Популярные Нано Технологии

Кадры

Фотогалерея

Новости

Беспилотники научились летать без столкновений / 30.07.2020

Источник: popnano

Американские инженеры использовали методы глубокого обучения для того, чтобы научить дроны прокладывать путь через пространство с препятствиями, избегая столкновений между дронами, при этом учитывая аэродинамические возмущения, создаваемые дронами в рое.

 

В сравнении с традиционным алгоритмом оптимального обоюдного избегания столкновений новый алгоритм планирования пути оказался на 20 % эффективнее в большинстве экспериментальных ситуаций, не требуя при этом больших вычислительных ресурсов и может справляться даже с таким сложными ситуациями как обмен местами двух дронов в узком коридоре.

 

В современном мире рои дронов широко используются только в сфере развлечений, однако появляется все больше задач, для решения которых можно использовать группы летающих роботов. Например, для задачи поиска и спасения пострадавших в чрезвычайных ситуациях вместо одиночных роботов гораздо лучше подходит рой небольших дронов, который может быстро обследовать большую площадь.

 

Для эффективного управления роем и контроля взаимодействия между отдельными дронами необходимо решить две ключевые проблемы. Во-первых, проблему навигации и планирования пути для каждого робота при недостатке информации об окружающем пространстве: в постоянно изменяющемся окружении помимо неподвижных препятствий присутствуют другие дроны из роя, столкновения с которыми необходимо избегать. Во-вторых, мультикоптеры создают воздушные потоки, которые необходимо учитывать при близком движении дронов, чтобы они не сдували друг друга с траектории.

 

Инженеры из Калифорнийского технологического института из Лаборатории реактивного движения NASA использовали алгоритмы глубокого обучения, чтобы решить эти задачи. Первый алгоритм отвечает за навигацию и позволяет прокладывать путь в сложном меняющемся окружении. Второй - за корректировку траектории с учетом аэродинамических возмущений, создаваемых близкорасположенными дронами.

 

В качестве платформы для экспериментов инженеры использовали легкие (34 грамма) квадрокоптеры Crazyflie 2.0, отмеченные маркерами для отслеживания положения. Для расчета своей траектории движения каждый дрон использует только информацию о положении находящихся в его локальном окружении неподвижных препятствиях и других дронах, не имея при этом представления о глобальной картине в целом. Однако, для того чтобы обучить, нейронную сеть, которая решает задачу поиска пути, инженеры сначала использовали глобальный планировщик траекторий.

 

Они создали имитационную модель, представляющую собой виртуальное пространство площадью 64 квадратных метра, в котором с помощью глобального планировщика генерируются с шагом в 0,5 секунды траектории одновременного движения разного числа дронов (4, 8 или 16), при этом варьируется также число и расположение препятствий. После этого из полученного массива данных извлекается информация об относительном положении препятствий только в локальном окружении заданного радиуса вокруг каждого дрона и траектория их движения в каждый момент времени, которые сгенерированы глобальным планировщиком траекторий.

 

Итоговый объем данных для всех вариантов окружения равен 40 миллионам точек. Этот набор данных наблюдение-действие затем используется для обучения нейронной сети с функцией активации ReLU и архитектурой, основанной на подходе Deep Sets, который вместо векторов фиксированной размерности оперирует функциями, определенными на множествах и инвариантными к перестановкам. Выбор этого подхода связан со значительными колебаниями размерности вектора данных наблюдений каждого дрона, так как в любой момент времени число препятствий и других дронов в области видимости может изменяться кардинальным образом.

 

Как оказалось, такой подход с обучением локального планировщика на данных, сгенерированных на имитационных моделях с помощью глобального планировщика, позволяет снизить частоту застреваний дронов вблизи препятствий из-за проблемы локальных минимумов, свойственной децентрализованным алгоритмам построения пути как следствие неполноты информации об окружении.

