Lorsque plusieurs drones travaillent ensemble dans le même espace aérien, pulvérisant peut-être des pesticides sur un champ de maïs, il y a un risque qu’ils se percutent.
Pour aider à éviter ces accidents coûteux, les chercheurs du MIT ont présenté en 2020 un système appelé MADER. Ce planificateur de trajectoire multi-agents permet à un groupe de drones de formuler des trajectoires optimales et sans collision. Chaque agent diffuse sa trajectoire afin que les autres drones sachent où il prévoit d’aller. Les brokers prennent ensuite en compte les trajectoires des autres lorsqu’ils optimisent les leurs pour s’assurer qu’ils n’entrent pas en collision.
Mais lorsque l’équipe a testé le système sur de vrais drones, ils ont constaté que si un drone ne dispose pas d’informations à jour sur les trajectoires de ses partenaires, il peut sélectionner par inadvertance une trajectoire qui entraîne une collision. Les chercheurs ont remanié leur système et déploient maintenant Strong MADER, un planificateur de trajectoire multi-brokers qui génère des trajectoires sans collision même lorsque les communications entre agents sont retardées.
“MADER fonctionnait très bien dans les simulations, mais il n’avait pas été testé sur le matériel. Nous avons donc construit un tas de drones et commencé à les faire voler. Les drones ont besoin de se parler pour partager des trajectoires, mais une fois que vous commencez à voler, vous vous rendez compte assez rapidement qu’il y a toujours des retards de interaction qui introduisent des pannes », explique Kota Kondo, étudiant diplômé en aéronautique et astronautique.
L’algorithme intègre une étape de vérification du délai au cours de laquelle un drone go to un sure temps avant de s’engager sur une nouvelle trajectoire optimisée. S’il reçoit des informations de trajectoire supplémentaires d’autres drones pendant la période de retard, il peut abandonner sa nouvelle trajectoire et recommencer le processus d’optimisation.
Lorsque Kondo et ses collaborateurs ont testé Robust MADER, à la fois dans des simulations et des expériences de vol avec de vrais drones, il a atteint un taux de réussite de 100 % pour générer des trajectoires sans collision. Alors que le temps de trajet des drones était un peu in addition lent qu’il ne le serait avec d’autres approches, aucune autre ligne de foundation ne pouvait garantir la sécurité.
“Si vous voulez voler additionally en sécurité, vous devez être prudent, il est donc raisonnable que si vous ne voulez pas entrer en collision avec un impediment, il vous faudra additionally de temps pour arriver à vacation spot. Si vous entrez en collision avec quelque selected, non quelle que soit la vitesse à laquelle vous roulez, cela n’a pas vraiment d’importance car vous n’atteindrez pas votre desired destination », déclare Kondo.
Kondo a écrit l’article avec Jesus Tordesillas, un write-up-doc Parker C. Lusk, étudiant diplômé Reinaldo Figueroa, Juan Rached et Joseph Merkel, étudiants de leading cycle du MIT et l’auteur principal Jonathan P. How, professeur d’aéronautique et d’astronautique Richard C. Maclaurin et membre du MIT-IBM Watson AI Lab. La recherche sera présentée à la Conférence internationale sur les robots et l’automatisation.
Trajectoires de planification
MADER est un planificateur de trajectoires asynchrone, décentralisé et multi-agents. Cela signifie que chaque drone formule sa propre trajectoire et que, si tous les agents doivent se mettre d’accord sur chaque nouvelle trajectoire, ils n’ont pas besoin de se mettre d’accord en même temps. Cela rend MADER moreover évolutif que d’autres approches, auto il serait très difficile pour des milliers de drones de s’accorder simultanément sur une trajectoire. En raison de sa nature décentralisée, le système fonctionnerait également mieux dans des environnements réels où les drones peuvent voler loin d’un ordinateur central.
Avec MADER, chaque drone optimise une nouvelle trajectoire grâce à un algorithme qui intègre les trajectoires qu’il a reçues des autres agents. En optimisant et en diffusant continuellement leurs nouvelles trajectoires, les drones évitent les collisions.
Mais peut-être qu’un agent a partagé sa nouvelle trajectoire il y a quelques secondes, mais un autre agent ne l’a pas reçue tout de suite car la conversation a été retardée. Dans les environnements réels, les signaux sont souvent retardés par les interférences d’autres appareils ou par des facteurs environnementaux tels que les tempêtes. En raison de ce retard inévitable, un drone peut s’engager par inadvertance sur une nouvelle trajectoire qui le area sur une trajectoire de collision.
MADER robuste évite de telles collisions automobile chaque agent dispose de deux trajectoires. Il preserve une trajectoire dont il sait qu’elle est sûre et dont il a déjà vérifié les collisions potentielles. Tout en suivant cette trajectoire d’origine, le drone optimise une nouvelle trajectoire mais ne s’engage pas sur la nouvelle trajectoire tant qu’il n’a pas terminé une étape de vérification du retard.
Pendant la période de vérification du retard, le drone passe un temps fixe à vérifier à plusieurs reprises les communications d’autres agents pour voir si sa nouvelle trajectoire est sûre. S’il détecte une collision potentielle, il abandonne la nouvelle trajectoire et recommence le processus d’optimisation.
La durée de la période de contrôle des retards dépend de la length entre les brokers et des facteurs environnementaux qui pourraient entraver les communications, explique Kondo. Si les agents sont éloignés de plusieurs kilomètres, par exemple, la période de vérification des délais devrait être as well as longue.
Complètement sans collision
Les chercheurs ont testé leur nouvelle approche en exécutant des centaines de simulations dans lesquelles ils ont artificiellement introduit des retards de interaction. Dans chaque simulation, Sturdy MADER a réussi à 100 % à générer des trajectoires sans collision, tandis que toutes les lignes de base ont provoqué des collisions.
Les chercheurs ont également construit 6 drones et deux hurdles aériens et testé Sturdy MADER dans un environnement de vol multi-brokers. Ils ont constaté que, alors que l’utilisation de la model originale de MADER dans cet environnement aurait entraîné sept collisions, Robust MADER n’a provoqué aucun plantage dans aucune des expériences matérielles.
“Jusqu’à ce que vous pilotiez réellement le matériel, vous ne savez pas ce qui pourrait causer un problème. Parce que nous savons qu’il y a une différence entre les simulations et le matériel, nous avons rendu l’algorithme robuste, donc cela a fonctionné dans les drones réels, et voir cela dans l’entraînement était très gratifiant », dit Kondo.
Les drones pouvaient voler à 3,4 mètres par seconde avec Sturdy MADER, bien qu’ils aient eu un temps de trajet moyen légèrement moreover long que certaines lignes de foundation. Mais aucune autre méthode n’était parfaitement sans collision dans toutes les expériences.
À l’avenir, Kondo et ses collaborateurs souhaitent tester Robust MADER à l’extérieur, où de nombreux obstacles et varieties de bruit peuvent affecter les communications. Ils souhaitent également équiper les drones de capteurs visuels afin qu’ils puissent détecter d’autres agents ou road blocks, prédire leurs mouvements et inclure ces informations dans les optimisations de trajectoire.
Ce travail a été soutenu par Boeing Exploration and Know-how.