Het is moeilijk om multi-rotor drones soepel te laten landen. Complexe turbulentie wordt gecreëerd door de luchtstroom van elke rotor die van de grond stuitert terwijl de grond tijdens een afdaling steeds dichterbij komt. Deze turbulentie wordt niet goed begrepen en is ook niet gemakkelijk te compenseren, vooral voor autonome drones. Daarom zijn opstijgen en landen vaak de twee lastigste onderdelen van een dronevlucht. Drones wiebelen meestal en kruipen langzaam naar een landing totdat de stroom uiteindelijk wordt onderbroken, en ze laten de resterende afstand naar de grond vallen.

Bij Caltech's Center for Autonomous Systems and Technologies (CAST), experts op het gebied van kunstmatige intelligentie hebben samengewerkt met controle-experts om een ​​systeem te ontwikkelen dat een diep neuraal netwerk gebruikt om autonome drones te helpen "leren" hoe ze veiliger en sneller kunnen landen, terwijl je minder stroom opslokt. Het systeem dat ze hebben gecreëerd, genaamd de "Neurale Lander, " is een op leren gebaseerde controller die de positie en snelheid van de drone volgt, en past het landingstraject en de rotorsnelheid dienovereenkomstig aan om een ​​zo soepel mogelijke landing te bereiken.

"Dit project heeft de potentie om drones te helpen soepeler en veiliger te vliegen, vooral bij onvoorspelbare windstoten, en verbruiken minder batterijvermogen omdat drones sneller kunnen landen, " zegt Soon-Jo Chung, Bren Professor of Aerospace in de Division of Engineering and Applied Science (EAS) en onderzoekswetenschapper bij JPL, die Caltech beheert voor NASA. Het project is een samenwerking tussen Chung en Caltech kunstmatige intelligentie (AI) experts Anima Anandkumar, Bren hoogleraar informatica en wiskundige wetenschappen, en Yisong Yue, assistent-professor informatica en wiskundige wetenschappen.

Een paper waarin de Neural Lander wordt beschreven, werd op 22 mei gepresenteerd op de internationale conferentie van het Institute of Electrical and Electronics Engineers (IEEE) over robotica en automatisering. Co-hoofdauteurs van de paper zijn afgestudeerde Caltech-studenten Guanya Shi, wiens Ph.D. onderzoek wordt gezamenlijk begeleid door Chung en Yue, evenals Xichen Shi en Michael O'Connell, wie zijn de Ph.D. studenten in Chung's Aerospace Robotics and Control Group.

Diepe neurale netwerken (DNN's) zijn AI-systemen die zijn geïnspireerd op biologische systemen zoals de hersenen. Het "diepe" deel van de naam verwijst naar het feit dat gegevensinvoer door meerdere lagen wordt gekarnd, die elk binnenkomende informatie op een andere manier verwerken om steeds complexere details eruit te halen. DNN's zijn in staat tot automatisch leren, waardoor ze bij uitstek geschikt zijn voor repetitieve taken.

Om ervoor te zorgen dat de drone onder begeleiding van de DNN soepel vliegt, het team gebruikte een techniek die bekend staat als spectrale normalisatie, die de output van het neurale netwerk gladstrijkt, zodat het geen wild variërende voorspellingen doet als inputs of omstandigheden verschuiven. Verbeteringen in de landing werden gemeten door afwijking van een geïdealiseerd traject in de 3D-ruimte te onderzoeken. Er zijn drie soorten tests uitgevoerd:een rechte verticale landing; een dalende booglanding; en vlucht waarbij de drone over een gebroken oppervlak scheert - zoals over de rand van een tafel - waar het effect van turbulentie vanaf de grond sterk zou variëren.

Het nieuwe systeem vermindert de verticale fout met 100 procent, gecontroleerde landingen mogelijk te maken, en vermindert zijwaartse drift tot 90 procent. In hun experimenten, het nieuwe systeem bereikt een daadwerkelijke landing in plaats van ongeveer 10 tot 15 centimeter boven de grond vast te komen zitten, zoals ongewijzigde conventionele vluchtleiders vaak doen. Verder, tijdens de skimming-test, de Neural Lander produceerde een veel soepelere overgang toen de drone overging van het afromen over de tafel naar vliegen in de vrije ruimte achter de rand.

"Met minder fouten, de neurale lander is in staat tot een snellere, soepeler landen en soepel over het grondoppervlak glijden, " zegt Yue. Het nieuwe systeem is getest op het drie verdiepingen hoge vliegveld van CAST, die een bijna onbeperkte verscheidenheid aan buitenwindomstandigheden kan simuleren. Geopend in 2018, CAST is een 10, faciliteit van 1000 vierkante meter waar onderzoekers van EAS, JPL, en de afdeling Geologische en Planetaire Wetenschappen van Caltech verenigen zich om de volgende generatie autonome systemen te creëren, terwijl we vooruitgang boeken op het gebied van drone-onderzoek, autonome verkenning, en bio-geïnspireerde systemen.

"Deze interdisciplinaire inspanning brengt experts van machine learning en controlesystemen. We zijn nog maar net begonnen met het verkennen van de rijke verbindingen tussen de twee gebieden, ' zegt Anandkumar.

Naast de voor de hand liggende commerciële toepassingen - Chung en zijn collega's hebben patent aangevraagd op het nieuwe systeem - zou het nieuwe systeem cruciaal kunnen zijn voor projecten die momenteel bij CAST worden ontwikkeld, inclusief een autonoom medisch transport dat zou kunnen landen op moeilijk bereikbare locaties (zoals een vastgelopen verkeer). "Het belang om snel en soepel te kunnen landen bij het vervoeren van een gewonde persoon kan niet genoeg worden benadrukt, " zegt Morteza Gharib, Hans W. Liepmann hoogleraar luchtvaart en bio-geïnspireerde techniek; directeur van CAST; en een van de hoofdonderzoekers van het luchtambulanceproject.

Het artikel is getiteld "Neural Lander:Stable Drone Landing Control Using Learned Dynamics."