Un dron autónomo que transporta agua para ayudar a extinguir un incendio forestal en la Sierra Nevada podría encontrarse con fuertes vientos de Santa Ana que amenazan con desviarlo de su trayectoria. Adaptarse rápidamente a estas perturbaciones desconocidas durante el vuelo supone un enorme desafío para el sistema de control de vuelo del dron.

Para ayudar a que un dron de este tipo permanezca en su objetivo, los investigadores del MIT desarrollaron un nuevo algoritmo de control adaptativo basado en aprendizaje automático que podría minimizar su desviación de su trayectoria prevista frente a fuerzas impredecibles como vientos racheados.

A diferencia de los enfoques estándar, la nueva técnica no requiere que quien programa el dron autónomo conozca de antemano la estructura de estas perturbaciones inciertas. En cambio, el modelo de inteligencia artificial del sistema de control aprende todo lo necesario a partir de una pequeña cantidad de datos observacionales recopilados durante 15 minutos de vuelo.

Es importante destacar que la técnica determina automáticamente el algoritmo de optimización que debe utilizar para adaptarse a las perturbaciones, lo que mejora el rendimiento del seguimiento. Selecciona el algoritmo que mejor se adapta a la geometría de las perturbaciones específicas a las que se enfrenta el dron.

Los investigadores entrenan su sistema de control para hacer ambas cosas simultáneamente utilizando una técnica llamada metaaprendizaje, que enseña al sistema cómo adaptarse a diferentes tipos de perturbaciones.

En conjunto, estos ingredientes permiten que su sistema de control adaptativo logre un 50 por ciento menos de error de seguimiento de trayectoria que los métodos de referencia en las simulaciones y funcione mejor con nuevas velocidades del viento que no vio durante el entrenamiento.

En el futuro, este sistema de control adaptativo podría ayudar a los drones autónomos a entregar paquetes pesados ​​de forma más eficiente a pesar de los fuertes vientos o a monitorear áreas propensas a incendios de un parque nacional.

“El aprendizaje concurrente de estos componentes es lo que confiere a nuestro método su solidez. Al aprovechar el metaaprendizaje, nuestro controlador puede tomar automáticamente las decisiones más adecuadas para una adaptación rápida”, afirma Navid Azizan, profesor adjunto Esther y Harold E. Edgerton en el Departamento de Ingeniería Mecánica del MIT y el Instituto de Datos, Sistemas y Sociedad (IDSS), investigador principal del Laboratorio de Sistemas de Información y Decisión (LIDS) y autor principal de un artículo sobre este sistema de control.

Azizan colabora en el artículo con el autor principal, Sunbochen Tang, estudiante de posgrado del Departamento de Aeronáutica y Astronáutica, y Haoyuan Sun, estudiante de posgrado del Departamento de Ingeniería Eléctrica e Informática. La investigación se presentó recientemente en la Conferencia de Aprendizaje para la Dinámica y el Control.

Encontrar el algoritmo adecuado

Normalmente, un sistema de control incorpora una función que modela el dron y su entorno, e incluye información existente sobre la estructura de posibles perturbaciones. Sin embargo, en un mundo real lleno de condiciones inciertas, a menudo resulta imposible diseñar manualmente esta estructura con antelación.

Muchos sistemas de control utilizan un método de adaptación basado en un algoritmo de optimización popular, conocido como descenso de gradiente, para estimar las partes desconocidas del problema y determinar cómo mantener el dron lo más cerca posible de su trayectoria objetivo durante el vuelo. Sin embargo, el descenso de gradiente es solo un algoritmo de una familia más amplia de algoritmos disponibles, conocido como descenso de espejo.

El descenso en espejo es una familia general de algoritmos, y para cualquier problema, uno de ellos puede ser más adecuado que otros. La clave está en cómo elegir el algoritmo específico más adecuado para cada problema. En nuestro método, automatizamos esta elección, afirma Azizan.

