{{{sourceTextContent.title}}}

Neural Lander' utilise l'IA pour faire atterrir les drones en douceur

{{{sourceTextContent.subTitle}}}

L'atterrissage en douceur des drones multirotors est difficile. La turbulence complexe est créée par le flux d'air de chaque rotor qui rebondit sur le sol à mesure que le sol se rapproche pendant une descente

{{{sourceTextContent.description}}}

Cette turbulence n'est pas bien comprise et n'est pas facile à compenser, en particulier pour les drones autonomes. C'est pourquoi le décollage et l'atterrissage sont souvent les deux parties les plus délicates d'un vol de drone. Les drones oscillent généralement lentement vers un atterrissage jusqu'à ce que la puissance soit finalement coupée et qu'ils laissent tomber la distance restante jusqu'au sol.

Au Centre des systèmes et technologies autonomes (CAST) de Caltech, des experts en intelligence artificielle se sont associés à des experts en contrôle pour développer un système qui utilise un réseau neuronal profond pour aider les drones autonomes à "apprendre" à atterrir plus rapidement et en toute sécurité, en consommant moins d'énergie. Le système qu'ils ont créé, appelé "Neural Lander", est un contrôleur basé sur l'apprentissage qui suit la position et la vitesse du drone, et modifie sa trajectoire d'atterrissage et la vitesse du rotor en conséquence pour obtenir l'atterrissage le plus doux possible.

"Ce projet a le potentiel d'aider les drones à voler en douceur et en toute sécurité, en particulier en présence de rafales de vent imprévisibles, et à consommer moins d'énergie de batterie car les drones peuvent atterrir plus rapidement ", déclare Soon-Jo Chung, professeur Bren en aérospatiale à la Division of Engineering and Applied Science (EAS) et chercheur scientifique au JPL, que Caltech gère pour la NASA. Le projet est le fruit d'une collaboration entre Anima Anandkumar, professeur Bren d'informatique et de sciences mathématiques, et Yisong Yue, professeur adjoint d'informatique et de sciences mathématiques, experts en intelligence artificielle (IA) de Chung et Caltech.

Un article décrivant l'atterrisseur neuronal sera présenté à la conférence internationale sur la robotique et l'automatisation de l'Institute of Electrical and Electronics Engineers (IEEE) le 22 mai. Les coauteurs principaux de l'article sont Guanya Shi, étudiante diplômée de Caltech, dont les travaux de doctorat sont supervisés conjointement par Chung et Yue, ainsi que Xichen Shi et Michael O'Connell, qui sont les étudiants au doctorat du groupe Robotique et contrôle aérospatiaux de Chung.

Les réseaux neuronaux profonds (DNN) sont des systèmes d'IA qui s'inspirent de systèmes biologiques comme le cerveau. La partie "profonde" du nom fait référence au fait que les données d'entrée sont brassées à travers plusieurs couches, chacune d'entre elles traitant les informations entrantes d'une manière différente pour en extraire des détails de plus en plus complexes. Les DNN sont capables d'apprentissage automatique, ce qui les rend parfaitement adaptés aux tâches répétitives.

Pour s'assurer que le drone vole en douceur sous la direction du DNN, l'équipe a employé une technique connue sous le nom de normalisation spectrale, qui lisse les sorties du réseau neuronal afin qu'il ne fasse pas de prédictions très variables à mesure que les entrées/conditions changent. Les améliorations à l'atterrissage ont été mesurées en examinant l'écart par rapport à une trajectoire idéalisée dans l'espace 3D. Trois types d'essais ont été effectués : un atterrissage vertical en ligne droite, un atterrissage en arc de cercle descendant et un vol au cours duquel le drone racle une surface cassée, par exemple au-dessus du bord d'une table, où l'effet de la turbulence du sol varie fortement.

Le nouveau système réduit l'erreur verticale de 100 %, ce qui permet des atterrissages contrôlés, et réduit la dérive latérale jusqu'à 90 %. Dans leurs expériences, le nouveau système permet d'obtenir un atterrissage réel plutôt que de rester coincé à environ 10 à 15 centimètres au-dessus du sol, comme le font souvent les contrôleurs de vol conventionnels non modifiés. De plus, pendant le test d'écrémage, l'atterrisseur neuronal a produit une transition beaucoup plus douce alors que le drone passait de l'écrémage sur la table au vol dans l'espace libre au-delà du bord.

"Avec moins d'erreurs, le Neural Lander est capable d'atterrir plus rapidement, plus en douceur et de glisser en douceur sur la surface du sol," dit Yue. Le nouveau système a été mis à l'essai à l'aérodrome de trois étages de CAST, qui peut simuler une variété presque illimitée de conditions de vent extérieur. Ouvert en 2018, le CAST est une installation de 10 000 pieds carrés où les chercheurs de l'EAS, du JPL et de la Division des sciences géologiques et planétaires de Caltech s'unissent pour créer la prochaine génération de systèmes autonomes, tout en faisant progresser la recherche sur les drones, l'exploration autonome et les systèmes bioinspirés.

"Cet effort interdisciplinaire réunit des experts de l'apprentissage machine et des systèmes de commande. Nous avons à peine commencé à explorer les riches liens qui existent entre les deux régions ", dit Anandkumar.

Outre ses applications commerciales évidentes - Chung et ses collègues ont déposé un brevet sur le nouveau système - le nouveau système pourrait s'avérer crucial pour les projets en cours de développement au CAST, y compris un transport médical autonome qui pourrait atterrir dans des endroits difficiles d'accès (comme un trafic engorgé). "On ne saurait trop insister sur l'importance de pouvoir atterrir rapidement et en douceur lors du transport d'une personne blessée ", déclare Morteza Gharib, titulaire de la chaire Hans W. Liepmann d'aéronautique et de génie bioinspiré, directeur du CAST et l'un des chercheurs principaux du projet d'ambulance aérienne.