Droni coordinati da un nuovo algoritmo di Machine Learning: lo studio del California Institute of Technology

Il California Institute of Technology ha sviluppato un nuovo algoritmo di Intelligenza Artificiale per controllare il movimento di più droni all’interno di spazi non mappati, affinché non si incontrino e, soprattutto, non si scontrino.

I droni sono aeromobili a pilotaggio remoto utilizzati in ambito militare e per applicazioni civili – singolarmente oppure a gruppi (sciame di droni) – tra cui il monitoraggio ambientale, la sorveglianza del territorio, operazioni di soccorso, controllo di flotte di auto a guida autonoma e altre applicazioni ancora.

Quando vi è l’esigenza di ricorrere a sciami di droni, un aspetto critico riguarda il coordinamento puntuale dei movimenti di ciascun drone all’interno del gruppo. Il coordinamento dei droni, fondamentalmente, risponde a due esigenze:

  • garantire la sicurezza delle operazioni
  • garantire un elevato livello di performance, soprattutto nell’ambito di operazioni di per sé delicate quali la ricerca e il salvataggio di persone disperse e di tutti gli interventi di soccorso in caso di emergenza

Due sono le problematiche che rendono spinoso il coordinamento di ciascun drone all’interno del gruppo:

  • la rapidità con la quale ogni drone è chiamato a prendere decisioni circa la propria traiettoria, anche in assenza completa di dati sul percorso da compiere
  • maggiore sarà il numero di droni presenti all’interno del gruppo, più le interazioni tra ciascun drone saranno complesse e più alto sarà il numero di collisioni

Droni in gruppo: come avviene la pianificazione dei movimenti

Ebbene, un gruppo di ingegneri del California Institute of Technology – CalTech – ha messo a punto un nuovo metodo basato su algoritmi di Intelligenza Artificiale per controllare il movimento di più droni all’interno di spazi sconosciuti e non mappati, affinché non si incontrino e, soprattutto, non si scontrino.

In particolare, il gruppo di studio ha sviluppato un algoritmo di pianificazione del movimento denominato GLAS – Global-to-Local Safe Autonomy Synthesis e un controller di tracciamento dello sciame di droni denominato Neural-Swarm, in grado di apprendere complesse interazioni aerodinamiche nel volo a prossimità ravvicinata.

Come lavora l’algoritmo GLAS – Global-to-Local Autonomy Synthesis mentre pianifica il movimento dei droni all’interno dello sciame

Nel momento in cui vengono utilizzati GLAS e Neural-Swarm, il drone non necessita di un quadro completo dell’ambiente che sta attraversando o del percorso che i suoi compagni (gli altri droni) intendono intraprendere. Perché? Grazie all’algoritmo di Machine Learning, ogni drone facente parte dello sciame impara come navigare in un determinato spazio e, mentre lo fa, acquisisce nuove informazioni, in un processo continuo di apprendimento automatico.

Controllo dello sciame di droni per mezzo del controller Neural-Swarm, basato su rete neurale profonda, per un volo di prossimità sicuro

Poiché ogni drone, in uno sciame, richiede solo informazioni sull’ambiente circostante, è possibile eseguire calcoli decentralizzati: in sostanza, ogni drone “pensa” a se stesso, il che rende più facile aumentare le dimensioni dello sciame.

Questi progetti dimostrano il potenziale di integrazione dei moderni metodi di Machine Learning nella pianificazione e nel controllo multi-drone e rivelano nuove direzioni nella ricerca sull’apprendimento automatico” afferma Yisong Yue, professore di informatica e scienze matematiche presso il California Institute of Technology e tra gli autori della ricerca.

I risultati dei test su sciami di sedici droni quadricotteri

La fase di test dell’algoritmo GLAS – Global-to-Local Safe Autonomy Synthesis e del controller Neural-Swarm ha visto l’implementazione su sciami di quadricotteri (droni a quattro motori), composti da un massimo di sedici droni, fatti volare nell’arena droni presso il Center for Autonomous Systems and Technologies del California Institute of Technology. Il test ha portato a risultati interessanti: l’algoritmo di Machine Learning GLAS potrebbe superare l’attuale algoritmo di pianificazione del movimento di sciami di droni del 20% in una vasta gamma di casi.

Mentre Neural-Swarm ha superato, in quanto a prestazioni, un controller commerciale risultato non in grado di considerare le interazioni aerodinamiche: gli errori di tracciamento e la metrica relativa al modo in cui i droni si orientano e tengono traccia delle posizioni nello spazio tridimensionale, sono risultati fino a quattro volte più piccoli quando è stato utilizzato il nuovo controller.

Volo coordinato (a prossimità ravvicinata) di sedici droni quadricotteri all’interno dello sciame
Default image
Paola Cozzi
Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione

Newsletter Updates

Enter your email address below to subscribe to our newsletter