Las aves han inspirado a los humanos durante mucho tiempo a crear sus propias formas de volar. Sabemos que las especies de aves en vuelo que migran largas distancias utilizan corrientes térmicas ascendentes para permanecer en el aire sin gastar energía batiendo sus alas. Y los pilotos de planeadores usan de manera similar las corrientes térmicas y otras áreas de aire ascendente para permanecer en el aire por más tiempo.

Todavía, mientras dominamos el deslizamiento a través de estas corrientes ascendentes con varios instrumentos, Los mecanismos exactos que permiten a las aves volar aún se desconocen. Pero un equipo de investigadores de California e Italia ha dado algunos pasos reveladores para responder a esta pregunta utilizando inteligencia artificial (IA). Y podría conducir a nuevos desarrollos en sistemas de navegación para aeronaves, con implicaciones particulares para la creación de drones que pueden permanecer en el aire durante períodos de tiempo muy prolongados.

El objetivo del estudio, publicado en Naturaleza , era entrenar un pequeño planeador autónomo de dos metros de envergadura para volar en térmicas, como lo haría un pájaro real. El planeador fue programado con una especie de inteligencia artificial conocida como aprendizaje automático que le permitió descubrir cómo usar las corrientes de aire para permanecer en el aire por más tiempo.

El aprendizaje automático es un enfoque alternativo a la programación de una computadora para realizar una tarea compleja. En lugar de alimentar a una computadora (o planeador autónomo en este caso) un conjunto de instrucciones que le indiquen cómo hacer algo, le dice a la computadora cómo le gustaría que responda y la recompensa cuando hace lo correcto.

Con el tiempo, aprenderá qué cosas se recompensan y tenderá a realizar estos comportamientos en su lugar. Esta técnica es la forma en que los programas de computadora como AlphaGo de Google pueden aprender a jugar el juego de mesa Go y luego vencer a los jugadores profesionales, una hazaña que simplemente no es posible con las técnicas de programación convencionales.

Este tipo de aprendizaje automático se llama aprendizaje por refuerzo y se basa en una gran cantidad de datos de entrada que se alimentan a la computadora para que aprenda qué acciones le proporcionarán recompensas. Para los investigadores que programan el planeador autónomo, los datos de entrada consistieron en instrumentos especializados capaces de leer el cambio en la fuerza del viento hacia arriba (vertical). Los instrumentos pudieron determinar estos cambios a lo largo de la longitud del planeador (longitudinalmente) y de una punta de ala a la otra (lateralmente). Los sensores pudieron realizar estas mediciones diez veces por segundo.

Estos datos se utilizaron luego para realizar ajustes de vuelo en lo que se conoce como el ángulo de inclinación del planeador. Un avión bien equilibrado con las alas niveladas tiene un ángulo de inclinación cero y volará en línea recta. Inclinar las alas y aumentar el ángulo de inclinación hará que el avión gire. En el estudio, el planeador era recompensado si aumentaba el cambio en la velocidad del viento ascendente a lo largo de su trayectoria de vuelo. En otras palabras, si el planeador volaba hacia una corriente ascendente.

Las corrientes ascendentes son clave para aumentar la cantidad de tiempo que un planeador puede permanecer en el aire. A diferencia de un avión a motor, un planeador que no pueda encontrar corrientes ascendentes caerá gradualmente hacia el suelo. El hecho de que el planeador esté subiendo o bajando depende directamente de la cantidad de aire que se mueva hacia arriba a su alrededor. En una corriente ascendente el aumento en el movimiento vertical del aire puede ser suficiente para detener la caída del planeador y, si el viento vertical es lo suficientemente fuerte, déjelo trepar.

En el transcurso de varios vuelos (alrededor de 16 horas de vuelo en total), el planeador del estudio aprendió a volar entrenando a sí mismo que bajo una cierta combinación de entradas (ángulo de inclinación, cambio longitudinal y lateral de la velocidad del viento vertical) para decidir cuál debería ser el próximo cambio en el ángulo de inclinación lateral. El resultado fue que, al final de todo ese vuelo, el avión se había enseñado a sí mismo a volar en corrientes ascendentes, permitiendo que permanezca en el aire por más tiempo.

Como bonificación, los investigadores utilizaron un modelo numérico para demostrar que este enfoque beneficiaría aún más a los planeadores más grandes, ya que su envergadura más larga proporcionará una medida más precisa del cambio en la velocidad del viento ascendente de una punta de ala a otra.

Haciendo aviones más inteligentes

Los resultados plantean la pregunta de qué posibles planeadores autónomos futuristas podríamos ver deslizándose y para qué se utilizarían. Los ingenieros del MIT se inspiraron recientemente en la aerodinámica del albatros que cabalga sobre las olas para diseñar un planeador autónomo.

Airbus ha desarrollado un planeador con energía solar que puede permanecer en el aire durante períodos de tiempo muy largos como alternativa a los satélites de vigilancia o comunicaciones. por ejemplo, que podría transmitir señales de Internet a ubicaciones remotas en el suelo. Según los informes, Microsoft está trabajando en aviones autónomos con sistemas de navegación inteligentes artificiales de última generación.

Pero quizás las técnicas desarrolladas en este estudio podrían algún día conducir a una nueva generación de sistemas de navegación y piloto automático "inteligentes" para aviones convencionales. Estos podrían utilizar datos recopilados durante miles de horas de vuelo para tomar una decisión sobre la forma más eficiente de desplazarse. Esto dependería de sensores precisos y un mayor desarrollo que permitiría que un avión se identificara y luego saltara de una corriente térmica ascendente a otra. En este momento, el método solo permite deslizarse dentro de una única térmica.

Los métodos y técnicas de programación desarrollados por los investigadores sin duda nos acercarán un paso más al objetivo de un vehículo volador autónomo con tiempos de vuelo de días. semanas o meses realizando estas tareas. Pero es el uso del aprendizaje por refuerzo lo que muestra una vez más cuán flexibles son estos algoritmos para adaptarse a una amplia gama de tareas complejas. desde controlar un planeador hasta vencer a un humano en Go.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.