Os interesses de pesquisa do professor do MIT, Jonathan How, abrangem uma gama de veículos autônomos – desde aviões e espaçonaves até veículos aéreos não pilotados (UAVs ou drones) e carros. Ele está particularmente focado no projeto e implementação de algoritmos de planejamento robustos e distribuídos para coordenar múltiplos veículos autônomos capazes de navegar em ambientes dinâmicos.

Há cerca de um ano, o professor de Aeronáutica e Astronáutica Richard Cockburn Maclaurin e uma equipe de pesquisadores do Laboratório de Controles Aeroespaciais do MIT vêm desenvolvendo um sistema de planejamento de trajetória que permite que uma frota de drones opere no mesmo espaço aéreo sem colidir com uns aos outros. Dito de outra forma, é um projecto para evitar colisões entre vários veículos e tem implicações no mundo real em termos de poupança de custos e eficiência para uma variedade de indústrias, incluindo a agricultura e a defesa.

A instalação de teste do projeto é o Centro Kresa para Sistemas Autônomos, um espaço de 80 por 40 pés com tetos de 25 pés, projetado especificamente para o trabalho do MIT com veículos autônomos - incluindo o enxame de UAVs de How que circula regularmente pela baía alta do centro. . Para evitar a colisão, cada UAV deve calcular a sua trajetória de planeamento a bordo e partilhá-la com o resto das máquinas através de uma rede de comunicação sem fios.

Mas, de acordo com How, um dos principais desafios no trabalho multi-veículo envolve atrasos na comunicação associados à troca de informações. Neste caso, para resolver o problema, How e os seus investigadores incorporaram uma função de “percepção consciente” no seu sistema que permite a um veículo utilizar os sensores a bordo para recolher novas informações sobre os outros veículos e depois alterar a sua própria trajetória planeada. Nos testes, a correção algorítmica resultou em uma taxa de sucesso de 100%, garantindo voos livres de colisões entre seu grupo de drones. O próximo passo, diz How, é ampliar os algoritmos, testar em espaços maiores e, eventualmente, voar para fora.

Nascido na Inglaterra, o fascínio de Jonathan How pelos aviões começou ainda jovem, graças ao amplo tempo passado em bases aéreas com o pai, que, durante muitos anos, serviu na Royal Air Force. Porém, como lembra How, embora outras crianças quisessem ser astronautas, sua curiosidade tinha mais a ver com a engenharia e a mecânica do voo. Anos mais tarde, como estudante de graduação na Universidade de Toronto, ele desenvolveu interesse em matemática aplicada e pesquisa multi-veículo aplicada à engenharia aeronáutica e astronáutica. Ele fez seu trabalho de graduação e pós-doutorado no MIT, onde contribuiu para um experimento financiado pela NASA sobre técnicas avançadas de controle para apontamento de alta precisão e controle de vibração em espaçonaves. E, depois de trabalhar em telescópios espaciais distribuídos como membro júnior do corpo docente da Universidade de Stanford,

“Um dos principais desafios para qualquer veículo autônomo é como lidar com o que mais existe no ambiente ao seu redor”, diz ele. Para carros autônomos isso significa, entre outras coisas, identificar e rastrear pedestres. É por isso que How e sua equipe coletam dados em tempo real de carros autônomos equipados com sensores projetados para rastrear pedestres, e então usam essas informações para gerar modelos para entender seu comportamento – em um cruzamento, por exemplo – o que permite que os pedestres autônomos veículo para fazer previsões de curto prazo e melhores decisões sobre como proceder. “É um processo de previsão muito barulhento, dada a incerteza do mundo”, admite How. “O verdadeiro objetivo é melhorar o conhecimento. Você nunca obterá previsões perfeitas. Você está apenas tentando entender a incerteza e reduzi-la o máximo que puder.”

Em outro projeto, How está ampliando os limites da tomada de decisões em tempo real para aeronaves. Nestes cenários, os veículos têm de determinar onde estão localizados no ambiente, o que mais está à sua volta e, em seguida, planear um caminho ideal a seguir. Além disso, para garantir agilidade suficiente, normalmente é necessário ser capaz de regenerar essas soluções cerca de 10 a 50 vezes por segundo, e assim que novas informações dos sensores da aeronave estiverem disponíveis. Existem computadores poderosos, mas seu custo, tamanho, peso e requisitos de energia tornam impraticável sua implantação em aeronaves pequenas e ágeis. Então, como você executa rapidamente todos os cálculos necessários — sem sacrificar o desempenho — em computadores que cabem facilmente em um veículo voador ágil?

A solução de How é empregar, a bordo da aeronave, redes neurais de consulta rápida, treinadas para “imitar” a resposta dos otimizadores computacionalmente caros. O treinamento é realizado durante uma fase offline (pré-missão), onde ele e seus pesquisadores executam repetidamente (milhares de vezes) um otimizador que “demonstra” como resolver uma tarefa, e então incorporam esse conhecimento em uma rede neural. Depois que a rede for treinada, eles a executam (em vez do otimizador) na aeronave. Em voo, a rede neural toma as mesmas decisões que o otimizador teria tomado, mas muito mais rápido, reduzindo significativamente o tempo necessário para tomar novas decisões. A abordagem provou ser bem-sucedida com UAVs de todos os tamanhos, e também pode ser usado para gerar redes neurais capazes de processar diretamente sinais sensoriais ruidosos (chamado de aprendizagem ponta a ponta), como as imagens de uma câmera de bordo, permitindo que a aeronave localize rapidamente sua posição ou evite um acidente. obstáculo. As inovações interessantes aqui estão nas novas técnicas desenvolvidas para permitir que os agentes voadores sejam treinados de forma muito eficiente – muitas vezes usando apenas uma única demonstração de tarefa. Um dos próximos passos importantes neste projeto é garantir que esses controladores aprendidos possam ser certificados como seguros. As inovações interessantes aqui estão nas novas técnicas desenvolvidas para permitir que os agentes voadores sejam treinados de forma muito eficiente – muitas vezes usando apenas uma única demonstração de tarefa. Um dos próximos passos importantes neste projeto é garantir que esses controladores aprendidos possam ser certificados como seguros. As inovações interessantes aqui estão nas novas técnicas desenvolvidas para permitir que os agentes voadores sejam treinados de forma muito eficiente – muitas vezes usando apenas uma única demonstração de tarefa. Um dos próximos passos importantes neste projeto é garantir que esses controladores aprendidos possam ser certificados como seguros.

Ao longo dos anos, How trabalhou em estreita colaboração com empresas como Boeing, Lockheed Martin, Northrop Grumman, Ford e Amazon. Ele diz que trabalhar com a indústria ajuda a concentrar sua pesquisa na solução de problemas do mundo real. “Pegamos os problemas difíceis da indústria, condensamo-los em questões centrais, criamos soluções para aspectos específicos do problema, demonstramos esses algoritmos em nossas instalações experimentais e depois os transferimos de volta para a indústria. Tende a ser um ciclo de feedback muito natural e sinérgico”, diz How.