En su sistema de control, los investigadores reemplazaron la función que contiene la estructura de posibles perturbaciones por un modelo de red neuronal que aprende a aproximarlas a partir de los datos. De esta forma, no necesitan tener una estructura a priori de las velocidades del viento que este dron podría encontrar.

Su método también utiliza un algoritmo para seleccionar automáticamente la función de descenso de espejo correcta mientras aprende el modelo de red neuronal a partir de los datos, en lugar de asumir que el usuario ya tiene la función ideal. Los investigadores ofrecen a este algoritmo una gama de funciones para elegir, y este encuentra la que mejor se adapta al problema en cuestión.

“Elegir una buena función generadora de distancia para construir la adaptación correcta al descenso del espejo es muy importante para obtener el algoritmo correcto para reducir el error de seguimiento”, agrega Tang.

Aprendiendo a adaptarse

Si bien las velocidades del viento que puede encontrar el dron pueden cambiar cada vez que emprende el vuelo, la red neuronal y la función de espejo del controlador deberían permanecer iguales para que no sea necesario volver a calcularlas cada vez.

Para hacer que su controlador sea más flexible, los investigadores utilizan metaaprendizaje, enseñándole a adaptarse mostrándole una variedad de familias de velocidades del viento durante el entrenamiento.

“Nuestro método puede abordar diferentes objetivos porque, utilizando el metaaprendizaje, podemos aprender una representación compartida a través de diferentes escenarios de manera eficiente a partir de los datos”, explica Tang.

Al final, el usuario introduce en el sistema de control una trayectoria objetivo y este recalcula continuamente, en tiempo real, cómo debe producir empuje el dron para mantenerse lo más cerca posible de esa trayectoria, al tiempo que adapta la perturbación incierta que encuentra.

En simulaciones y experimentos en el mundo real, los investigadores demostraron que su método condujo a un error de seguimiento de trayectoria significativamente menor que los enfoques de referencia con cada velocidad del viento que probaron.

“Aunque las perturbaciones del viento son mucho más fuertes que las que habíamos visto durante el entrenamiento, nuestra técnica demuestra que todavía puede gestionarlas con éxito”, añade Azizan.

Además, el margen por el cual su método superó las líneas de base aumentó a medida que las velocidades del viento se intensificaron, lo que demuestra que puede adaptarse a entornos desafiantes.

El equipo ahora está realizando experimentos de hardware para probar su sistema de control en drones reales con diferentes condiciones de viento y otras perturbaciones.

También quieren ampliar su método para que pueda gestionar perturbaciones de múltiples fuentes a la vez. Por ejemplo, los cambios en la velocidad del viento podrían provocar que el peso de un paquete que transporta el dron se desplace durante el vuelo, especialmente cuando el dron transporta cargas útiles que se balancean.

También quieren explorar el aprendizaje continuo, para que el dron pueda adaptarse a nuevas perturbaciones sin necesidad de volver a entrenarse con los datos que ha visto hasta ahora.

Navid y sus colaboradores han desarrollado un trabajo innovador que combina el metaaprendizaje con el control adaptativo convencional para aprender características no lineales y la ley de adaptación adecuada a partir de los datos. La clave de su enfoque reside en el uso de técnicas de descenso especular que explotan la geometría subyacente del problema y lo hacen automáticamente. Su trabajo puede contribuir significativamente al diseño de sistemas autónomos que necesitan operar en entornos complejos e inciertos, afirma Babak Hassibi, profesor de Ingeniería Eléctrica y Ciencias de la Computación y Matemáticas de la Cátedra Mose y Lillian S. Bohn en Caltech, quien no participó en este trabajo.

Esta investigación fue financiada, en parte, por MathWorks, el MIT-IBM Watson AI Lab, el MIT-Amazon Science Hub y el Programa MIT-Google para la Innovación Informática.

​Autor​