Il est difficile d'atterrir en douceur avec des drones multi-rotors. Des turbulences complexes sont créées par le flux d'air de chaque rotor rebondissant sur le sol alors que le sol se rapproche de plus en plus lors d'une descente. Cette turbulence n'est pas bien comprise ni facile à compenser, notamment pour les drones autonomes. C'est pourquoi le décollage et l'atterrissage sont souvent les deux parties les plus délicates d'un vol de drone. Les drones oscillent généralement et avancent lentement vers un atterrissage jusqu'à ce que l'alimentation soit finalement coupée, et ils abandonnent la distance restante au sol.

Au Centre des systèmes et technologies autonomes de Caltech (CAST), des experts en intelligence artificielle se sont associés à des experts en contrôle pour développer un système qui utilise un réseau de neurones profonds pour aider les drones autonomes à "apprendre" à atterrir de manière plus sûre et plus rapide, tout en engloutissant moins de puissance. Le système qu'ils ont créé, surnommé le "Neural Lander, " est un contrôleur basé sur l'apprentissage qui suit la position et la vitesse du drone, et modifie sa trajectoire d'atterrissage et la vitesse du rotor en conséquence pour obtenir l'atterrissage le plus doux possible.

"Ce projet a le potentiel d'aider les drones à voler plus facilement et en toute sécurité, surtout en présence de rafales de vent imprévisibles, et consomment moins d'énergie de la batterie car les drones peuvent atterrir plus rapidement, " dit Soon-Jo Chung, Bren Professeur d'aérospatiale à la Division de l'ingénierie et des sciences appliquées (EAS) et chercheur scientifique au JPL, que Caltech gère pour la NASA. Le projet est une collaboration entre Chung et les experts en intelligence artificielle (IA) de Caltech Anima Anandkumar, Professeur Bren d'informatique et de sciences mathématiques, et Yisong Yue, professeur assistant en informatique et sciences mathématiques.

Un article décrivant le Neural Lander a été présenté à la conférence internationale de l'Institute of Electrical and Electronics Engineers (IEEE) sur la robotique et l'automatisation le 22 mai. Les co-auteurs principaux de l'article sont Guanya Shi, étudiants diplômés de Caltech, dont le doctorat la recherche est supervisée conjointement par Chung et Yue, ainsi que Xichen Shi et Michael O'Connell, qui sont les doctorants. étudiants du groupe de robotique et de contrôle aérospatial de Chung.

Les réseaux de neurones profonds (DNN) sont des systèmes d'IA inspirés de systèmes biologiques comme le cerveau. La partie "profonde" du nom fait référence au fait que les entrées de données sont brassées à travers plusieurs couches, chacun d'eux traite les informations entrantes d'une manière différente pour extraire des détails de plus en plus complexes. Les DNN sont capables d'apprentissage automatique, ce qui les rend parfaitement adaptés aux tâches répétitives.

Pour s'assurer que le drone vole en douceur sous la direction du DNN, l'équipe a utilisé une technique connue sous le nom de normalisation spectrale, qui lisse les sorties du réseau neuronal afin qu'il ne fasse pas de prédictions très variables lorsque les entrées ou les conditions changent. Les améliorations de l'atterrissage ont été mesurées en examinant l'écart par rapport à une trajectoire idéalisée dans l'espace 3-D. Trois types d'essais ont été menés :un atterrissage vertical rectiligne; un atterrissage en arc descendant; et le vol dans lequel le drone survole une surface cassée, comme le bord d'une table, où l'effet des turbulences du sol varierait fortement.

Le nouveau système réduit l'erreur verticale de 100 %, permettant des atterrissages contrôlés, et réduit la dérive latérale jusqu'à 90 pour cent. Dans leurs expériences, le nouveau système réalise un atterrissage réel plutôt que de rester coincé à environ 10 à 15 centimètres au-dessus du sol, comme le font souvent les contrôleurs de vol conventionnels non modifiés. Plus loin, lors du test d'écrémage, le Neural Lander a produit une transition beaucoup plus douce lorsque le drone est passé du survol de la table au vol dans l'espace libre au-delà du bord.

"Avec moins d'erreur, le Neural Lander est capable d'un plus rapide, un atterrissage plus doux et de glisser en douceur sur la surface du sol, " dit Yue. Le nouveau système a été testé à l'aérodrome de trois étages de CAST, qui peut simuler une variété presque illimitée de conditions de vent extérieur. Ouvert en 2018, CAST est un 10, Installation de 000 pieds carrés où les chercheurs de l'EAS, JPL, et la division des sciences géologiques et planétaires de Caltech s'unissent pour créer la prochaine génération de systèmes autonomes, tout en faisant progresser les domaines de la recherche sur les drones, exploration autonome, et les systèmes bioinspirés.

"Cet effort interdisciplinaire rassemble des experts de l'apprentissage automatique et des systèmes de contrôle. Nous avons à peine commencé à explorer les riches connexions entre les deux domaines, " dit Anandkumar.

Outre ses applications commerciales évidentes - Chung et ses collègues ont déposé un brevet sur le nouveau système - le nouveau système pourrait s'avérer crucial pour les projets en cours de développement au CAST, y compris un transport médical autonome qui pourrait atterrir dans des endroits difficiles d'accès (comme un trafic bloqué). "L'importance de pouvoir atterrir rapidement et en douceur lors du transport d'un individu blessé ne peut pas être surestimée, " dit Morteza Gharib, Professeur Hans W. Liepmann d'Aéronautique et d'Ingénierie Bioinspirée; directeur de CAST; et l'un des principaux chercheurs du projet d'ambulance aérienne.

L'article s'intitule "Neural Lander:Stable Drone Landing Control Using Learned Dynamics".