بر زمین نشاندنِ هموارِ هواپیما با استفاده از هوش مصنوعی

هواپیمای بدون سرنشین (تصویر آرشیوی)
اعتبار: © Denis Rozhnovsky / Adobe Stock
 

فرودِ هموارِ هواپیماهای بدون سرنشین چند روتوره دشوار است. آشفتگی های پیچیده ای به وسیله جریان هوا از هر روتور به هنگام فرود ایجاد می شود که، همان طور که سطح زمین نزدیک می شود، از زمین منعکس می شود. این آشفتگی نه به خوبی دانسته شده و نه به راحتی قابل جبران است، به خصوص برای هواپیماهای بدون سرنشین خودکار. به همین دلیل است که برخاستن و فرود، اغلب دو تکه نیازمند مهارت فردی در یک پرواز هواپیمای بدون سرنشین است. هواپیماهای بدون سرنشین به طور معمول تلو تلو می‌خورند و به آهستگی به سمت یک فرود حرکت می کنند تا این که نهایتاً توان قطع می شود، و هواپیما بقیه مسیر را در حالت سقوط به طرف زمین طی می کند.
 
در مرکز کالتک برای سیستم ها و فناوری های خودکار (CAST)، کارشناسان هوش مصنوعی، هم تیم شده اند با متخصصان کنترل، برای توسعه سیستمی که از یک شبکه عصبی عمیق برای کمک به هواپیماهای بدون سرنشین خودکار استفاده می کند تا "یاد بگیرند" که چگونه سریع تر و ایمن تر، و توأم با بلعش توان کمتر، فرود آیند. سیستمی که آنها ایجاد کرده اند و لقب "بر زمین نشاننده عصبی" گرفته است، یک کنترل کننده مبتنی بر یادگیری است که موقعیت و سرعت هواپیمای بدون سرنشین را ردیابی می کند و مسیر فرود و بر طبق آن سرعت روتور آن را تعدیل می کند تا هموارترین فرود ممکن به دست آید.
 
سون جو چونگ، پروفسور هوا فضای برن در بخش مهندسی و علوم کاربردی(EAS) و دانشمند محقق در JPL، که کالتک آن را برای ناسا مدیریت می کند، می گوید: "این پروژه توانایی کمک به هواپیماهای بدون سرنشین برای پرواز هموارتر و امن تر، به ویژه در حضور تند بادهای پیش بینی نشده، را دارد و توان باتری کمتری مصرف می کند چون هواپیماهای بدون سرنشین می توانند سریع تر فرود بیایند."
 
شبکه های عصبی عمیق (DNNها)، سیستم هایی از هوش مصنوعی هستند که از سیستم های بیولوژیکی مانند مغز الهام می گیرند. بخش «عمیق» این نام اشاره دارد به این واقعیت که داده های ورودی از طریق لایه های چندگانه چرخ می شوند و جلو می روند، که هر کدام از لایه ها اطلاعات ورودی را به شیوه ای متفاوت، برای پاک کردن جزئیات به طور فزاینده پیچیده، پردازش می کنند. DNNها قادر به یادگیری خودکار هستند، که آنها را به طور ایده آل برای انجام وظایف تکراری مناسب می سازد.
 
برای اطمینان از این که هواپیمای بدون سرنشین به طور هموار تحت هدایت DNN پرواز می کند، تیم تکنیک شناخته شده ای به عنوان نرمال سازی طیفی را به کار برد که خروجی های شبکه عصبی را هموار می کند به طوری که در صورت تغییر ورودی ها / شرایط، پیش بینی ها به گونه ای وسیع تغییر نمی کند. بهبود در فرود با بررسی انحراف از مسیر ایده آل در فضای سه بعدی اندازه گیری شد. سه نوع آزمایش هدایت شد: یک فرود مستقیم عمودی؛ فرود نزولی قوس دار، و پروازی که در آن هواپیمای بدون سرنشین در سراسر سطحی شکسته – مثلاً روی لبه یک میز، که اثر آشفتگی ناشی از سطح به گونه ای تیز تغییر می کند – تماس مختصری دارد.
 
