به گزارش ثریا -  یک پهپاد خودران که برای کمک به خاموش کردن آتش‌سوزی در منطقه‌ای مانند رشته‌کوه «سیرا نوادا» آب حمل می‌کند، ممکن است با بادهای چرخان شهر «سانتا آنا» در ایالت کالیفرنیا روبه‌رو شود و بادها آن را به انحراف از مسیر وادار کنند. سازگاری سریع با این اختلالات ناشناخته هنگام پرواز، چالش بزرگی را برای سیستم کنترل پرواز پهپاد ایجاد می‌کند.

به نقل از ام‌آی‌تی نیوز، پژوهشگران دانشگاه «ام‌آی‌تی»(MIT) برای کمک به چنین پهپادی در رسیدن به هدف، یک الگوریتم جدید کنترل تطبیقی ​​مبتنی بر یادگیری ماشینی توسعه داده‌اند که می‌تواند انحراف پهپاد از مسیر مورد نظر را در رویارویی با نیروهای غیر قابل پیش‌بینی مانند بادهای شدید به حداقل برساند.

برخلاف روش‌های استاندارد، در این روش جدید نیازی نیست که شخص برنامه‌ریزی‌کننده پهپاد خودران از قبل چیزی درباره ساختار این اختلالات نامشخص بداند. در عوض، مدل هوش مصنوعی همه آنچه را که باید بداند، از مقدار کمی داده‌های جمع‌آوری‌شده طی ۱۵ دقیقه پرواز یاد می‌گیرد.

نکته مهم این است که روش دانشگاه ام‌آی‌تی به طور خودکار تعیین می‌کند که از کدام الگوریتم برای سازگاری با اختلالات استفاده کند تا عملکرد ردیابی را بهبود ببخشد. این روش، الگوریتمی را انتخاب می‌کند که به بهترین وجه با هندسه اختلالات خاص بر سر راه پهپاد مطابقت دارد.

پژوهشگران، سیستم کنترل خود را طوری آموزش می‌دهند که هر دو کار را هم‌زمان با استفاده از روش موسوم به «فرایادگیری» انجام دهد. این روش به سیستم می‌آموزد که چگونه با انواع گوناگون اختلالات سازگار شود.

این اجزا در مجموع سیستم کنترل تطبیقی ​​آنها را قادر می‌سازند تا در شبیه‌سازی‌ها به ۵۰ درصد خطای ردیابی مسیر کمتر از روش‌های پایه دست یابد و در رویارویی با سرعت‌های باد که در طول آموزش ندیده بود، عملکرد بهتری داشته باشد.

این سیستم کنترل تطبیقی ​​ در آینده می‌تواند به پهپادهای خودران کمک کند تا با وجود بادهای شدید، بسته‌های سنگین را با کارآیی بیشتری تحویل دهند یا مناطق مستعد آتش‌سوزی یک پارک ملی را رصد کنند.

«نوید عزیزان» دانشیار دانشکده مهندسی مکانیک دانشگاه ام‌آی‌تی و پژوهشگر ارشد این پروژه گفت: یادگیری هم‌زمان این اجزا همان چیزی است که به روش ما قدرت می‌دهد. با بهره‌گیری از فرایادگیری، کنترل‌کننده ما می‌تواند به ‌طور خودکار انتخاب‌هایی کند که بهترین گزینه برای سازگاری سریع باشند.

یک سیستم کنترل معمولاً شامل تابعی است که پهپاد و محیط آن را مدل‌سازی می‌کند و برخی اطلاعات را درباره ساختار اختلالات احتمالی در بر دارد اما در دنیای واقعی که پر از شرایط نامشخص است، اغلب طراحی دستی این ساختار از قبل غیر ممکن به نظر می‌رسد.

بسیاری از سیستم‌های کنترل از یک روش تطبیق مبتنی بر یک الگوریتم محبوب موسوم به «گرادیان کاهشی» برای تخمین زدن بخش‌های ناشناخته مسئله و تعیین چگونگی نزدیک نگه داشتن پهپاد تا حد امکان به مسیر خود در طول پرواز استفاده می‌کنند. با وجود این، گرادیان کاهشی فقط یک الگوریتم در خانواده بزرگتری از الگوریتم‌های موجود برای انتخاب است که به عنوان «کاهش آینه‌ای» شناخته می‌شوند.

عزیزان گفت: کاهش آینه‌ای یک خانواده کلی از الگوریتم‌هاست و برای هر مسئله مشخص، یکی از این الگوریتم‌ها می‌تواند مناسب‌تر از بقیه باشد. موضوع این است که چگونه الگوریتم خاص و مناسب برای مسئله خود را انتخاب کنید. ما در روش خود، این انتخاب را خودکار می‌کنیم.

پژوهشگران در سیستم کنترل خود، تابعی را که شامل ساختاری از اختلالات بالقوه است، با یک مدل شبکه عصبی جایگزین کردند که یاد می‌گیرد شرایط را از داده‌ها حدس بزند. بدین ترتیب، به ساختار اولیه سرعت باد که پهپاد بتواند از قبل با آن روبه‌رو شود، نیازی وجود ندارد.

روش آنها به جای این که فرض کند کاربر از قبل تابع ایده‌آل را انتخاب کرده است، از الگوریتمی برای انتخاب خودکار تابع کاهش آینه‌ای مناسب هنگام یادگیری مدل شبکه عصبی از داده‌ها استفاده می‌کند. پژوهشگران طیف گسترده‌ای از توابع را برای انتخاب به الگوریتم می‌دهند و الگوریتم، تابعی را پیدا می‌کند که به بهترین وجه با مسئله مورد نظر مطابقت دارد.

«سانبوچن تانگ»(Sunbochen Tang) از پژوهشگران این پروژه گفت: انتخاب یک تابع خوب مولد فاصله برای ساخت تطبیق کاهش آینه‌ای مناسب، در دستیابی به الگوریتم مناسب برای کاهش خطای ردیابی بسیار مهم است.

این گروه پژوهشی در حال حاضر آزمایش‌های سخت‌افزاری را برای بررسی سیستم کنترل خود روی پهپادهای واقعی با شرایط باد متغیر و سایر اختلالات انجام می‌دهند. همچنین، آنها می‌خواهند روش خود را گسترش دهند تا بتواند اختلالات ناشی از چندین منبع را به طور هم‌زمان مدیریت کند. به عنوان مثال، تغییر سرعت باد می‌تواند باعث شود وزن بسته‌ همراه پهپاد هنگام پرواز تغییر کند. آنها می‌خواهند یادگیری مداوم را نیز بررسی کنند تا پهپاد بتواند بدون نیاز به آموزش مجدد براساس داده‌هایی که تاکنون دیده است، با اختلالات جدید سازگار شود.

«بابک حسیبی» استاد مهندسی برق و علوم محاسبات و ریاضی «مؤسسه فناوری کالیفرنیا»(Caltech) که در این پژوهش مشارکت نداشته است، گفت: نوید و همکارانش یک روش نوآورانه‌ را ارائه داده‌اند که فرایادگیری را با کنترل تطبیقی ​​مرسوم ترکیب می‌کند تا ویژگی‌های غیر خطی را از داده‌ها بیاموزد. کلید روش آنها استفاده از روش‌های کاهش آینه‌ای است که از هندسه زیربنای مسئله به شیوه‌هایی بهره‌برداری می‌کنند که روش‌های پیشین نمی‌توانستند. روش آنها می‌تواند به طور قابل توجهی به طراحی سیستم‌های خودکار کمک کند که به عملکرد در محیط‌های پیچیده و نامشخص نیاز دارند.

منبع :  پهپاد