Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Neural Lander' nutzt die KI, um Drohnen sanft zu landen
{{{sourceTextContent.subTitle}}}
Die reibungslose Landung von Mehrkreis-Drohnen ist schwierig. Komplexe Turbulenzen entstehen durch den Luftstrom jedes Rotors, der vom Boden abprallt, während der Boden während des Abstiegs immer näher zusammenwächst
{{{sourceTextContent.description}}}
Diese Turbulenzen sind weder gut verstanden noch leicht zu kompensieren, insbesondere bei autonomen Drohnen. Deshalb sind Start und Landung oft die beiden kniffligsten Teile eines Drohnenfluges. Drohnen wackeln typischerweise langsam und zentimeterweise auf eine Landung zu, bis der Strom schließlich unterbrochen wird, und sie lassen die verbleibende Entfernung zum Boden fallen.
Am Caltech Center for Autonomous Systems and Technologies (CAST) haben sich Experten für künstliche Intelligenz mit Steuerexperten zusammengetan, um ein System zu entwickeln, das ein tiefes neuronales Netzwerk nutzt, um autonomen Drohnen zu helfen, zu "lernen", wie sie sicherer und schneller landen können, während sie weniger Energie verschlingen. Das von ihnen entwickelte System, genannt "Neural Lander", ist ein lernbasierter Controller, der die Position und Geschwindigkeit der Drohne verfolgt und ihre Landebahn und Rotordrehzahl entsprechend anpasst, um eine möglichst sanfte Landung zu erreichen.
"Dieses Projekt hat das Potenzial, Drohnen zu helfen, sanfter und sicherer zu fliegen, insbesondere bei unvorhersehbaren Windböen, und weniger Energie zu verbrauchen, da Drohnen schneller landen können", sagt Soon-Jo Chung, Bren Professor für Luft- und Raumfahrt in der Division of Engineering and Applied Science (EAS) und Forschungswissenschaftler am JPL, das Caltech für die NASA leitet. Das Projekt ist eine Zusammenarbeit zwischen den Experten von Chung und Caltech für künstliche Intelligenz (KI) Anima Anandkumar, Bren Professor of Computing and Mathematical Sciences, und Yisong Yue, Assistant Professor of Computing and Mathematical Sciences.
Ein Papier, das den Neuronalen Lander beschreibt, wird am 22. Mai auf der Internationalen Konferenz über Robotik und Automatisierung des Institute of Electrical and Electronics Engineers (IEEE) vorgestellt. Co-Leiter der Arbeit sind die Caltech-Absolventen Guanya Shi, deren Doktorarbeit gemeinsam von Chung und Yue betreut wird, sowie Xichen Shi und Michael O'Connell, die die Doktoranden in der Chung Aerospace Robotics and Control Group sind.
Deep Neural Networks (DNNs) sind KI-Systeme, die von biologischen Systemen wie dem Gehirn inspiriert sind. Der "tiefe" Teil des Namens verweist auf die Tatsache, dass die Dateneingaben über mehrere Schichten laufen, von denen jede eingehende Information auf unterschiedliche Weise verarbeitet, um immer komplexere Details herauszufiltern. DNNs sind in der Lage, automatisch zu lernen, was sie ideal für sich wiederholende Aufgaben macht.
Um sicherzustellen, dass die Drohne unter der Leitung des DNN reibungslos fliegt, wandte das Team eine Technik an, die als spektrale Normalisierung bekannt ist und die die Ergebnisse des neuronalen Netzes glättet, so dass es keine stark variierenden Vorhersagen macht, wenn sich die Eingaben/Bedingungen verschieben. Verbesserungen bei der Landung wurden durch die Untersuchung der Abweichung von einer idealisierten Trajektorie im 3D-Raum gemessen. Drei Arten von Tests wurden durchgeführt: eine gerade vertikale Landung, eine absteigende Bogenlandung und ein Flug, bei dem die Drohne über eine gebrochene Oberfläche - wie z.B. über den Rand eines Tisches - fliegt, wo die Wirkung von Turbulenzen vom Boden aus stark variieren würde.
Das neue System reduziert den vertikalen Fehler um 100 Prozent, was kontrollierte Landungen ermöglicht, und reduziert die Seitendrift um bis zu 90 Prozent. In ihren Experimenten erreicht das neue System die eigentliche Landung, anstatt etwa 10 bis 15 Zentimeter über dem Boden zu stecken, wie es bei unveränderten konventionellen Fluglotsen oft der Fall ist. Weiterhin erzeugte der Neuronale Lander während des Abschöpfungstests einen viel weicheren Übergang, da die Drohne vom Abschöpfen über den Tisch zum Fliegen im Freiraum jenseits der Kante überging.
"Mit weniger Fehlern ist der Neural Lander in der Lage, schneller und sanfter zu landen und sanft über die Bodenoberfläche zu gleiten", sagt Yue. Das neue System wurde auf dem dreistöckigen Flugplatz von CAST getestet, der eine nahezu unbegrenzte Vielfalt an Außenwindverhältnissen simulieren kann. CAST ist eine 2018 eröffnete, 10.000 Quadratmeter große Einrichtung, in der sich Forscher von EAS, JPL und der Caltech-Abteilung für Geologie und Planetenwissenschaften zusammenschließen, um die nächste Generation autonomer Systeme zu entwickeln und gleichzeitig die Bereiche Drohnenforschung, autonome Exploration und bioinspirierte Systeme voranzutreiben.
"Diese interdisziplinäre Arbeit bringt Experten aus dem Bereich der maschinellen Lern- und Steuerungssysteme mit. Wir haben gerade erst begonnen, die reichen Verbindungen zwischen den beiden Gebieten zu erforschen", sagt Anandkumar.
Neben den offensichtlichen kommerziellen Anwendungen - Chung und seine Kollegen haben ein Patent auf das neue System angemeldet - könnte sich das neue System als entscheidend für Projekte erweisen, die derzeit bei CAST entwickelt werden, einschließlich eines autonomen medizinischen Transports, der an schwer zugänglichen Orten landen könnte (z.B. bei einem Verkehrsinfarkt). "Die Bedeutung einer schnellen und reibungslosen Landung beim Transport einer verletzten Person kann nicht hoch genug eingeschätzt werden", sagt Morteza Gharib, Hans W. Liepmann Professor für Luft- und Raumfahrt und Bioinspirierte Technik, Direktor von CAST und einer der führenden Forscher des Projekts Luftambulanz.