Dans un article à paraître en Systèmes sans pilote , un groupe de chercheurs a découvert qu'un algorithme de navigation proposé par Baddeley et al. est en mesure de permettre aux MAV de retrouver assez rapidement et efficacement leur chemin vers un emplacement visité précédemment, lui permettant de fonctionner plus semblable à un insecte volant.

Voici une énigme qu'un ingénieur en systèmes sans pilote pourrait vous poser un jour :comment un micro-véhicule aérien (également connu sous le nom de MAV) ressemble-t-il à un insecte volant ? Bien, vous pourriez dire en réponse, les MAV et les insectes volants doivent naviguer dans des environnements complexes inconnus. Mais le cerveau d'un insecte est petit, et un MAV ne peut pas effectuer de calculs lourds et n'a souvent pas un bon système de capteurs. Par conséquent, l'insecte et le MAV doivent s'appuyer sur des éléments simples, des mécanismes de navigation efficaces qui ne surchargent pas leurs capacités. Lors du développement d'un MAV, le défi est donc d'écrire un algorithme de navigation qui fonctionne bien sans nécessiter beaucoup de puissance de calcul.

Un tel algorithme, proposé par Baddeley et al., utilise des caméras pour déterminer si une vue est familière à un MAV. Si la vue est familière, le MAV doit avoir passé par là avant. En évaluant beaucoup de ces points de vue pour la familiarité, le MAV peut déterminer la direction correcte vers un emplacement visité précédemment. Un petit réseau de neurones est également utilisé pour stocker et récapituler un itinéraire afin que l'emplacement initial puisse être trouvé. Baddeley et al. affirment que cet algorithme rendrait inutile pour le MAV la construction d'une carte de son environnement, un processus souvent gourmand en énergie.

Une équipe de scientifiques comprenant Gerald J. J. van Dalen, Kimberly N. McGuire, et Guido C. H. E. de Croon ont mis cet algorithme à l'épreuve en l'utilisant dans des environnements plus réalistes que ceux créés par Baddeley et al. pour leurs propres expériences avec l'algorithme. L'équipe a également testé l'algorithme sur différentes représentations d'images (pixels bruts, couleurs et informations spatialement invariantes) pour voir l'impact de différents paramètres d'image. En outre, deux méthodes de représentation de la vue ont été testées pour déterminer laquelle produisait des résultats supérieurs :un ensemble stocké de représentations d'images (appelé mémoire parfaite) ou un réseau neuronal non supervisé (connu sous le nom d'Infomax). La sensibilité de l'algorithme a également été testée pendant la rotation et la translation.

En condition de rotation, le MAV a été conçu pour effectuer un virage à 360° à un endroit fixe dans l'environnement, par pas de 5°. Les vues « vues » par le MAV au cours de cet exercice sont comparées à une image précédemment stockée tirée de cet emplacement. L'hypothèse de l'équipe est que la familiarité devrait s'améliorer à mesure que la vue actuelle commence à ressembler à l'image stockée.

En condition de traduction, le MAV a été fait pour se déplacer d'un point donné le long d'un chemin donné vers un endroit dans l'environnement. De nouveau, les vues « vues » par le MAV au cours de cet exercice sont comparées à une image précédemment stockée tirée de cet emplacement. L'hypothèse de l'équipe est que la familiarité devrait s'améliorer à mesure que la distance entre le MAV et la vue dans l'image stockée diminue. Pour tester la sensibilité de l'algorithme, l'équipe a expérimenté l'augmentation de la distance entre le MAV et la vue dans l'image stockée, ainsi que d'augmenter l'angle de cap auquel le MAV s'approche de ladite vue.

Les résultats de cette étude suggèrent que l'algorithme est prometteur. Une fois testé, les MAV ont bien fonctionné à plusieurs égards :ils ont pu retrouver avec précision leur chemin vers un emplacement visité précédemment, ils pourraient le faire assez rapidement, et ils n'ont pas utilisé beaucoup de puissance de calcul pour y parvenir. Cela a des implications passionnantes. Comme cet algorithme est efficace en termes de calcul, il pourrait probablement être appliqué à la plupart des MAV pour leur donner des capacités de référencement. Vous seriez en mesure d'envoyer vos MAV pour collecter des données, en sachant que, où qu'ils aillent, ils pourront revenir directement vers vous par la suite.

L'article en question sera publié dans le prochain numéro de Systèmes sans pilote .