Treinando drones para navegação segura

E se drones e robôs pudessem navegar em ambientes lotados com segurança sem o planejamento complexo de caminhos?Aprenda como um novo método é escalado de alguns agentes para milhares.

Os engenheiros do MIT desenvolveram um método de treinamento para sistemas multiagentes que garantem operação segura em ambientes lotados.As margens e controles de segurança instruídos podem escalar automaticamente para grupos maiores treinando alguns agentes, mantendo a segurança geral do sistema.Nos testes do mundo real, os drones do tamanho de uma palmeira trocaram com sucesso as posições no meio do voo e pousaram em veículos em movimento.As simulações confirmaram que o mesmo treinamento, aplicado a alguns drones, poderia ser estendido a milhares, permitindo operações coordenadas em larga escala, garantindo a segurança.

Margens do shopping
A equipe do MIT desenvolveu um método para treinar alguns agentes para manobrar com segurança de uma maneira que escala eficientemente para sistemas maiores.Em vez de planejar caminhos específicos para cada agente, o método lhes permite mapear continuamente suas margens de segurança - explosões que definem operação segura.Os agentes podem então seguir vários caminhos para concluir as tarefas, desde que permaneçam dentro dessas margens.Os pesquisadores comparam essa abordagem de como os humanos navegam intuitivamente ao ambiente.


Barreira de segurança
Em seu estudo, a equipe do MIT introduziu o GCBF+ (função da barreira de controle de gráficos), um método para garantir a navegação segura em sistemas multiagentes.Uma função de barreira define um limite de segurança além do qual um agente corre o risco de se tornar inseguro, e esse limite muda dinamicamente à medida que os agentes se movem e interagem.As abordagens tradicionais exigem o cálculo das zonas de segurança para todos os agentes em relação a todos os outros, que podem ser computacionalmente complexos.O GCBF+ simplifica isso computando zonas de segurança para apenas um pequeno subconjunto de agentes, representando com precisão o comportamento de um sistema maior.O método considera o raio de detecção de um agente - como grande parte do seu ambiente pode observar - e usa simulações para desenvolver um controlador que orienta os agentes, mantendo a segurança.

A equipe testou o GCBF+ usando oito Crazyflies, pequenos drones quadrotores, que ajustaram com sucesso seus caminhos em tempo real para trocar de posição no ar sem colisões.Os drones se evitaram mapeando continuamente suas zonas de segurança e fazendo as correções necessárias do curso.Em outro teste, os drones foram encarregados de pousar em tartarugas em movimento, robôs com rodas dirigindo em círculo.Apesar do movimento contínuo, os loucos coordenaram seus desembarques, evitando colisões, demonstrando a eficácia do método em ambientes dinâmicos.