Drones aanpassen aan turbulentie

Een Amerikaans onderzoeksteam werkt aan een methode met kunstmatige intelligentie om de stabiliteit van luchtvaartuigen tijdens sterke turbulentie te verbeteren.

In de natuur voelen vliegende dieren aankomende veranderingen in hun omgeving, waaronder het begin van plotselinge turbulentie. Ze kunnen zich snel passen om veilig te blijven. Ingenieurs die vliegtuigen ontwerpen, willen hun voertuigen dezelfde mogelijkheid geven om inkomende verstoringen te voorspellen en hierop adequaat te reageren. Rampen met vliegtuigen die te maken krijgen met zware turbulentie zouden kunnen worden voorkomen als de automatische detectie- en voorspellingsmogelijkheden zouden hebben in combinatie met mechanismen om het voertuig te stabiliseren.

Reageren op turbulentie

Een team van onderzoekers van het Center for Autonomous Systems and Technologies aan het California Institute of Technology (Caltech) in Pasadena en Nvidia hebben een belangrijke stap gezet in de richting van dergelijke mogelijkheden. Het team heeft een besturingsstrategie voor onbemande luchtvaartuigen (UAV's) ontwikkeld, Falcon genaamd (Fourier Adaptive Learning and CONtrol). De strategie maakt gebruik van reinforcement learning om adaptief te leren hoe turbulente wind in de loop van de tijd kan veranderen. Die kennis wordt vervolgens gebruikt om een UAV te besturen op basis van wat het in real-time ervaart.

Turbulentie heeft grote gevolgen voor alles wat vliegt, van burgervluchten tot drones. Met klimaatverandering nemen extreme weersomstandigheden die dit type turbulentie veroorzaken toe. Extreme turbulentie ontstaat ook op het grensvlak tussen twee verschillende schuifstromen, bijvoorbeeld wanneer snelle winden stagnatie ontmoeten rond een hoog gebouw. Daarom moeten drones in stedelijke omgevingen dergelijke plotselinge veranderingen kunnen compenseren. Falcon biedt deze luchtvaartuigen een manier om de turbulentie die eraan komt te begrijpen en de nodige aanpassingen te doen.

Reinforcement learning

Falcon is niet de eerste UAV-besturingsstrategie die reinforcement learning gebruikt. Eerdere strategieën hebben echter niet geprobeerd het onderliggende model te leren dat weergeeft hoe turbulente winden werken. In plaats daarvan waren het modelvrije methoden. Deze richten zich op het maximaliseren van een beloningsfunctie die zonder hertraining niet kan worden gebruikt om verschillende instellingen aan te pakken (zoals verschillende windomstandigheden of luchtvaartuigconfiguraties). Deze methoden richten zich op slechts één omgeving.

Dat werkt niet goed in de fysieke wereld, waar situaties drastisch en snel kunnen veranderen. Er is kunstmatige intelligentie nodig om het onderliggende model van turbulentie goed te leren, zodat het actie kan ondernemen op basis van hoe het denkt dat de wind zal veranderen. Vooruitgang in fundamentele AI zal het gezicht van de luchtvaartindustrie veranderen, door de veiligheid, efficiëntie en prestaties op een reeks platforms te verbeteren. Dat geldt voor passagiersvliegtuigen en drones, maar ook voor vliegdekschepen. Deze innovaties beloven luchtreizen en -operaties slimmer, veiliger en gestroomlijnder te maken.

Fourier-methoden

Zoals het acroniem Falcon al zegt, is de strategie gebaseerd op Fourier-methoden. De strategie is dus afhankelijk van het gebruik van sinusoïden, periodieke golven, om signalen weer te geven. In dit geval zijn dat windomstandigheden. De golven bieden een goede benadering van standaard windbewegingen, waardoor de benodigde berekening tot een minimum wordt beperkt. Wanneer extreme turbulentie optreedt, verschijnt de onvastheid binnen die golven als een merkbare verandering in frequentie. Als de AI kan leren hoe die frequenties te voorspellen, kan de nieuwe methode een voorspelling geven van wat er op het luchtvaartuig afkomt.

Fourier-methoden werken hier goed omdat turbulente golven beter gemodelleerd worden in termen van frequenties, waarbij het grootste deel van hun energie in lage frequenties ligt. Het gebruiken van deze voorkennis vereenvoudigt zowel het leren als de controle van turbulente dynamiek, zelfs met een beperkte hoeveelheid informatie.

Testen

Om de effectiviteit van de Falcon-strategie te testen, creëerden de onderzoekers een uitdagende testopstelling in de windtunnel bij Caltech. Ze gebruikten een volledig uitgerust vleugelsysteem met vleugelprofielen als hun representatieve UAV. De onderzoekers voorzagen het systeem van druksensoren en bedieningsoppervlakken die online aanpassingen konden maken aan zaken als de hoogte en gier van het systeem. Vervolgens plaatsten ze een grote cilinder met een beweegbare bevestiging in de windtunnel. Wanneer de wind over de cilinder stroomde, ontstonden er willekeurige, grote schommelingen in de wind die het vleugelprofiel bereikte.

Het trainen van een reinforcement learning algoritme in een fysieke turbulente omgeving brengt allerlei uitdagingen met zich mee. De onderzoekers konden niet vertrouwen op perfect schone signalen of vereenvoudigde stromingssimulaties, en alles moest in realtime worden gedaan. Na ongeveer negen minuten leren was het door Falcon ondersteunde systeem in staat zichzelf te stabiliseren in deze extreme omgeving. Met elke nieuwe observatie wordt het programma beter omdat het meer informatie heeft.

De toekomst

De toekomst hangt af van hoe krachtig de software wordt in termen van hoe minder training er nodig is. Snelle aanpassing wordt de uitdaging. Met het oog op de toekomst kunnen de onderzoekers zich voorstellen dat UAV's en passagiersvliegtuigen de mogelijkheid krijgen om waargenomen en geleerde informatie over omstandigheden met elkaar te delen. Dergelijke uitwisseling van vliegtuig tot vliegtuig van sensormetingen en op kunstmatige intelligentie gebaseerd leren, vooral in de buurt van een verstoring, zou kunnen helpen om vliegtuigen veilig te houden.

De onderzoekers verwachten dat dit zal gaan gebeuren. Anders worden dingen behoorlijk gevaarlijk naarmate extreme weersomstandigheden in frequentie toenemen.

Foto: Caltech