Gli uccelli hanno a lungo ispirato gli umani a creare i propri modi di volare. Sappiamo che le specie di uccelli in volo che migrano per lunghe distanze utilizzano correnti ascensionali termiche per rimanere in aria senza consumare energia sbattendo le ali. E i piloti di alianti usano allo stesso modo le correnti termiche e altre aree di aria in aumento per rimanere in volo più a lungo.

Ancora, mentre abbiamo imparato a planare attraverso queste correnti ascensionali usando vari strumenti, i meccanismi esatti che consentono agli uccelli di volare sono ancora sconosciuti. Ma un team di ricercatori della California e dell'Italia ha compiuto alcuni passi significativi per rispondere a questa domanda utilizzando l'intelligenza artificiale (AI). E potrebbe portare a nuovi sviluppi nei sistemi di navigazione per aerei, con particolari implicazioni per la creazione di droni che possono rimanere in volo per periodi di tempo molto lunghi.

Lo scopo dello studio, pubblicato in Natura , era quello di addestrare un piccolo aliante autonomo di due metri di apertura alare a volare in termica, proprio come farebbe un vero uccello. L'aliante è stato programmato con una sorta di intelligenza artificiale nota come apprendimento automatico che gli ha permesso di capire come utilizzare le correnti d'aria per rimanere in aria più a lungo.

L'apprendimento automatico è un approccio alternativo alla programmazione di un computer per svolgere un'attività complessa. Piuttosto che alimentare un computer (o un aliante autonomo in questo caso) una serie di istruzioni che gli dicono come fare qualcosa, dici al computer come vorresti che rispondesse e premialo quando fa la cosa giusta.

Col tempo imparerà quali cose vengono premiate e tenderà invece a fare questi comportamenti. Questa tecnica è il modo in cui i programmi per computer come AlphaGo di Google possono imparare a giocare al gioco da tavolo Go e poi battere i giocatori professionisti, un'impresa semplicemente impossibile con le tecniche di programmazione convenzionali.

Questo tipo di apprendimento automatico è chiamato apprendimento per rinforzo e si basa su una grande quantità di dati di input che vengono inviati al computer in modo che possa apprendere quali azioni gli forniranno ricompense. Per i ricercatori che programmano l'aliante autonomo, i dati di input erano costituiti da strumenti specializzati in grado di leggere la variazione della forza del vento verso l'alto (verticale). Gli strumenti sono stati in grado di determinare questi cambiamenti lungo la lunghezza dell'aliante (longitudinale) e da un'estremità dell'ala all'altra (lateralmente). I sensori sono stati in grado di effettuare queste misurazioni dieci volte al secondo.

Questi dati sono stati poi usati per fare aggiustamenti di volo a quello che è conosciuto come l'angolo di bank dell'aliante. Un aeroplano ben bilanciato con le sue ali livellate ha un angolo di virata zero e volerà in linea retta. Inclinando le ali e aumentando l'angolo di inclinazione, l'aereo virerà. Nello studio, l'aliante veniva ricompensato se la variazione della velocità del vento verso l'alto lungo la sua traiettoria aumentava. In altre parole, se l'aliante stava volando in una corrente ascensionale.

Le correnti ascensionali sono fondamentali per aumentare il tempo in cui un aliante può rimanere in volo. A differenza di un aereo a motore, un aliante che non è in grado di trovare correnti ascensionali cadrà gradualmente verso terra. Se l'aliante sta scendendo o salendo dipende direttamente da quanta aria si sta muovendo verso l'alto intorno ad esso. In un rialzo, l'aumento del movimento verticale dell'aria può essere sufficiente per fermare la caduta dell'aliante e, se il vento verticale è abbastanza forte, lasciarlo salire.

Nel corso di un certo numero di voli (circa 16 ore di volo in totale), l'aliante di studio ha imparato a volare addestrandosi che sotto una certa combinazione di input (angolo di bank, variazione longitudinale e laterale della velocità del vento verticale) per decidere quale dovrebbe essere la prossima variazione dell'angolo di bank. Il risultato fu che alla fine di tutto quel volo l'aereo aveva imparato da solo come volare in correnti ascensionali, permettendogli di rimanere in aria più a lungo.

Come bonus, i ricercatori hanno utilizzato un modello numerico per mostrare che questo approccio avrebbe beneficiato ancora di più gli alianti più grandi, poiché la loro apertura alare più lunga fornirà una misurazione più accurata della variazione della velocità del vento verso l'alto da un'estremità dell'ala all'altra.

Rendere gli aerei più intelligenti

I risultati sollevano la questione di quali possibili alianti autonomi futuristici potremmo vedere planare e per cosa verrebbero utilizzati. Gli ingegneri del MIT si sono recentemente ispirati all'aerodinamica dell'albatro che cavalca le onde per progettare un aliante autonomo.

Airbus ha sviluppato un aliante a energia solare che può rimanere in volo per periodi di tempo molto lunghi come alternativa ai satelliti di sorveglianza o di comunicazione, ad esempio che potrebbe trasmettere segnali Internet a posizioni remote sul terreno. Secondo quanto riferito, Microsoft sta lavorando su aerei autonomi con sistemi di navigazione intelligenti artificiali all'avanguardia.

Ma forse le tecniche sviluppate in questo studio potrebbero un giorno portare a una nuova generazione di sistemi di navigazione e pilota automatico "intelligenti" per velivoli convenzionali. Questi potrebbero utilizzare i dati raccolti in migliaia di ore di volo per prendere decisioni sul modo più efficiente per spostarsi. Ciò si baserebbe su sensori accurati e su ulteriori sviluppi che consentirebbero a un aereo di identificare e quindi saltare da una corrente ascendente termica all'altra. Al momento, il metodo permette solo di planare all'interno di una singola termica.

I metodi e le tecniche di programmazione sviluppate dai ricercatori ci avvicineranno senza dubbio all'obiettivo di un veicolo volante autonomo con tempi di volo di giorni, settimane o mesi per svolgere questi compiti. Ma è l'uso dell'apprendimento per rinforzo che mostra ancora una volta quanto siano flessibili questi algoritmi nell'adattarsi a un'ampia gamma di compiti complessi, dal controllare un aliante al battere un umano a Go.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.