Un Nouvel Algorithme entraîne des drones pour contourner les obstacles à grande vitesse
Si vous vous conformez aux courses de drones indépendantes, vous gardez probablement à l’esprit les accidents tant qu’ils réussissent. Dans les courses automobiles de drones, les groupes se réunissent pour voir quel camion est le mieux formé pour voler le plus rapidement à travers un parcours d’obstacles. Pourtant, plus les drones volent plus vite, plus ils finissent par être imprévisibles, et aussi à grande vitesse, les règles de l’aérodynamique peuvent être compliquées à prévoir. Par conséquent, les collisions sont un incident courant et souvent spectaculaire.
Pourtant, s’ils peuvent être poussés à être beaucoup plus rapides et beaucoup plus actifs, les drones pourraient être utilisés dans des procédures urgentes au-delà de l’hippodrome, comme exemple pour rechercher des survivants dans une calamité naturelle.
Actuellement, les ingénieurs aérospatiaux du MIT ont en fait développé une formule qui aide les drones à trouver le parcours le plus rapide autour des défis sans s’écraser. La toute nouvelle formule intègre des simulations d’un drone volant à travers un parcours de formation à la barrière numérique avec des données d’expériences d’un véritable drone volant via le même parcours de formation dans une zone physique.
Les chercheurs ont découvert qu’un drone entraîné avec leur algorithme volait avec un simple programme de défi jusqu’à 20 % plus rapide qu’un drone entraîné sur des formules de préparation standard. Étonnamment, le tout nouvel algorithme n’a pas constamment gardé un drone en avance sur son rival tout au long de la formation. Dans certains cas, il a choisi de ralentir un drone pour gérer une courbe difficile ou d’économiser son énergie afin d’accélérer et finalement de dépasser son adversaire.
« À large bande, il existe des règles aérodynamiques élaborées qui sont difficiles à reproduire, nous utilisons donc des expériences dans le monde réel pour combler ces grands vides pour localiser, par exemple, qu’il pourrait être bien mieux de réduire d’abord pour être beaucoup plus rapide plus tard », déclare Ezra Tal, un étudiant du département d’aéronautique et d’astronautique du MIT. “C’est cette technique entièrement naturelle que nous utilisons pour voir comment nous pouvons faire une trajectoire globale aussi rapidement que possible.”
« Ce genre de formules est une étape essentielle pour permettre aux futurs drones de parcourir très rapidement des environnements complexes », ajoute Sertac Karaman, professeur agrégé d’aéronautique, mais aussi d’astronautique et également superviseur du Laboratoire de l’information et des solutions de décision au MIT. “Nous espérons repousser les limites de manière à ce qu’ils puissent voyager aussi vite que leurs limitations physiques le permettront certainement.”
Tal Karaman et l’étudiant diplômé du MIT Gilhyun Ryou ont publié leurs résultats dans l’International Journal of Robotics Study.
Impacts rapides
Entraîner les drones à contourner les obstacles est relativement simple s’ils sont censés voler lentement. C’est parce que les règles de l’aérodynamique telles que la traînée n’entrent normalement pas dans les vitesses réduites, de même qu’elles peuvent être exclues de toute modélisation du comportement d’un drone. Cependant, à large bande, ces impacts sont beaucoup plus apparents, et il est également beaucoup plus difficile de prévoir comment les camions réagiront avec précision.
« Lorsque vous volez rapidement, il est difficile de déterminer approximativement où vous êtes », déclare Ryou. « Il pourrait y avoir des retards dans l’envoi d’un signal à un moteur électrique ou une baisse soudaine de tension, ce qui pourrait créer d’autres problèmes de caractéristiques. Ces effets ne peuvent pas être conçus avec des méthodes de préparation standard.
Pour comprendre comment l’aérodynamique à grande vitesse affecte les drones en vol, les chercheurs doivent effectuer de nombreuses expériences en laboratoire, en établissant des drones à de nombreuses vitesses et trajectoires pour voir lesquels volent rapidement sans s’écraser – un processus de formation coûteux et généralement provoquant un crash. .
Au lieu de cela, le groupe MIT a développé un algorithme de planification de vol à grande vitesse qui intègre des simulations et des expériences de manière à réduire le nombre d’expériences nécessaires pour identifier des trajectoires de vol rapides et sûres.
Les scientifiques ont commencé avec un modèle de planification de vol basé sur la physique, qu’ils ont établi pour tout d’abord reproduire comment un drone est susceptible d’agir lorsqu’il vole via un parcours de barrière virtuel. Ils remplacent des centaines de circonstances de course, chacune avec une trajectoire de vol et un schéma de vitesse différents. Ils ont ensuite noté si chaque circonstance était faisable (sans risque) ou infaisable (entraînant un accident). À partir de ce graphique, ils pourraient rapidement se concentrer sur une poignée des scénarios les plus attrayants ou des trajectoires de course, à expérimenter au sein du laboratoire.
« On peut faire cette simulation basse fidélité à moindre coût et aussi rapidement, pour voir des trajectoires intéressantes qui pourraient être aussi bien rapides que possible. Après cela, nous effectuons des expériences sur ces trajectoires pour voir lesquelles sont en fait réalisables dans le monde réel », déclare Tal. “En fin de compte, nous fusionnons vers la trajectoire optimale qui nous donne le temps pratique le plus abordable.”
Aller lent pour aller vite
Les chercheurs remplacent un drone volant à travers un cours de formation facile par cinq défis considérables de forme carrée préparés dans une configuration décalée pour démontrer leur toute nouvelle technique. Ils ont mis en place ce même agencement dans un espace d’entraînement physique, ainsi que programmé un drone pour voler via le programme à des vitesses et aussi des trajectoires qu’ils ont choisies auparavant à partir de leurs simulations. Ils ont également exécuté le même programme avec un drone formé à un algorithme beaucoup plus conventionnel qui n’intègre pas d’expériences dans sa planification.
Dans l’ensemble, le drone éduqué sur le tout nouvel algorithme a « gagné » chaque course, terminant le programme en moins de temps que le drone entraîné de manière conventionnelle. Dans certaines circonstances, le drone gagnant a terminé le programme 20 % plus rapidement que son concurrent, bien qu’il ait pris une trajectoire avec un début plus lent, par exemple en prenant un peu plus de temps pour s’incliner dans un virage. Ce type d’ajustement raffiné n’a pas été accepté par le drone expérimenté de manière conventionnelle, très probablement parce que ses trajectoires, basées uniquement sur des simulations, pourraient ne pas compenser les effets de résistance au vent que les expériences du groupe ont révélés dans le monde réel.
Les chercheurs se préparent à piloter plus d’expériences à des vitesses plus rapides et avec des atmosphères plus complexes pour améliorer leur formule. Ils peuvent également inclure des informations de voyage provenant de pilotes humains qui pilotent des drones à distance et dont les décisions et les manœuvres peuvent aider à se concentrer sur des plans de voyage plus rapides, mais toujours réalisables.
« Si un pilote humain diminue ou prend de la vitesse, cela peut indiquer ce que fait notre formule », affirme Tal. « Nous pouvons en outre utiliser la trajectoire du pilote humain comme point de départ, et en tirer parti, pour voir ce que les humains ne font pas, que notre algorithme peut déterminer, pour voler beaucoup plus vite. Ce sont quelques suggestions futures auxquelles nous pensons.
Référence: “Multi-fidelity black-box optimization for time-optimal quadrotor maneuvers” by Gilhyun Ryou, Ezra Tal and Sertac Karaman, 29 July 2021, International Journal of Robotics Research. DOI: 10.1177/02783649211033317
