Pesquisadores treinam planadores robóticos para voar

Pesquisadores treinam planadores robóticos para voar

Novo estudo aplica aprendizado por reforço para definir um curso em direção à inteligência artificial

LA JOLLA—As palavras “voe como uma águia” são famosas como parte de uma música, mas também podem ser palavras que fazem alguns cientistas coçarem a cabeça. Especialmente quando se trata de pássaros voadores como águias, falcões e gaviões, que parecem ascender a grandes alturas sobre colinas, desfiladeiros e topos de montanhas com facilidade. Os cientistas percebem que as correntes ascendentes de ar quente auxiliam os pássaros em seu vôo, mas não sabem como os pássaros encontram e navegam nessas plumas térmicas.

Para descobrir isso, pesquisadores do Instituto Salk e da Universidade da Califórnia em San Diego usaram aprendizado por reforço para treinar planadores para navegar autonomamente em térmicas atmosféricas, subindo a alturas de 700 metros – quase 2,300 pés. Os novos resultados da pesquisa, publicados na edição de 19 de setembro da Natureza, destacam o papel das acelerações verticais do vento e dos torques giratórios como pistas biológicas viáveis ​​para pássaros voando alto. As descobertas também fornecem uma estratégia de navegação que se aplica diretamente ao desenvolvimento de veículos voadores autônomos ou veículos aéreos não tripulados (UAVs).

“Este artigo é um passo importante em direção à inteligência artificial – como voar de forma autônoma em térmicas em constante mudança como um pássaro. Fiquei surpreso ao ver que relativamente pouco aprendizado era necessário para alcançar um desempenho especializado”, diz o professor Terrence Sejnowski, chefe do Laboratório de Neurobiologia Computacional de Salk e um dos autores do artigo.

O aprendizado por reforço é uma área do aprendizado de máquina, inspirada na psicologia comportamental, em que um agente aprende como se comportar em um ambiente com base nas ações executadas e nos resultados. De acordo com o professor Massimo Vergassola do Departamento de Física da UC San Diego e o doutorando Gautam Reddy, ele oferece uma estrutura apropriada para identificar uma estratégia de navegação eficaz como uma sequência de decisões tomadas em resposta a sugestões ambientais.

“Estabelecemos a validade de nossa política de voo aprendida por meio de experimentos de campo, simulações numéricas e estimativas do ruído nas medições que inevitavelmente está presente devido à turbulência atmosférica”, explica Vergassola. “Esta é uma nova instância de aprendizagem de uma tarefa de navegação no campo, onde a aprendizagem é severamente desafiada por uma infinidade de efeitos físicos e pela imprevisibilidade do ambiente natural.”

No estudo, conduzido em colaboração pelo Salk Institute, a Divisão de Ciências Biológicas da UC San Diego e o Abdus Salam International Center for Theoretical Physics em Trieste, Itália, a equipe equipou planadores de dois metros de envergadura com um controlador de voo. O dispositivo permitiu a implementação a bordo de políticas de voo autônomas por meio de controle preciso sobre o ângulo de inclinação e inclinação. Uma estratégia de navegação foi determinada apenas a partir das experiências dos planadores coletadas durante vários dias no campo usando estratégias comportamentais exploratórias. As estratégias se basearam em novos métodos de bordo, desenvolvidos no decorrer da pesquisa, para estimar com precisão as acelerações do vento vertical local dos planadores e os torques de rolamento, que serviram como dicas de navegação.

A metodologia dos cientistas envolveu estimar a aceleração vertical do vento, os gradientes verticais de velocidade do vento nas asas dos planadores, projetar o módulo de aprendizado, aprender a estratégia de termalismo no campo, testar o desempenho da política aprendida no campo, testar o desempenho para diferentes envergaduras em simulações e estimando o ruído na detecção de gradiente devido à turbulência atmosférica.

Acrescenta Sejnowski: “Esses resultados são significativos porque fomos capazes de aplicar com sucesso nosso trabalho de simulação anterior a um planador do mundo real”.

O trabalho foi financiado pela Simons Foundation Grant 340106.

Esta versão é baseada em materiais fornecidos pela Universidade da Califórnia em San Diego.