploração autônoma, e sistemas bioinspirados.

"Este esforço interdisciplinar traz especialistas em aprendizado de máquina e sistemas de controle. Mal começamos a explorar as ricas conexões entre as duas áreas, "Anandkumar diz.

Além de suas aplicações comerciais óbvias - Chung e seus colegas registraram uma patente no novo sistema - o novo sistema pode ser crucial para projetos atualmente em desenvolvimento no CAST, incluindo um transporte médico autônomo que poderia pousar em locais de difícil acesso (como um trânsito congestionado). "A importância de poder pousar com rapidez e suavidade ao transportar um indivíduo ferido não pode ser exagerada, "diz Morteza Gharib, Hans W. Liepmann Professor de Aeronáutica e Engenharia Bioinspirada; diretor do CAST; e um dos principais pesquisadores do projeto de ambulância aérea.

O artigo é intitulado "Neural Lander:Stable Drone Landing Control using Learned Dynamics."