Programando drones para voar sozinho

Empresas como a Amazon têm grandes ideias para os drones que podem entregar pacotes diretamente à sua porta. Mas, mesmo deixando de lado as questões políticas, a programação de drones para voar através de espaços desordenados como cidades é difícil. Ser capaz de evitar obstáculos ao viajar a altas velocidades é computacionalmente complexo, especialmente para pequenos drones que são limitados em quanto podem transportar a bordo para o processamento em tempo real.

Muitas abordagens existentes dependem de mapas intrincados que visam dizer aos drones exatamente onde eles são relativos aos obstáculos, o que não é particularmente prático em configurações do mundo real com objetos imprevisíveis. Se a sua localização estimada está fora, mesmo que apenas uma pequena margem, eles podem facilmente bater.

Com isso em mente, um time do Laboratório de Informática e Inteligência Artificial (CSAIL) do MIT desenvolveu o NanoMap, um sistema que permite aos drones voar regularmente 20 milhas por hora através de ambientes densos, como florestas e armazéns.

Uma das idéias fundamentais da NanoMap é surpreendentemente simples: o sistema considera que a posição do drone no mundo ao longo do tempo é incerta e, na verdade, modela e explica essa incerteza.

“Os mapas excessivamente confiáveis ​​não o ajudarão se você quiser drones que possam operar em velocidades mais altas em ambientes humanos”, diz o estudante de graduação, Pete Florence, autor principal de um novo artigo relacionado. “Uma abordagem mais consciente da incerteza nos proporciona um nível de confiabilidade muito maior em termos de capacidade de voar em partes próximas e evitar obstáculos”.

Especificamente, o NanoMap usa um sistema de detecção de profundidade para juntar uma série de medidas sobre o entorno imediato do drone. Isso permite que ele não apenas faça planos de movimento para seu campo de visão atual, mas também antecipe como ele deve se deslocar nos campos de visão escondidos que já viu.

“É como salvar todas as imagens que você viu do mundo como uma grande fita na sua cabeça”, diz Florence. “Para o drone planejar movimentos, ele essencialmente volta ao tempo para pensar individualmente em todos os lugares diferentes em que era”.

Os testes da equipe demonstram o impacto da incerteza. Por exemplo, se o NanoMap não estava modelando a incerteza e o drone derivasse a apenas 5% de distância de onde era esperado, o drone passaria mais de uma vez a cada quatro vôos. Enquanto isso, quando se tratava de incerteza, a taxa de falha reduzida para 2%.

O artigo foi co-escrito por Florence e MIT Professor Russ Tedrake, juntamente com os engenheiros de software de pesquisa John Carter e Jake Ware. Foi recentemente aceito para a Conferência Internacional IEEE sobre Robótica e Automação, que ocorre em maio em Brisbane, Austrália.

Durante anos, cientistas da computação trabalharam em algoritmos que permitem que os drones saibam onde eles estão, o que os rodeia e como chegar de um ponto a outro. Abordagens comuns, como localização e mapeamento simultâneos (SLAM), tomam dados brutos do mundo e convertem-os em representações mapeadas.

Mas a saída dos métodos SLAM não é normalmente usada para planejar movimentos. É aí que os pesquisadores costumam usar métodos como “grades de ocupação”, em que muitas medidas são incorporadas em uma representação específica do mundo 3D.

O problema é que esses dados podem ser pouco confiáveis ​​e difíceis de reunir rapidamente. Em altas velocidades, os algoritmos de visão de computador não podem fazer grande parte do seu entorno, forçando os drones a confiar em dados inexatos do sensor da unidade de medição inercial (IMU), que medem coisas como a aceleração do drone e a taxa de rotação.

A maneira como o NanoMap lida com isso é que, essencialmente, não sume os detalhes menores. Funciona sob o pressuposto de que, para evitar um obstáculo, você não precisa tomar 100 medidas diferentes e encontrar a média para descobrir sua localização exata no espaço; Em vez disso, você pode simplesmente reunir informações suficientes para saber que o objeto está em uma área geral.

“A principal diferença para o trabalho anterior é que os pesquisadores criaram um mapa consistindo de um conjunto de imagens com a incerteza de sua posição em vez de apenas um conjunto de imagens e suas posições e orientação”, diz Sebastian Scherer, cientista de sistemas da Robotics da Universidade Carnegie Mellon Instituto. “Acompanhar a incerteza tem a vantagem de permitir o uso de imagens anteriores mesmo que o robô não saiba exatamente onde é e permita um planejamento melhorado”.

Florença descreve o NanoMap como o primeiro sistema que permite o vôo de drone com dados 3-D que está ciente de “colocar incerteza”, o que significa que o drone leva em consideração que não conhece perfeitamente sua posição e orientação à medida que se desloca pelo mundo. As iterações futuras também podem incorporar outras informações, como a incerteza nas medidas individuais de detecção de profundidade do drone.

O NanoMap é particularmente eficaz para pequenos drones que se deslocam em espaços menores e funcionam bem em conjunto com um segundo sistema focado em mais planejamento de longo horizonte. (Os pesquisadores testaram o NanoMap no ano passado em um programa vinculado à Agência de Projetos de Pesquisa Avançada de Defesa, ou DARPA).

A equipe diz que o sistema poderia ser usado em campos que vão desde busca e resgate e defesa até entrega e entretenimento de pacotes. Também pode ser aplicado a carros auto-dirigidos e outras formas de navegação autônoma.

“Os pesquisadores demonstraram resultados impressionantes evitando obstáculos e esse trabalho permite aos robôs verificar rapidamente colisões”, diz Scherer. “O vôo rápido entre obstáculos é uma capacidade chave que permitirá uma melhor filmagem de seqüências de ação, uma coleta de informações mais eficientes e outros avanços no futuro”.

Este trabalho foi apoiado em parte pelo programa de autonomia rápida leve da DARPA.

 

Texto retirado de: robohub.org

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *