In un articolo da pubblicare in Sistemi senza equipaggio , un gruppo di ricercatori ha scoperto che un algoritmo di navigazione proposto da Baddeley et al. è in grado di consentire ai MAV di ritrovare la strada per tornare a una posizione precedentemente visitata in modo abbastanza rapido ed efficiente, permettendogli di funzionare più simile a un insetto volante.

Ecco un indovinello che un ingegnere di sistemi senza pilota potrebbe chiederti un giorno:come fa un microveicolo aereo (noto anche come MAV) a somigliare a un insetto volante? Bene, potresti dire in risposta, sia i MAV che gli insetti volanti devono navigare in ambienti complessi sconosciuti. Ma il cervello di un insetto è piccolo, e un MAV non può eseguire calcoli pesanti e spesso non ha un buon sistema di sensori. Di conseguenza, sia l'insetto che il MAV devono fare affidamento su semplici, meccanismi di navigazione efficienti che non sovraccaricano le loro capacità. Quando si sviluppa un MAV, la sfida è quindi quella di scrivere un algoritmo di navigazione che funzioni bene senza richiedere molta potenza di calcolo.

Uno di questi algoritmi, proposto da Baddeley et al., utilizza le telecamere per determinare se una vista è familiare a un MAV. Se la vista è familiare, il MAV deve essere passato da quella parte prima. Valutando molti di questi punti di vista per familiarità, il MAV può determinare la direzione corretta verso una posizione precedentemente visitata. Una piccola rete neurale viene utilizzata anche per memorizzare e ricapitolare un percorso in modo da poter trovare la posizione iniziale. Baddeley et al. affermare che questo algoritmo renderebbe superfluo il MAV per costruire una mappa dei suoi dintorni, un processo che è spesso ad alta intensità di energia.

Un team di scienziati composto da Gerald J.J. van Dalen, Kimberly N. McGuire, e Guido C.H.E. de Croon hanno messo alla prova questo algoritmo utilizzandolo in ambienti più realistici di quelli creati da Baddeley et al. per i propri esperimenti con l'algoritmo. Il team ha anche testato l'algoritmo su diverse rappresentazioni di immagini (pixel grezzi, colori e informazioni spazialmente invarianti) per vedere l'impatto dei diversi parametri dell'immagine. Inoltre, sono stati testati due metodi di rappresentazione della vista per determinare quale ha prodotto risultati superiori:un insieme memorizzato di rappresentazioni di immagini (denominato memoria perfetta) o una rete neurale non supervisionata (nota come Infomax). La sensibilità dell'algoritmo è stata testata anche durante la rotazione e la traslazione.

Nella condizione di rotazione, il MAV è stato realizzato per eseguire una virata di 360° in un punto fisso dell'ambiente, in passi di 5°. Le viste 'viste' dal MAV durante questo esercizio vengono confrontate con un'immagine precedentemente memorizzata disegnata da quella posizione. L'ipotesi del team è che la familiarità dovrebbe migliorare man mano che la vista corrente inizia ad assomigliare all'immagine memorizzata.

Nella condizione di traduzione, il MAV è stato fatto muovere da un dato punto lungo un dato percorso verso un punto dell'ambiente. Ancora, le viste 'viste' dal MAV durante questo esercizio vengono confrontate con un'immagine precedentemente memorizzata e prelevata da quella posizione. L'ipotesi del team è che la familiarità dovrebbe migliorare man mano che la distanza tra il MAV e la vista nell'immagine memorizzata si riduce. Per testare la sensibilità dell'algoritmo, il team ha sperimentato l'aumento della distanza tra il MAV e la vista nell'immagine memorizzata, oltre ad aumentare l'angolo di rotta con cui il MAV si avvicina a detta vista.

I risultati di questo studio suggeriscono che l'algoritmo è promettente. Quando testato, i MAV si sono comportati bene in diversi modi:hanno potuto trovare con precisione la strada per tornare a una posizione precedentemente visitata, potrebbero farlo abbastanza rapidamente, e non hanno usato molta potenza di calcolo per raggiungere questo obiettivo. Questo ha implicazioni entusiasmanti. Poiché questo algoritmo è computazionalmente efficiente, potrebbe probabilmente essere applicato alla maggior parte dei MAV per fornire loro capacità di homing. Saresti in grado di inviare i tuoi MAV per raccogliere dati, sicuri nella consapevolezza che ovunque vadano, potranno tornare subito da te in seguito.

Il documento in questione sarà pubblicato nel prossimo numero di Sistemi senza equipaggio .