Инженеры Калифорнийского технологического института (Caltech) разработали метод для одновременного управления роем дронов. Множество беспилотников благодаря решению перемещается без столкновений.
Координация одновременно движущихся роботов – это одна из главных проблем для робототехники в широком спектре приложений: поиск и спасение людей в городских условиях; управление парками самоуправляемых транспортных средств; контроль роя дронов.
Также, по словам ученых, затрудняют координацию два ключевых фактора:
- для перемещения в неизвестном пространстве устройства должны принимать решения о построении траектории полета за доли секунд, но полные данные о маршруте могут отсутствовать;
- присутствие большего количества роботов на одной территории осложняет их взаимодействия (и увеличивает вероятность столкновений).
Поэтому исследователи разработали многопрофильный алгоритм планирования движения GLAS (Global-to-Local Safe Autonomy Synthesis; Cинтез глобальной и локальной безопасной автономии). Метод имитирует планировщик с использованием только локальных данных. В дополнение к GLAS используется контроллер Neural-Swarm, который отслеживает несколько устройств для изучения сложных аэродинамических взаимодействий в полете с дронами поблизости.
При совместном применении двух решений роботу и дрону не требуется полноценная информация об окружающей обстановке: устройства обучаются перемещению в полете и интегрируют новые данные. Разработанный метод управления может проводить децентрализованные вычисления: каждый робот «думает» сам за себя, что облегчает масштабирование размеров роя.
Для тестов исследователи на 16-ти квадрокоптерах использовали GLAS и Neural-Swarm и дистанционно управляли ими. Результаты показали: GLAS превосходит передовой алгоритм планирования движения нескольких роботов на 20% во множестве сценариев. Neural-Swarm превзошел показатели коммерческих контроллеров, неспособных учитывать аэродинамические взаимодействия. Neural-Swarm к тому же в четыре раза реже ошибался при ориентации дронов в трехмерном пространстве.
Проекты ученых показали высокий потенциал интеграции современных методов машинного обучения в мультиагентное планирование и управление. Работы, описывающие решения, опубликованы в Robotics and Automation Letters 2020 и International Conference on Robotics and Automation (ICRA) 2020.
