Los espectáculos de drones son ampliamente populares para la pantalla de luz. Estos espectáculos incluyen cientos de miles de barcos de aire al aire, cada uno ha planeado volar en los caminos que forman formas y patrones complejos en todo el cielo. Cuando van de acuerdo con el plan, los espectáculos de drones pueden ser excelentes. Pero cuando uno o más drones tienen un colapso, como Florida, Nueva York y en otro lugar, pueden ser una seria amenaza para los fanáticos en el terreno.
Los accidentes de Show Drone destacan los desafíos de mantener la seguridad, que los ingenieros llaman el “sistema múltiple”.
Ahora, un equipo de ingenieros del MIT ha desarrollado un método de capacitación para el sistema multiógeno que puede garantizar su operación segura en el entorno lleno de gente. Los investigadores encontraron que una vez que este método se utiliza para capacitar a muy pocos agentes, los márgenes de seguridad y los controles aprendidos por estos agentes pueden hacer automáticamente cualquier gran número de agentes como este, esto puede garantizar la seguridad del sistema general.
En manifestaciones reales del mundo, el equipo entrenó a un pequeño número de drones en forma de palma para llevar a cabo diferentes goles, aterrizando en los vehículos impulsados por el suelo desde posiciones cambiantes simultáneas hasta la mitad de la luz hasta En semejanza, los investigadores mostraron que el mismo programa, que está entrenado en el dron, se puede copiar y escalar a miles de drones, lo que ayuda a un gran sistema de agentes a llevar a cabo las mismas tareas.
“Esto puede ser un estándar para cualquier aplicación que requiera un equipo de agentes, como un robot de almacén, drones de búsqueda y rescate, y drones de rescate”, dice Chuko Fan, profesor asociado de Aeronáutico MIT y astronautas. “Proporciona un escudo o un filtro de seguridad, diciendo que cada agente puede continuar con su misión, y le diremos cómo mantenerse a salvo”.
En un estudio publicado en la revista Fan y sus colegas informan sobre sus nuevos procedimientos Transacción IEEE sobre robótica.Los coautores de este estudio son estudiantes graduados del MIT, junto con Songyan Zhang y Osuen, así como el ex Canal de MIT Postaduk Garg, quien ahora es profesor asistente en la Universidad Estatal de Arizona.
Margen de bienes
Cuando los ingenieros están diseñados para proteger en cualquier sistema múltiple, generalmente tienen que considerar las posibles rutas de cada agente en relación con el agente del otro en el sistema. Este par es un proceso costoso que consumo en el tiempo y computacional. Y sin embargo, la seguridad no está garantizada.
“En un espectáculo de drones, cada dron se le da una forma específica”, dice Zhang, el autor principal del estudio. para moldear.
El equipo del MIT, en cambio, buscó desarrollar una forma de capacitar a muy pocos agentes de manera segura, lo que podría medir efectivamente cualquier tipo de agente en el sistema. Y, en lugar de planificar las rutas específicas de los agentes individuales, este procedimiento permitirá a los agentes hacer sus márgenes de seguridad, o un mapa constante de los límites, que pueden ser inseguros. Para entonces, un agente puede tomar varias formas de completar su trabajo, siempre y cuando viva en su margen de protección.
En algunos aspectos, el equipo dice que esta es la misma manera que un ser humano intimidado en su entorno.
“Dices que realmente estás en centros comerciales abarrotados”, entonces dices. “No le importan las personas que están en su vecindario más cercano, como 5 metros a su alrededor, de manera segura en términos de ir y colisionar con alguien. Nuestro trabajo tiene una visión local similar” “”
Obstrucción de la seguridad
En su nueva investigación, el equipo ofrece su método, GCBF+, que significa “función de barrera de control de gráficos”. Una función de barrera es un término matemático utilizado en robótica que calcula un tipo de seguridad, o antes de la medida en que un agente es más probable que sea inseguro. Este es el momento de cualquier agente, esta zona de protección puede cambiar momentáneamente, ya que el agente se mueve entre otros agentes que se mueven dentro del sistema.
Cuando los diseñadores calculan las funciones de obstrucción para cualquier agente en el sistema múltiple, generalmente tienen que tener en cuenta las posibles rutas e interacciones con cualquier otro agente del sistema. En cambio, el procedimiento del equipo del MIT calcula solo un puñado de agentes, lo cual es lo suficientemente preciso como para representar la dinámica de muchos agentes en dicho sistema.
“Luego podemos copiar la función de obstrucción para cada agente, y de repente tenemos un gráfico de zonas de seguridad que funciona para cualquier tipo de agente en el sistema”.
Para calcular la función de obstrucción de un agente, el procedimiento del equipo primero analiza el “radio de detección” de un agente, o cuánto ambiente puede observar un agente en términos de sus capacidades de sensor. Al igual que en la imitación de los centros comerciales, los investigadores suponen que el agente solo se preocupa por los agentes que están en su radio de detección, en términos de mantener a estos agentes y evitar la colisión.
Luego, utilizando un modelo de computadora que adquiere las capacidades y límites mecánicos específicos de un agente, el equipo desarrolla un “controlador” o una combinación de instrucciones sobre cómo el agente, etc., sobre cómo hacer que un puñado de agentes gire. Luego dirige varios agentes que corren a cierto ritmo y registran si obtienen y cómo chocan o hablan de otra manera.
Zhang dice: “Una vez que tenemos estos trucos, podemos contar algunas leyes que queremos reducir, como decir, cuánta protección está violando el controlador actual”. “Luego actualizamos para mantener el controlador más seguro”.
Por lo tanto, un controlador puede programarse en agentes originales, lo que les permite mapear su zona de seguridad en función de cualquier otro agente que pueda sentir en su entorno rápido, y luego su propio trabajo, se mueven a esta zona de protección.
Fan dice: “Nuestro controlador es una reacción”. Nuestro controlador está constantemente tomando información sobre hacia dónde va un agente, cuál es su velocidad, qué tan rápido van los otros drones. Está utilizando toda esta información para preparar un plan sobre la marcha. Y hace un envoltorio cada vez, si la situación cambia, siempre es seguro estar seguro. Llega.
El equipo demostró GCBF+ en el Sistema Crazy Flames Flames, un dron liviano en forma de palma que habían entregado a las posiciones de conmutación a mediados de mediana y de cambio. Si los drones lo hicieran en el camino recto, seguramente chocarían. Pero después de entrenar el procedimiento del equipo, los drones lograron hacer ajustes de tiempo real a la Pantera alrededor del otro, mientras vivían en sus respectivas áreas de protección, para que las posiciones sobre la mosca pudieran ser reemplazadas con éxito.
De manera similar, el equipo confió el dron para volar, luego aterrizando en barcos de tortuga específicos con puntas de shell robot. Los barcos de tortuga continuaron deambulando en un círculo grande, y las locas llamas lograron evitar chocar entre sí cuando estaban aterrizando.
Fan dice: “Usando nuestro marco, solo necesitamos dar a los drones sus destinos en lugar de un ritmo sin colisión, y los drones pueden saber cómo llegar a su destino sin colisión”. Cualquier sistema múltiple garantiza su seguridad, incluidos espectáculos de drones, robots de almacén, vehículos de conducción autónomo y sistema de entrega de drones para evitar el sistema de colisión.
El trabajo fue parcialmente cooperado por la Fundación Nacional de Ciencias de EE. UU., El programa Safety in Aerobatic Flight Remies (SAFR) bajo el Laboratorio MIT Lincoln y la Agencia de Ciencia y Tecnología de Defensa de Singapur.
