L'atterraggio di droni multi-rotore senza problemi è difficile. La turbolenza complessa viene creata dal flusso d'aria proveniente da ciascun rotore che rimbalza sul terreno man mano che il terreno si avvicina sempre di più durante una discesa. Questa turbolenza non è ben compresa né è facile da compensare, in particolare per i droni autonomi. Ecco perché il decollo e l'atterraggio sono spesso le due parti più difficili di un volo con drone. I droni in genere oscillano e avanzano lentamente verso un atterraggio fino a quando l'alimentazione non viene definitivamente interrotta, e lasciano cadere la distanza rimanente a terra.

Al Caltech's Center for Autonomous Systems and Technologies (CAST), esperti di intelligenza artificiale hanno collaborato con esperti di controllo per sviluppare un sistema che utilizza una rete neurale profonda per aiutare i droni autonomi a "imparare" come atterrare in modo più sicuro e rapido, mentre divora meno energia. Il sistema che hanno creato, soprannominato il "Lander Neurale, " è un controller basato sull'apprendimento che tiene traccia della posizione e della velocità del drone, e modifica di conseguenza la sua traiettoria di atterraggio e la velocità del rotore per ottenere l'atterraggio più fluido possibile.

"Questo progetto ha il potenziale per aiutare i droni a volare in modo più fluido e sicuro, soprattutto in presenza di raffiche di vento imprevedibili, e consumano meno batteria poiché i droni possono atterrare più rapidamente, "dice Soon-Jo Chung, Bren Professore di Aerospace nella Divisione di Ingegneria e Scienze Applicate (EAS) e ricercatore presso JPL, che Caltech gestisce per la NASA. Il progetto è una collaborazione tra Chung e gli esperti di intelligenza artificiale (AI) di Caltech Anima Anandkumar, Bren Professore di Informatica e Scienze Matematiche, e Yisong Yue, assistente professore di informatica e scienze matematiche.

Un documento che descrive il Neural Lander è stato presentato alla Conferenza internazionale sulla robotica e l'automazione dell'Institute of Electrical and Electronics (IEEE) il 22 maggio. Gli autori principali del documento sono gli studenti laureati Caltech Guanya Shi, il cui dottorato la ricerca è supervisionata congiuntamente da Chung e Yue, così come Xichen Shi e Michael O'Connell, chi sono i dottorandi studenti del gruppo di robotica e controllo aerospaziale di Chung.

Le reti neurali profonde (DNN) sono sistemi di intelligenza artificiale ispirati a sistemi biologici come il cervello. La parte "profonda" del nome si riferisce al fatto che i dati immessi vengono agitati attraverso più livelli, ognuno dei quali elabora le informazioni in entrata in modo diverso per estrapolare dettagli sempre più complessi. I DNN sono in grado di apprendere automaticamente, che li rende ideali per compiti ripetitivi.

Per assicurarti che il drone voli senza problemi sotto la guida del DNN, il team ha impiegato una tecnica nota come normalizzazione spettrale, che appiana gli output della rete neurale in modo che non faccia previsioni estremamente variabili quando gli input o le condizioni cambiano. I miglioramenti nell'atterraggio sono stati misurati esaminando la deviazione da una traiettoria idealizzata nello spazio 3D. Sono stati condotti tre tipi di prove:un atterraggio verticale rettilineo; un atterraggio ad arco discendente; e volo in cui il drone sfiora una superficie rotta, come sopra il bordo di un tavolo, dove l'effetto della turbolenza dal suolo varierebbe bruscamente.

Il nuovo sistema riduce l'errore verticale del 100%, consentendo atterraggi controllati, e riduce la deriva laterale fino al 90%. Nei loro esperimenti, il nuovo sistema consente l'atterraggio effettivo anziché rimanere bloccato a circa 10-15 centimetri dal suolo, come spesso fanno i controllori di volo convenzionali non modificati. Ulteriore, durante la prova di scrematura, il Neural Lander ha prodotto una transizione molto più fluida mentre il drone passava dallo scorrere sul tavolo al volo nello spazio libero oltre il bordo.

"Con meno errori, il Neural Lander è capace di un più veloce, atterraggio più fluido e di scivolare dolcemente sulla superficie del terreno, " dice Yue. Il nuovo sistema è stato testato presso l'aeroporto di tre piani di CAST, che può simulare una varietà quasi illimitata di condizioni del vento all'aperto. Inaugurato nel 2018, CAST è un 10, una struttura di 000 piedi quadrati in cui i ricercatori dell'EAS, JPL, e la Divisione di Scienze Geologiche e Planetarie di Caltech si uniscono per creare la prossima generazione di sistemi autonomi, avanzando nel campo della ricerca sui droni, esplorazione autonoma, e sistemi bioispirati.

"Questo sforzo interdisciplinare porta esperti del machine learning e dei sistemi di controllo. Abbiamo appena iniziato a esplorare le ricche connessioni tra le due aree, " dice Anandkumar.

Oltre alle sue ovvie applicazioni commerciali - Chung e i suoi colleghi hanno depositato un brevetto sul nuovo sistema - il nuovo sistema potrebbe rivelarsi cruciale per i progetti attualmente in fase di sviluppo presso CAST, compreso un trasporto medico autonomo che potrebbe atterrare in luoghi difficili da raggiungere (come un traffico bloccato). "L'importanza di poter atterrare rapidamente e senza intoppi durante il trasporto di un ferito non può essere sopravvalutata, "dice Morteza Gharib, Hans W. Liepmann Professore di aeronautica e ingegneria bioispirata; direttore del CAST; e uno dei principali ricercatori del progetto aeroambulanza.

Il documento è intitolato "Neural Lander:Stable Drone Landing Control Using Learned Dynamics".