 

Эксперименты показали, что в большинстве сценариев новый алгоритм GLAS на 20 процентов более эффективен, чем традиционно применяемый в таких задачах алгоритм оптимального обоюдного избегания столкновений ORCA (Optimal Reciprocal Collision Avoidance). В качестве показателя эффективности оценивалось число дронов, которые успешно достигли точки назначения, не столкнувшись друг с другом и не попав в «ловушку» локального минимума.

 

Кроме того, GLAS, являясь децентрализованным алгоритмом, позволяет масштабировать число дронов в рое, а низкие требования к вычислительным ресурсам дают возможность использовать недорогой бортовой микроконтроллер дрона. Вычисления в случае одного дрона-соседа в области видимости занимают около 3,4 миллисекунд. При увеличении числа дронов до трех это время возрастает до пяти миллисекунд, что позволяет использовать имеющиеся на борту вычислительные ресурсы для расчетов в реальном времени с частотой 40 герц.

 

Чтобы решить проблему аэродинамического взаимодействия, инженеры использовали данные о случайных близких пролетах дронов, когда они оказывают воздействие на траекторию полета друг друга воздушными потоками от роторов. Для этого дроны перемещали внутри заданного пространства по случайным маршрутам — компьютер случайно выбирал целевые точки для каждого дрона с фиксированной частотой. Количество дронов в экспериментах варьировалось от двух до четырех. В качестве алгоритма избегания столкновений в этом случае для простоты использовался метод искусственных потенциалов: целевые точки обладали притягивающей силой, тогда как соседние дроны отталкивали друг друга.

 

Собранные данные о состоянии дронов в каждый момент времени эксперимента (их положении в пространстве, скорости, ускорении, тяге) и вычисленная с их помощью z-компонента возмущающей силы затем использовались для обучения нейронной сети, построенной на основе подхода Deep Sets с функцией активации ReLU. Итоговый алгоритм с обученными параметрами позволил на лету изменять работу роторов, компенсируя возмущение траектории от пролетов соседних дронов. По словам авторов новый подход уменьшил ошибку при движении в вертикальной плоскости из-за аэродинамического взаимодействия почти в четыре раза.

 

Задача управления и взаимодействия актуально не только для летающих, но и для наземных групп роботов. Так, в Университете Линкольна предложили систему с открытым исходным кодом для управления роем роботов при помощи «световых феромонов» - пишет портал nplus1.ru.


Другие новости по теме:
06.08.20 - Выключатель исключающий аварии
06.08.20 -  Беспилотники ушли под воду
31.07.20 - Не требуется водитель. Через 4 года на российских появятся беспилотные такси
31.07.20 - Циклолет vs вертолет
29.07.20 - Робот-первопроходец обогнул Атлантику
TOP100 самых популярных
новостей
за месяц
Место Наименование Показов
1

Нанотехнологи из США и Японии разделили премию Испании

2 японских и 3 американских ученых стали лауреатами престижной премии принца Астурийского за научные и технические разработки в области нанотехнологий. Испания присудила награды японским ученым Сум

563
2

Циклолет vs вертолет

В России провели летные испытания демонстратора технологий перспективного циклолета, способного осуществлять вертикальные взлет и посадку.   Циклолет обладает рядом преимуществ перед вертолет

67
3

Одноколесный велосипед с электромотором (видео)

Enicycle - это моторизованный одноколесный велосипед, сконструированный изобретателем из Словении Александером Полутником (Aleksander Polutnik). Научиться ездить на этом необычном средстве передвижени

64
4

Ученые обнаружили неизвестный ранее вирус

Способ глубокого секвенирования помог международной команде исследователей открыть новую разновидность рабдовирусов, которые вызывают заболевание бешенством у животных и людей. При этом, обнаруженный

62
5

Над Европой обнаружен радиоактивный йод - 131

Следы радиоактивного йода были обнаружены в атмосфере многих европейских стран. Источник утечки пока не определен. Йод-131 в основном используется в фармацевтике. Он является побочным продуктом

60

Анонсы событий