Vogels hebben mensen lang geïnspireerd om hun eigen manier van vliegen te creëren. We weten dat zwevende vogelsoorten die lange afstanden migreren, thermische opwaartse stroming gebruiken om in de lucht te blijven zonder energie te verbruiken door met hun vleugels te klapperen. En zweefvliegpiloten gebruiken op dezelfde manier thermische stromen en andere gebieden van stijgende lucht om langer in de lucht te blijven.

Nog, terwijl we onder de knie hebben om door deze opwaartse stromingen te glijden met behulp van verschillende instrumenten, de exacte mechanismen waarmee vogels kunnen vliegen zijn nog onbekend. Maar een team van onderzoekers uit Californië en Italië heeft een aantal veelzeggende stappen gezet om deze vraag te beantwoorden met behulp van kunstmatige intelligentie (AI). En het zou kunnen leiden tot nieuwe ontwikkelingen in navigatiesystemen voor vliegtuigen, met bijzondere gevolgen voor het maken van drones die zeer lange tijd in de lucht kunnen blijven.

Het doel van de studie, gepubliceerd in Natuur , was om een ​​klein autonoom zweefvliegtuig met een spanwijdte van twee meter te trainen om in thermiek te vliegen, net zoals een echte vogel zou doen. Het zweefvliegtuig was geprogrammeerd met een soort AI die bekend staat als machine learning, waardoor het kon uitvogelen hoe de luchtstromen gebruikt konden worden om langer in de lucht te blijven.

Machine learning is een alternatieve benadering voor het programmeren van een computer om een ​​complexe taak uit te voeren. In plaats van een computer (of autonoom zweefvliegtuig in dit geval) een reeks instructies te geven die hem vertellen hoe iets moet, je vertelt de computer hoe je wilt dat hij reageert en beloont hem als hij het juiste doet.

Na verloop van tijd zal het leren welke dingen worden beloond en in plaats daarvan de neiging hebben om dit gedrag te vertonen. Deze techniek is hoe computerprogramma's zoals Google's AlphaGo het bordspel Go kunnen leren spelen en vervolgens professionele spelers kunnen verslaan, een prestatie die eenvoudigweg niet mogelijk is met conventionele programmeertechnieken.

Dit type machine learning wordt versterkingsleren genoemd en het is afhankelijk van een grote hoeveelheid invoergegevens die naar de computer worden gevoerd om te leren welke acties hem beloningen zullen opleveren. Voor de onderzoekers die het autonome zweefvliegtuig programmeren, de invoergegevens bestonden uit gespecialiseerde instrumenten die de verandering in opwaartse (verticale) windkracht konden lezen. De instrumenten waren in staat om deze veranderingen langs de lengte van het zweefvliegtuig (longitudinaal) en van de ene vleugeltip naar de andere (lateraal) te bepalen. De sensoren konden deze metingen tien keer per seconde uitvoeren.

Deze gegevens werden vervolgens gebruikt om vluchtaanpassingen te maken aan wat bekend staat als de hellingshoek van het zweefvliegtuig. Een goed uitgebalanceerd vliegtuig met zijn vleugels vlak heeft een hellingshoek van nul en zal in een rechte lijn vliegen. Door de vleugels te kantelen en de hellingshoek te vergroten, gaat het vliegtuig draaien. In de studie, het zweefvliegtuig werd beloond als de verandering in opwaartse windsnelheid langs zijn vliegbaan toenam. Met andere woorden, als het zweefvliegtuig in een opwaartse luchtstroom vloog.

Opwaartse luchtstromingen zijn de sleutel tot het verlengen van de tijd dat een zweefvliegtuig in de lucht kan blijven. In tegenstelling tot een aangedreven vliegtuig, een zweefvliegtuig dat geen opwaartse stroming kan vinden, zal geleidelijk naar de grond vallen. Of het zweefvliegtuig al dan niet daalt of stijgt, hangt rechtstreeks af van hoeveel lucht eromheen omhoog beweegt. In een opwaartse beweging, de toename van de verticale luchtbeweging kan voldoende zijn om het vallen van het zweefvliegtuig te stoppen en, als de verticale wind sterk genoeg is, laat het klimmen.

In de loop van een aantal vluchten (ongeveer 16 uur vliegen in totaal), het studiezweefvliegtuig leerde vliegen door zichzelf te trainen dat onder een bepaalde combinatie van inputs (hellingshoek, longitudinale en laterale verandering verticale windsnelheid) om te beslissen wat de volgende verandering in hellingshoek zou moeten zijn. Het resultaat was dat tegen het einde van al dat vliegen, het vliegtuig zichzelf had geleerd om in opwaartse stroming te vliegen, waardoor het langer in de lucht kan blijven.

Als bonus, de onderzoekers gebruikten een numeriek model om aan te tonen dat deze aanpak grotere zweefvliegtuigen nog meer ten goede zou komen, omdat hun langere spanwijdte een nauwkeurigere meting zal geven van de verandering in opwaartse windsnelheid van de ene vleugeltip naar de andere.

Vliegtuigen slimmer maken

De resultaten roepen de vraag op welke mogelijke futuristische autonome zweefvliegtuigen we zouden kunnen zien rondglijden en waarvoor ze zouden worden gebruikt. Ingenieurs van het MIT lieten zich onlangs inspireren door de aerodynamica van de op golven rijdende albatros om een ​​autonoom zweefvliegtuig te ontwerpen.

Airbus heeft een zweefvliegtuig op zonne-energie ontwikkeld dat zeer lange tijd in de lucht kan blijven als alternatief voor bewakings- of communicatiesatellieten. die bijvoorbeeld internetsignalen zou kunnen uitzenden naar afgelegen locaties op de grond. Microsoft werkt naar verluidt aan autonome vliegtuigen met state-of-the-art kunstmatige intelligente navigatiesystemen.

Maar misschien kunnen de technieken die in dit onderzoek zijn ontwikkeld ooit leiden tot een nieuwe generatie 'slimme' navigatie- en stuurautomaatsystemen voor conventionele vliegtuigen. Deze kunnen gegevens gebruiken die zijn verzameld over duizenden vlieguren om beslissingen te nemen over de meest efficiënte manier om zich te verplaatsen. Dit zou afhangen van nauwkeurige sensoren en verdere ontwikkeling waarmee een vliegtuig zich kan identificeren en vervolgens van de ene thermische opwaartse stroming naar de andere kan springen. Momenteel, de methode laat alleen glijden in een enkele thermiek toe.

De door de onderzoekers ontwikkelde methoden en programmeertechnieken zullen ons ongetwijfeld een stap dichter bij het doel van een autonoom vliegend voertuig met vliegtijden van dagen, weken of maanden die deze taken uitvoeren. Maar het is het gebruik van versterkend leren dat eens te meer laat zien hoe flexibel deze algoritmen zijn in het aanpassen aan een breed scala aan complexe taken, van het besturen van een zweefvliegtuig tot het verslaan van een mens bij Go.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.