Innovaciones autónomas en un mundo incierto

Jan 21, 2024

Imagen anterior Imagen siguiente

Los intereses de investigación del profesor del MIT Jonathan How abarcan toda la gama de vehículos autónomos, desde aviones y naves espaciales hasta vehículos aéreos no tripulados (UAV o drones) y automóviles. Está particularmente enfocado en el diseño e implementación de algoritmos de planificación distribuidos robustos para coordinar múltiples vehículos autónomos capaces de navegar en entornos dinámicos.

Durante el último año, el profesor Richard Cockburn Maclaurin de Aeronáutica y Astronáutica y un equipo de investigadores del Laboratorio de Controles Aeroespaciales del MIT han estado desarrollando un sistema de planificación de trayectorias que permite que una flota de drones opere en el mismo espacio aéreo sin chocar con entre sí. Dicho de otra manera, es un proyecto para evitar colisiones de varios vehículos y tiene implicaciones en el mundo real en cuanto a ahorro de costos y eficiencia para una variedad de industrias, incluidas la agricultura y la defensa.

La instalación de prueba para el proyecto es el Centro Kresa para Sistemas Autónomos, un espacio de 80 por 40 pies con techos de 25 pies, diseñado a medida para el trabajo del MIT con vehículos autónomos, incluido el enjambre de vehículos aéreos no tripulados de How que zumban regularmente alrededor de la bahía alta del centro. . Para evitar colisiones, cada UAV debe calcular su trayectoria a bordo y compartirla con el resto de máquinas mediante una red de comunicación inalámbrica.

Pero, según How, uno de los desafíos clave en el trabajo con varios vehículos implica los retrasos en la comunicación asociados con el intercambio de información. En este caso, para abordar el problema, How y sus investigadores incorporaron una función de "percepción consciente" en su sistema que permite a un vehículo utilizar los sensores a bordo para recopilar nueva información sobre los otros vehículos y luego alterar su propia trayectoria planificada. En las pruebas, su solución algorítmica resultó en una tasa de éxito del 100 por ciento, garantizando vuelos sin colisiones entre su grupo de drones. El siguiente paso, dice How, es ampliar los algoritmos, probarlos en espacios más grandes y, finalmente, volar al exterior.

Nacido en Inglaterra, la fascinación de Jonathan How por los aviones comenzó a una edad temprana, gracias al amplio tiempo que pasó en bases aéreas con su padre, quien, durante muchos años, sirvió en la Royal Air Force. Sin embargo, como recuerda How, mientras otros niños querían ser astronautas, su curiosidad tenía más que ver con la ingeniería y la mecánica del vuelo. Años más tarde, como estudiante universitario en la Universidad de Toronto, desarrolló un interés en las matemáticas aplicadas y la investigación de vehículos múltiples aplicada a la ingeniería aeronáutica y astronáutica. Continuó realizando su trabajo de posgrado y posdoctorado en el MIT, donde contribuyó a un experimento financiado por la NASA sobre técnicas de control avanzadas para el control de vibración y apuntamiento de alta precisión en naves espaciales. Y, después de trabajar en telescopios espaciales distribuidos como miembro junior de la facultad de la Universidad de Stanford, regresó a Cambridge, Massachusetts, para unirse a la facultad del MIT en 2000.

"Uno de los desafíos clave para cualquier vehículo autónomo es cómo abordar el resto del entorno que lo rodea", afirma. Para los vehículos autónomos esto significa, entre otras cosas, identificar y rastrear a los peatones. Es por eso que How y su equipo han estado recopilando datos en tiempo real de autos autónomos equipados con sensores diseñados para rastrear a los peatones, y luego usan esa información para generar modelos para comprender su comportamiento (en una intersección, por ejemplo), lo que permite al autónomo vehículo para hacer predicciones a corto plazo y mejores decisiones sobre cómo proceder. "Es un proceso de predicción muy ruidoso, dada la incertidumbre del mundo", admite How. “El verdadero objetivo es mejorar el conocimiento. Nunca obtendrás predicciones perfectas. Simplemente estás tratando de comprender la incertidumbre y reducirla tanto como puedas”.

En otro proyecto, How está ampliando los límites de la toma de decisiones en tiempo real para aviones. En estos escenarios, los vehículos tienen que determinar dónde están ubicados en el entorno, qué más hay a su alrededor y luego planificar un camino óptimo a seguir. Además, para garantizar una agilidad suficiente, normalmente es necesario poder regenerar estas soluciones entre 10 y 50 veces por segundo, y tan pronto como esté disponible nueva información de los sensores del avión. Existen computadoras poderosas, pero su costo, tamaño, peso y requisitos de energía hacen que su implementación en aviones pequeños y ágiles sea poco práctica. Entonces, ¿cómo se pueden realizar rápidamente todos los cálculos necesarios, sin sacrificar el rendimiento, en computadoras que caben fácilmente en un vehículo volador ágil?

La solución de How es emplear, a bordo del avión, redes neuronales de rápida consulta que estén entrenadas para "imitar" la respuesta de los optimizadores computacionalmente costosos. El entrenamiento se realiza durante una fase fuera de línea (previa a la misión), donde él y sus investigadores ejecutan un optimizador repetidamente (miles de veces) que "demuestra" cómo resolver una tarea, y luego incorporan ese conocimiento en una red neuronal. Una vez entrenada la red, la ejecutan (en lugar del optimizador) en el avión. En vuelo, la red neuronal toma las mismas decisiones que habría tomado el optimizador, pero mucho más rápido, lo que reduce significativamente el tiempo necesario para tomar nuevas decisiones. El enfoque ha demostrado ser exitoso con vehículos aéreos no tripulados de todos los tamaños y también se puede utilizar para generar redes neuronales que sean capaces de procesar directamente señales sensoriales ruidosas (llamado aprendizaje de extremo a extremo), como las imágenes de una cámara a bordo. , permitiendo a la aeronave localizar rápidamente su posición o evitar un obstáculo. Las interesantes innovaciones aquí se encuentran en las nuevas técnicas desarrolladas para permitir que los agentes de vuelo sean entrenados de manera muy eficiente, a menudo utilizando solo una demostración de una sola tarea. Uno de los próximos pasos importantes en este proyecto es garantizar que estos controladores aprendidos puedan certificarse como seguros.

A lo largo de los años, How ha trabajado en estrecha colaboración con empresas como Boeing, Lockheed Martin, Northrop Grumman, Ford y Amazon. Dice que trabajar con la industria le ayuda a centrar su investigación en la resolución de problemas del mundo real. “Tomamos los problemas difíciles de la industria, los condensamos en los problemas centrales, creamos soluciones para aspectos específicos del problema, demostramos esos algoritmos en nuestras instalaciones experimentales y luego los trasladamos de regreso a la industria. Tiende a ser un circuito de retroalimentación muy natural y sinérgico”, dice How.

Artículo anterior Artículo siguiente