• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Neural Lander usa IA para aterrizar drones sin problemas

    El nuevo sistema emplea una red neuronal profunda para superar el desafío de la turbulencia de efecto suelo. Crédito:Instituto de Tecnología de California

    Aterrizar drones multirrotor sin problemas es difícil. La turbulencia compleja es creada por el flujo de aire de cada rotor que rebota en el suelo a medida que el suelo se acerca cada vez más durante un descenso. Esta turbulencia no se comprende bien ni es fácil de compensar, particularmente para drones autónomos. Es por eso que el despegue y el aterrizaje son a menudo las dos partes más complicadas de un vuelo con drones. Los drones normalmente se tambalean y avanzan lentamente hacia un aterrizaje hasta que finalmente se corta la energía. y dejan caer la distancia restante al suelo.

    En el Centro de Sistemas y Tecnologías Autónomos (CAST) de Caltech, Los expertos en inteligencia artificial se han asociado con expertos en control para desarrollar un sistema que utiliza una red neuronal profunda para ayudar a los drones autónomos a "aprender" cómo aterrizar de forma más segura y rápida. mientras consume menos energía. El sistema que han creado apodado el "Neural Lander, "es un controlador basado en el aprendizaje que rastrea la posición y la velocidad del dron, y modifica su trayectoria de aterrizaje y la velocidad del rotor en consecuencia para lograr el aterrizaje más suave posible.

    "Este proyecto tiene el potencial de ayudar a los drones a volar de manera más fluida y segura, especialmente en presencia de ráfagas de viento impredecibles, y consumen menos energía de la batería, ya que los drones pueden aterrizar más rápido, "dice Soon-Jo Chung, Bren Profesor de Aeroespacial en la División de Ingeniería y Ciencias Aplicadas (EAS) e investigador científico en JPL, que Caltech administra para la NASA. El proyecto es una colaboración entre Chung y los expertos en inteligencia artificial (IA) de Caltech Anima Anandkumar, Bren Profesor de Computación y Ciencias Matemáticas, y Yisong Yue, profesor asistente de ciencias informáticas y matemáticas.

    Un artículo que describe el Neural Lander se presentó en la Conferencia Internacional de Robótica y Automatización del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) el 22 de mayo. Los coautores principales del artículo son los estudiantes graduados de Caltech, Guanya Shi, cuyo Ph.D. la investigación es supervisada conjuntamente por Chung y Yue, así como Xichen Shi y Michael O "Connell, quienes son los Ph.D. estudiantes del Grupo de Control y Robótica Aeroespacial de Chung.

    Crédito:Instituto de Tecnología de California

    Las redes neuronales profundas (DNN) son sistemas de inteligencia artificial que se inspiran en sistemas biológicos como el cerebro. La parte "profunda" del nombre se refiere al hecho de que las entradas de datos se mezclan en varias capas, cada uno de los cuales procesa la información entrante de una manera diferente para desentrañar detalles cada vez más complejos. Los DNN son capaces de aprendizaje automático, lo que los hace ideales para tareas repetitivas.

    Para asegurarse de que el dron vuele sin problemas bajo la guía del DNN, el equipo empleó una técnica conocida como normalización espectral, que suaviza las salidas de la red neuronal para que no haga predicciones muy variables a medida que cambian las entradas o las condiciones. Las mejoras en el aterrizaje se midieron examinando la desviación de una trayectoria idealizada en el espacio 3-D. Se realizaron tres tipos de pruebas:un aterrizaje vertical recto; un aterrizaje en arco descendente; y vuelo en el que el dron se desliza sobre una superficie rota, como por ejemplo sobre el borde de una mesa, donde el efecto de la turbulencia del suelo varía considerablemente.

    El nuevo sistema reduce el error vertical en un 100 por ciento, permitiendo aterrizajes controlados, y reduce la deriva lateral hasta en un 90 por ciento. En sus experimentos, el nuevo sistema logra un aterrizaje real en lugar de quedarse atascado entre 10 y 15 centímetros sobre el suelo, como suelen hacer los controladores de vuelo convencionales no modificados. Más lejos, durante la prueba de desnatado, Neural Lander produjo una transición mucho más suave a medida que el dron pasó de rozar la mesa a volar en el espacio libre más allá del borde.

    "Con menos errores, el Neural Lander es capaz de una velocidad, aterrizaje más suave y de deslizamiento suave sobre la superficie del suelo, "Dice Yue. El nuevo sistema fue probado en el aeródromo de tres pisos de altura de CAST, que puede simular una variedad casi ilimitada de condiciones de viento al aire libre. Inaugurado en 2018, CAST es un 10, Instalación de 000 pies cuadrados donde los investigadores de EAS, JPL, y la División de Ciencias Geológicas y Planetarias de Caltech se están uniendo para crear la próxima generación de sistemas autónomos, mientras avanzamos en los campos de la investigación con drones, exploración autónoma, y sistemas bioinspirados.

    Lander neuronal CAST. Crédito:Caltech

    "Este esfuerzo interdisciplinario reúne a expertos de los sistemas de control y aprendizaje automático. Apenas hemos comenzado a explorar las ricas conexiones entre las dos áreas, "Dice Anandkumar.

    Además de sus obvias aplicaciones comerciales (Chung y sus colegas han presentado una patente sobre el nuevo sistema), el nuevo sistema podría resultar crucial para los proyectos que se están desarrollando actualmente en CAST. incluido un transporte médico autónomo que podría aterrizar en lugares de difícil acceso (como un tráfico atascado). "No se puede exagerar la importancia de poder aterrizar rápida y suavemente cuando se transporta a una persona lesionada, "dice Morteza Gharib, Hans W. Liepmann, profesor de aeronáutica e ingeniería bioinspirada; director de CAST; y uno de los investigadores principales del proyecto de ambulancia aérea.

    El artículo se titula "Neural Lander:control estable de aterrizaje de drones utilizando dinámicas aprendidas".


    © Ciencia https://es.scienceaq.com