Naturalmente, uma das principais áreas de preocupação para estes veículos aéreos é a segurança. A aeronave não deve apenas permanecer no ar, mas também permanecer no controle, independentemente dos problemas que possam surgir durante o voo – desde rajadas de vento a objetos voando em seu caminho até hélices falhando. Agora, uma equipe da Caltech desenvolveu um método de controle baseado em aprendizado de máquina a bordo para ajudar essas aeronaves a detectar e compensar distúrbios para que possam continuar voando. Os engenheiros descrevem o novo método, que chamam de “Neural-Fly for Fault Tolerance” (NFFT), em um artigo aceito para publicação na revista IEEE Robotics and Automation Letters.

"Para aproveitar todo o potencial desses voadores elétricos, você precisa de um sistema de controle inteligente que melhore sua robustez e especialmente sua resiliência contra uma variedade de falhas", diz Soon-Jo Chung, Bren Professor de Controle e Sistemas Dinâmicos na Caltech e Cientista pesquisador sênior do JPL, que o Caltech gerencia para a NASA. "Desenvolvemos um sistema tolerante a falhas, crucial para sistemas autônomos críticos para a segurança, e ele introduz a ideia de sensores virtuais para a detecção de qualquer falha usando aprendizado de máquina e métodos de controle adaptativos."

Os engenheiros estão construindo essas aeronaves elétricas híbridas com múltiplas hélices, ou rotores, em parte para redundância: se um rotor falhar, restam motores funcionais suficientes para permanecer no ar. No entanto, para reduzir a energia necessária para fazer voos entre locais urbanos – digamos, 10 ou 20 milhas – a nave também precisa de asas fixas. Ter rotores e asas, porém, cria muitos pontos de possível falha em cada aeronave. E isso deixa os engenheiros com a questão de qual a melhor forma de detectar quando algo deu errado com qualquer parte do veículo.

Os engenheiros poderiam incluir sensores para cada rotor, mas mesmo isso não seria suficiente, diz Chung. Por exemplo, uma aeronave com nove rotores precisaria de mais de nove sensores, pois cada rotor pode precisar de um sensor para detectar uma falha na estrutura do rotor, outro para perceber se seu motor para de funcionar e ainda outro para alertar quando um problema na fiação do sinal ocorre. “Você poderia eventualmente ter um sistema distribuído de sensores altamente redundante”, diz Chung, mas isso seria caro, difícil de gerenciar e aumentaria o peso da aeronave. Os próprios sensores também podem falhar.

Com o NFFT, o grupo de Chung propôs uma abordagem alternativa e inovadora. Com base em esforços anteriores, a equipe desenvolveu um método de aprendizagem profunda que pode não apenas responder a ventos fortes, mas também detectar, em tempo real, quando a aeronave sofreu uma falha a bordo. O sistema inclui uma rede neural que é pré-treinada em dados de voo da vida real e depois aprende e se adapta em tempo real com base em um número limitado de parâmetros variáveis, incluindo uma estimativa de quão eficaz cada rotor da aeronave está funcionando em qualquer determinado momento. tempo.

“Isso não requer sensores ou hardware adicionais para detecção e identificação de falhas”, diz Chung. "Nós apenas observamos o comportamento da aeronave - sua atitude e posição em função do tempo. Se a aeronave estiver se desviando da posição desejada do ponto A ao ponto B, o NFFT pode detectar que algo está errado e usar as informações de que dispõe para compensar esse erro."

E a correção acontece extremamente rapidamente – em menos de um segundo. “Ao pilotar a aeronave, você pode realmente sentir a diferença que o NFFT faz na manutenção da controlabilidade da aeronave quando um motor falha”, diz o cientista da equipe Matthew Anderson, autor do artigo e piloto que ajudou a conduzir os testes de voo. “O redesenho do controle em tempo real faz com que pareça que nada mudou, mesmo que um de seus motores tenha parado de funcionar.”

O método NFFT depende de sinais de controle e algoritmos em tempo real para detectar onde está uma falha, então Chung diz que pode fornecer a qualquer tipo de veículo sensores virtuais essencialmente gratuitos para detectar problemas. A equipe testou principalmente o método de controle nos veículos aéreos que estão desenvolvendo, incluindo a Ambulância Voadora Autônoma, um veículo elétrico híbrido projetado para transportar rapidamente pessoas feridas ou doentes para hospitais. Mas o grupo de Chung testou um método de controle tolerante a falhas semelhante em veículos terrestres e tem planos de aplicar NFFT a barcos.

O novo artigo é intitulado "Controle de voo adaptativo tolerante a falhas e minimamente detectado com base em aprendizagem". Os principais autores do artigo são o engenheiro de pesquisa da Caltech, Joshua Cho, e Michael O'Connell (PhD '23), agora na Northrop Grumman. O trabalho foi financiado pela Supernal e pelo programa Defense Advanced Research Projects Agency Learning Introspective Control (LINC).