En la naturaleza, los animales voladores detectan los cambios que se avecinan en su entorno, incluida la aparición de turbulencias repentinas, y se adaptan rápidamente para mantenerse a salvo.
Los ingenieros que diseñan aeronaves querrían darles a sus vehículos la misma capacidad de predecir perturbaciones entrantes y responder adecuadamente.
De hecho, desastres como el fatal vuelo de Singapore Airlines el pasado mes de mayo en el que más de 100 pasajeros resultaron heridos después de que el avión se topara con turbulencias severas, podrían evitarse si las aeronaves tuvieran esas capacidades automáticas de detección y predicción combinadas con mecanismos para estabilizar el vehículo.
Ahora, un equipo de investigadores del Centro de Sistemas y Tecnologías Autónomas (CAST) de Caltech y Nvidia ha dado un paso importante hacia esas capacidades.
En un nuevo artículo el equipo describe una estrategia de control que han desarrollado para vehículos aéreos no tripulados, o UAV, llamada FALCON (Fourier Adaptive Learning and CONtrol).
La estrategia utiliza el aprendizaje por refuerzo, una forma de inteligencia artificial, para aprender de manera adaptativa cómo el viento turbulento puede cambiar con el tiempo y luego utiliza ese conocimiento para controlar un UAV en función de lo que está experimentando en tiempo real.
“La turbulencia espontánea tiene consecuencias importantes para todo, desde los vuelos civiles hasta los drones.
Con el cambio climático, los fenómenos meteorológicos extremos que causan este tipo de turbulencia están aumentando“, dice Mory Gharib, profesor Hans W. Liepmann de Aeronáutica e Ingeniería Médica, presidente de la Cátedra de Liderazgo Booth-Kresa de CAST y autor del nuevo artículo.
“La turbulencia extrema también surge en la interfaz entre dos flujos de cizallamiento diferentes, por ejemplo, cuando vientos de alta velocidad se encuentran con un estancamiento alrededor de un edificio alto.
Por lo tanto, los UAV en entornos urbanos deben poder compensar esos cambios repentinos. FALCON les brinda a estos vehículos una forma de comprender la turbulencia que se avecina y hacer los ajustes necesarios”.
FALCON no es la primera estrategia de control de UAV que utiliza el aprendizaje por refuerzo.
Sin embargo, las estrategias anteriores no han intentado aprender el modelo subyacente que representa verdaderamente cómo funcionan los vientos turbulentos.
En cambio, todos han sido métodos sin modelo. Dichos métodos se centran en maximizar una función de recompensa que no se puede utilizar para abordar diferentes entornos, como diferentes condiciones de viento o configuraciones de vehículos, sin volver a entrenarlos porque se centran en un solo entorno.
“Eso no es tan bueno en el mundo físico, donde sabemos que las situaciones pueden cambiar drásticamente y rápidamente“, dice Anima Anandkumar, profesora Bren de Ciencias Matemáticas y Computación en Caltech y autora del nuevo artículo.
“Necesitamos que la IA aprenda bien el modelo subyacente de la turbulencia para que pueda actuar en función de cómo cree que cambiará el viento”.
“Los avances en la IA fundamental cambiarán la faz de la industria de la aviación, mejorando la seguridad, la eficiencia y el rendimiento en una amplia gama de plataformas, incluidos los aviones de pasajeros, los UAV y los aviones de transporte.
Estas innovaciones prometen hacer que los viajes aéreos y las operaciones sean más inteligentes, seguros y optimizados“, afirma Kamyar Azizzadenesheli, coautor de Nvidia.
Como indica el acrónimo FALCON, la estrategia se basa en métodos de Fourier, lo que significa que se apoya en el uso de sinusoides u ondas periódicas para representar señales (en este caso, las condiciones del viento).
Las ondas proporcionan una buena aproximación de los movimientos estándar del viento, lo que reduce al mínimo los cálculos necesarios.
Dentro de esas ondas, cuando surge una turbulencia extrema, la inestabilidad se manifiesta como un cambio notable en la frecuencia.
“Si puede aprender a predecir esas frecuencias, entonces nuestro método puede brindarle una predicción de lo que se dirige hacia usted”, dice Gharib, quien también es director de los Laboratorios Aeroespaciales de Posgrado en Caltech.
“Los métodos de Fourier funcionan bien aquí porque las ondas turbulentas se modelan mejor en términos de frecuencias, ya que la mayor parte de su energía se encuentra en frecuencias bajas“, dice el coautor principal Sahin Lale, ahora ingeniero de investigación sénior en Neural Propulsion Systems, Inc., que completó el trabajo mientras estaba en Caltech.
“Usar este conocimiento previo simplifica tanto el aprendizaje como el control de la dinámica turbulenta, incluso con una cantidad limitada de información”.
Para probar la eficacia de la estrategia FALCON, los investigadores crearon una configuración de prueba extremadamente desafiante en el túnel de viento John W. Lucas en Caltech.
Utilizaron un sistema de ala aerodinámica completamente equipado como su UAV representativo, equipándolo con sensores de presión y superficies de control que podían realizar ajustes en línea a cosas como la altitud y la guiñada del sistema.
Luego colocaron un cilindro grande con un accesorio móvil en el túnel de viento. Cuando el viento fluía sobre el cilindro, creaba fluctuaciones aleatorias importantes en el viento que llegaba al perfil aerodinámico.
“Entrenar un algoritmo de aprendizaje de refuerzo en un entorno físico turbulento presenta todo tipo de desafíos únicos“, dice Peter I. Renn, coautor principal del artículo, que ahora es estratega cuantitativo en Virtu Financial.
“No podíamos confiar en señales perfectamente limpias o simulaciones de flujo simplificadas, y todo tenía que hacerse en tiempo real”.
Después de unos nueve minutos de aprendizaje, el sistema asistido por FALCON pudo estabilizarse en este entorno extremo.
“Con cada nueva observación, el programa mejora porque tiene más información”, dice Anandkumar.
“El futuro realmente depende de cuán poderoso se vuelva el software en términos de necesitar cada vez menos entrenamiento”, dice Gharib.
“La adaptación rápida será el desafío, y vamos a presionar, presionar, presionar”.
De cara al futuro, agrega que los investigadores prevén dar a los UAV e incluso a los aviones de pasajeros la capacidad de compartir información detectada y aprendida sobre las condiciones entre sí.
Este intercambio de mediciones de sensores y aprendizaje basado en inteligencia artificial entre aviones, especialmente cuando se encuentran cerca de una perturbación, podría ayudar a mantener la seguridad de las aeronaves.
“Creo que eso va a suceder”, dice Gharib.
“De lo contrario, las cosas se volverán bastante peligrosas a medida que aumente la frecuencia de los fenómenos meteorológicos extremos”.
Fuente: Nature
Los materiales magnéticos son esenciales para nuestra tecnología, desde discos duros hasta microchips. (more…)
Un equipo de investigación dirigido por la QUT ha desarrollado una película ultradelgada y flexible…
Un equipo dirigido por el profesor Jang Kyung-In del Departamento de Robótica e Ingeniería Mecatrónica…
Científicos de Corea del Sur han desarrollado enjambres de pequeños robots magnéticos que trabajan juntos…
El Instituto de Surrey para la Inteligencia Artificial Centrada en las Personas (PAI) de la…
RT-G es un robot avanzado diseñado para escenarios de confrontación. (more…)
