Los ingenieros aeroespaciales del MIT han desarrollado un algoritmo que ayuda a los drones a encontrar la ruta más rápida alrededor de los obstáculos sin estrellarse. Crédito: MIT News, con una figura de fondo cortesía de los investigadores.
El nuevo algoritmo puede habilitar drones rápidos y ágiles para operaciones de tiempo crítico, como búsqueda y rescate.
Si sigues las carreras de drones autónomos, probablemente recordarás tanto los accidentes como las victorias. En las carreras de drones, los equipos compiten para ver qué vehículo está mejor entrenado para volar más rápido a través de una carrera de obstáculos. Pero cuanto más rápido vuelan los drones, más inestables se vuelven y, a altas velocidades, su aerodinámica puede ser demasiado complicada de predecir. Las colisiones, por lo tanto, son un hecho común y, a menudo, espectacular.
Pero si se les puede presionar para que sean más rápidos y ágiles, los drones pueden usarse en operaciones de tiempo crítico más allá del circuito de carreras, por ejemplo, para buscar sobrevivientes en un desastre natural.
Ahora, los ingenieros aeroespaciales del MIT han desarrollado un algoritmo que ayuda a los drones a encontrar la ruta más rápida alrededor de los obstáculos sin chocar. El nuevo algoritmo combina simulaciones de un dron que vuela a través de una carrera de obstáculos virtual con datos experimentales de un dron real que vuela por el mismo recorrido en el espacio físico.
Un quadcopter atraviesa una pista de carreras a través de varias puertas para encontrar la trayectoria más rápida posible. Crédito: Cortesía de investigadores
Los investigadores encontraron que un avión no tripulado entrenado en su algoritmo voló a través de una carrera de obstáculos simple hasta un 20% más rápido que un avión no tripulado entrenado en algoritmos de planificación convencionales. Curiosamente, el nuevo algoritmo no siempre mantuvo a un dron por delante de su competidor durante todo el curso. En algunos casos, optó por reducir la velocidad de un dron para manejar un giro complicado o ahorrar energía para acelerar y finalmente pasar a su rival.
«A altas velocidades, hay una aerodinámica intrincada que es difícil de simular, por lo que utilizamos experimentos del mundo real para llenar estos agujeros negros y descubrir, por ejemplo, que podría ser mejor reducir la velocidad primero para ser más rápido después», dice Ezra Tal , estudiante de posgrado en el Departamento de Aeronáutica y Astronáutica del MIT. «Es este enfoque holístico que usamos para ver cómo podemos hacer una trayectoria general lo más rápido posible».
“Este tipo de algoritmos son un paso muy valioso para permitir que los futuros drones naveguen en entornos complejos muy rápidamente”, agrega Sertac Karaman, profesor asociado de aeronáutica y astronáutica y director del Laboratorio de Sistemas de Información y Decisiones del MIT. «Realmente esperamos sobrepasar los límites de una manera que puedan viajar tan rápido como lo permitan sus límites físicos».
Tal, Karaman y el estudiante graduado del MIT Gilhyun Ryou publicaron sus resultados en el International Journal of Robotics Research.
efectos rápidos
Entrenar a los drones para que vuelen alrededor de los obstáculos es relativamente sencillo si están diseñados para volar lentamente. Esto se debe a que la aerodinámica como el arrastre generalmente no entra en juego a bajas velocidades y puede quedar fuera de cualquier modelo del comportamiento de los drones. Pero a velocidades más altas, estos efectos son mucho más pronunciados y es mucho más difícil predecir cómo se comportarán los vehículos.
«Cuando vuelas rápido, es difícil estimar dónde estás», dice Ryou. “Puede haber retrasos en el envío de una señal a un motor o una caída repentina de voltaje que puede causar otros problemas de dinámica. Estos efectos no pueden modelarse con los enfoques de planificación tradicionales. «
Para comprender cómo la aerodinámica de alta velocidad afecta a los drones en vuelo, los investigadores deben realizar muchos experimentos en el laboratorio, colocando drones a varias velocidades y trayectorias para ver cuáles vuelan más rápido sin estrellarse, un proceso de entrenamiento costoso y que a menudo provoca accidentes.
En cambio, el equipo del MIT desarrolló un algoritmo de planificación de vuelos de alta velocidad que combina simulaciones y experimentos para minimizar la cantidad de experimentos necesarios para identificar rutas de vuelo rápidas y seguras.
Los investigadores comenzaron con un modelo de planificación de vuelo basado en la física, que desarrollaron para simular cómo se comportaría probablemente un dron al volar a través de una carrera de obstáculos virtual. Simularon miles de escenarios de carreras, cada uno con una ruta de vuelo y un patrón de velocidad diferentes. Luego mapearon si cada escenario era factible (seguro) o inviable (resultando en un accidente). A partir de ese gráfico, podrían centrarse rápidamente en algunos de los escenarios o trayectorias de carreras más prometedores para probar en el laboratorio.
“Podemos hacer esta simulación de baja fidelidad de manera rentable y rápida, para ver trayectorias interesantes que pueden ser rápidas y factibles. Luego volamos esas trayectorias en experimentos para ver cuáles son realmente viables en el mundo real ”, dice Tal. «En última instancia, convergemos en la trayectoria ideal que nos brinda el menor tiempo posible».
yendo lento para ir rápido
Para demostrar su nuevo enfoque, los investigadores simularon un dron volando por un curso simple con cinco grandes obstáculos de forma cuadrada dispuestos en una configuración escalonada. Establecieron esta misma configuración en un espacio de entrenamiento físico y programaron un dron para volar el curso a velocidades y trayectorias que habían elegido previamente en sus simulaciones. También realizaron el mismo curso con un dron entrenado en un algoritmo más convencional que no incorpora experimentos en su diseño.
En general, el dron entrenado con el nuevo algoritmo “ganó” todas las carreras, completando el recorrido en menos tiempo que el dron entrenado convencionalmente. En algunos escenarios, el dron ganador terminó el recorrido un 20 por ciento más rápido que su competidor, a pesar de que hizo una trayectoria con un comienzo más lento, por ejemplo, tardando un poco más en dar la vuelta. Este tipo de ajuste sutil no fue realizado por el dron entrenado convencionalmente, probablemente porque sus trayectorias, basadas solo en simulaciones, no pudieron explicar completamente los efectos aerodinámicos que los experimentos del equipo revelaron en el mundo real.
Los investigadores planean ejecutar más experimentos, a velocidades más rápidas y en entornos más complejos, para mejorar aún más su algoritmo. También pueden incorporar datos de vuelo de pilotos humanos que compiten con drones de forma remota, y cuyas decisiones y maniobras pueden ayudar a definir planes de vuelo aún más rápidos pero más factibles.
«Si un piloto humano se está desacelerando o ganando velocidad, eso puede decirnos qué hace nuestro algoritmo», dice Tal. “También podemos usar la trayectoria del piloto humano como punto de partida, y construir a partir de eso, para ver qué es algo que los humanos no hacen, que nuestro algoritmo puede descifrar, para volar más rápido. Estas son algunas ideas en las que estamos pensando. «
Referencia: “Optimización de caja negra multifidelidad para maniobras de cuadractores optimizadas en el tiempo” por Gilhyun Ryou, Ezra Tal y Sertac Karaman, 29 de julio de 2021, International Journal of Robotics Research.
DOI: 10.1177 / 02783649211033317
Esta investigación fue apoyada, en parte, por la Oficina de Investigación Naval de Estados Unidos.