سیستم جدید، خطای عمودی را تا 100 درصد کاهش می دهد و اجازه می دهد فرودهای کنترل شده ای وجود داشته باشد، و راندگی جانبی را تا نود درصد کاهش می دهد. در آزمایش های آنها، سیستم جدید، فرودی واقعی به دست می آورد تا اینکه، چنان که غالباً در کنترل کننده های پرواز مرسوم تعدیل نشده چنین است، قفل شدگی‌ای در فاصله ای در حدود 10 تا 15 سانتیمتر بالای زمین به دست آورد. علاوه بر این، در طول آزمایش تماس سطحی اندک، بر زمین نشاننده‌ی عصبی یک انتقال بسیار نرم و صاف را ایجاد کرد، به طوری که گویا هواپیمای بدون سرنشین در حال حرکت در فضای آزاد به دور لبه بود.
 
یو می گوید: "با خطای کمتر، بر زمین نشاننده‌ی عصبی قادر به فرود سریع تر و نرمتر است و قادر به پرواز سبک نرم بر فراز سطح زمین است." آنادکومار می گوید: "این تلاش بین رشته ای، متخصصینی را از سیستم های یادگیری و کنترل ماشین به ارمغان می آورد. ما به سختی شروع به کشف ارتباطات غنی بین این دو رشته کرده‌ایم."
 
علاوه بر برنامه های کاربردی تجاری واضح آن، چونگ و همکارانش درخواست ثبت اختراع برلی این سیستم جدید را داده اند - سیستم جدید می تواند حیاتی بودن خود را برای پروژه های در حال توسعه در CAST ثابت کند، از جمله برای حمل و نقل پزشکی خودکار در مکان های صعب العبور که امکان به زمین نشستن را می دهد (مانند ترافیک مسدود شده). مرتضی غریب، استاد هواشناسی و مهندسی بیوفیزیک، که مدیر CAST و یکی از محققان اصلی پروژه آمبولانس هوایی است، می گوید: "اهمیت این که در حمل و نقل یک فرد آسیب دیده، قادر باشیم سریع و راحت به زمین بنشینیم، اغراق نیست."
 

کشاورزان تاکنون می توانند از هواپیماهای بدون سرنشین استفاده کنند تا به بر فراز مزارع بزرگ اوج گیرند و نظارت بر درجه حرارت، رطوبت و سلامتی محصول را داشته باشند. اما این ماشین ها نیاز به قدرت زیادی برای پرواز دارند و به علاوه بدون نیاز به شارژ مجدد نمی توانند خیلی دور شوند. یک کنترل کننده مبتنی بر یادگیری است که موقعیت و سرعت هواپیمای بدون سرنشین را ردیابی می کند و مسیر فرود و بر طبق آن سرعت روتور آن را تعدیل می کند در حال حاضر، مهندسان یک سیستم حس کننده ایجاد کرده اند که به اندازه کافی کوچک هست که بتواند بر روی یک زنبور عسل سوار شود.
     
از آنجا که حشرات می توانند خودشان پرواز کنند، بسته تنها نیاز به یک باتری قابل شارژ کوچک دارد که می تواند برای هفت ساعت پرواز دوام آورد و سپس در حالی که زنبورها در هنگام شب در کندوهایشان هستند شارژ می شود.
 
شیما گلاکوتا، استاد دانشکده علوم کامپیوتر و مهندسی پل جی. آلن، گفت: "هواپیماهای بدون سرنشین ممکن است 10 یا 20 دقیقه قبل از اینکه بار دیگر مجددا شارژ شوند پرواز کنند، در حالی که زنبورها می توانند اطلاعات را برای ساعت ها جمع آوری کنند." "ما برای اولین بار نشان دادیم که این امکان وجود دارد که در واقع تمام این محاسبات را انجام دهیم و از حشرات به جای هواپیماهای بدون سرنشین استفاده کنیم."
 
منبع: مؤسسه فناوری کالیفرنیا و دانشگاه واشنگتن