En el Centro de Sistemas y Tecnologías Autónomas“CAST” (Center for Autonomous Systems and Technologies) de Caltech, los expertos en inteligencia artificial se han asociado con expertos en control para desarrollar un sistema que utilice una red neuronal profunda

El aprendizaje profundo, también conocido cono redes neuronales profundas, es un aspecto de la inteligencia artificial (AI) que se ocupa de emular el enfoque de aprendizaje que los seres humanos utilizan para obtener ciertos tipos de conocimiento.

para ayudar a los drones autónomos a “aprender” a aterrizar de manera más segura y rápida, mientras consumen menos energía. El sistema que han creado, denominado “Neural Lander”, es un controlador basado en el aprendizaje que rastrea la posición y la velocidad del drone, y modifica su trayectoria de aterrizaje y la velocidad del rotor en consecuencia para lograr el aterrizaje más suave posible.

“Este proyecto tiene el potencial de ayudar a los drones a volar de manera más suave y segura, especialmente en presencia de ráfagas de viento impredecibles, y a consumir menos energía de la batería ya que los drones pueden aterrizar más rápidamente”, dice Soon-Jo Chung, profesor Bren de Aerospace en el División de Ingeniería y Ciencias Aplicadas “EAS” y científico investigador en JPL, que Caltech administra para la NASA. El proyecto es una colaboración entre Chung y los expertos en inteligencia artificial “IA” de Caltech, Anima Anandkumar, Bren Professor of Computing and Mathematical Sciences, y Yisong Yue, profesor asistente de informática y ciencias matemáticas.

Se  presentó un artículo que describe el Neural Lander en la Conferencia Internacional de Robótica y Automatización del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) sobre robótica y automatización. Los estudiantes de posgrado de Caltech son Guanya Shi, cuya investigación de doctorado es supervisada conjuntamente. por Chung y Yue, así como por Xichen Shi y Michael O’Connell, quienes son estudiantes de doctorado en el Grupo de Control y Robótica Aeroespacial de Chung.

Las redes neuronales profundas “DNN”  son sistemas de IA inspirados en sistemas biológicos como el cerebro. La parte “profunda” del nombre se refiere al hecho de que las entradas de datos se mezclan a través de múltiples capas, cada una de las cuales procesa la información entrante de una manera diferente para descubrir detalles cada vez más complejos. Los DNN son capaces de aprender automáticamente, lo que los hace ideales para tareas repetitivas.

Para asegurarse de que el drone vuele sin problemas bajo la guía del DNN, el equipo empleó una técnica conocida como normalización espectral, que suaviza las salidas de la red neuronal para que no haga predicciones muy variables a medida que cambian las entradas / condiciones. Las mejoras en el aterrizaje se midieron examinando la desviación de una trayectoria idealizada en el espacio 3D. Se realizaron tres tipos de pruebas: un aterrizaje vertical recto; un aterrizaje de arco descendente; y vuelo en el que el drone roza una superficie rota, como por ejemplo sobre el borde de una mesa, donde el efecto de la turbulencia desde el suelo variará bruscamente.

El nuevo sistema disminuye el error vertical en un 100 por ciento, lo que permite aterrizajes controlados y reduce la deriva lateral hasta en un 90 por ciento. En sus experimentos, el nuevo sistema logra un aterrizaje real en lugar de quedarse atascado a unos 10 o 15 centímetros del suelo, como suelen hacer los controladores de vuelo convencionales no modificados. Además, durante la prueba de desnatado, el Neural Lander produjo una transición mucho más suave a medida que el drone pasó de desvanecerse a través de la mesa para volar en el espacio libre más allá del borde.

“Con menos errores, el Neural Lander es capaz de un aterrizaje más rápido y suave y de deslizarse suavemente sobre la superficie del suelo”, dice Yue. El nuevo sistema se probó en el aeródromo de tres pisos de altura de CAST, que puede simular una variedad casi ilimitada de condiciones de viento al aire libre. CAST es una instalación de 3048 metros cuadrados donde investigadores de EAS, JPL y la División de Ciencias Geológicas y Planetarias de Caltech se unen para crear la próxima generación de sistemas autónomos, mientras avanzan los campos de investigación de drones, exploración autónoma, y sistemas bioinspirados.

“Este esfuerzo interdisciplinario trae expertos del aprendizaje automático y los sistemas de control. Apenas hemos comenzado a explorar las ricas conexiones entre las dos áreas”, dice Anandkumar.

Además de sus obvias aplicaciones comerciales (Chung y sus colegas han presentado una patente sobre el nuevo sistema), el nuevo sistema podría resultar crucial para los proyectos actualmente en desarrollo en CAST, incluido un transporte médico autónomo que podría aterrizar en lugares de difícil acceso. (como un tráfico bloqueado). “No se puede exagerar la importancia de poder aterrizar rápida y suavemente cuando se transporta a un individuo lesionado”, dice Morteza Gharib, profesor de Ingeniería Aeronáutica y Bioinspirada de Hans W. Liepmann; director de CAST; y uno de los investigadores principales del proyecto de ambulancia aérea.

Fuente: caltech.edu

14