Learning-based quadrotor tracking control using Recursive Gaussian Processes

إن طيران الطائرات بدون طيار (الدرون) هو عملية توازن دقيق، وتفاوض مستمر بين قوانين الفيزياء والبرمجيات التي تحاول التحكم فيها. بالنسبة لطائرة "كوادروتور" (quadrotor)، وهي طائرة صغيرة ذات أربعة مراوح دوارة، فإن البقاء على مسار دقيق أمر صعب لأن الهواء المحيط بها لا يكون ساكناً تماماً أبداً. فلفحات الرياح، والدوامات المعقدة من الهواء التي تخلقها المراوح نفسها، والعيوب الطفيفة في بناء الآلة، كلها عوامل تتآمر معاً لإخراجها عن مسارها. تعتمد أنظمة التحكم في الطيران التقليدية على نماذج رياضية للتنبؤ بكيفية تحرك الدرون، لكن هذه النماذج ليست مثالية أبداً. وعندما يختلف الواقع عن الرياضيات، تتعثر الطائرة، ويصبح تتبعها للمسار بطيئاً أو مهتزاً. لسنوات طويلة، حاول المهندسون إصلاح ذلك عبر تعليم الحواسيب التعلم من أخطائها، باستخدام التعلم الآلي لسد الثغرات في النموذج. ومع ذلك، كانت هذه الأنظمة الذكية تاريخياً ثقيلة جداً بحيث لا يمكن لحاسوب الدرون الخاص تشغيلها أثناء الطيران، مما أجبر الباحثين على اختبارها فقط في عمليات المحاكاة أو على الأرض.

لقد نجح فريق من الباحثين في جامعة "بوليتكنيكو دي ميلانو" الآن في جسر هذه الفجوة، حيث ابتكروا نظاماً يسمح لطائرة درون حقيقية بالتعلم وتصحيح مسار طيرانها أثناء وجودها في الجو. لقد طوروا طريقة تجمع بين وحدة تحكم قياسية في الطيران وخوارزمية تعلم تسمى "عملية غاوس التكرارية" (Recursive Gaussian Process). فكر في خوارزمية التعلم هذه كنظام ذاكرة عالي الكفاءة، لا يقوم بمجرد تخزين كل قطعة بيانات يواجهها -مما قد يؤدي سريعاً إلى إرهاق حاسوب صغير- بل يحتفظ بملخص مكثف ومنتقى لأهم المعلومات. وهذا يسمح للدرون بتحديث فهمها للرياح وعيوبها الخاصة في الوقت الفعلي، دون الحاجة إلى التوقف ومعالجة قاعدة بيانات ضخمة. اختبر الباحثون هذا النظام على طائرة "كوادروتور" حقيقية تسمى "ANT-X Lab"، حيث طيروها عبر سلسلة من المسارات الموجية المعقدة في ساحة داخلية. وكانت النتائج واضحة: من خلال السماح للدرون بتعلم أخطائها أثناء الطيران، قلل النظام من أخطاء التتبع بنسبة تتراوح بين 38% و75% مقارم بالدرون نفسه الذي يطير بدون هذه القدرة على التعلم.

كان التحدي الأساسي الذي واجهه الباحثون هو التكلفة الحسابية للتعلم. فنماذج التعلم الآلي القياسية التي تستخدم "عمليات غاوس" قوية للغاية في التنبؤ بالسلوكيات غير المعروفة، لكنها تتطلب عادةً من الحاسوب إعادة حساب كل شيء من الصفر في كل مرة تصل فيها بيانات جديدة. وبالنسبة لدرون يطير بسرعة عالية، فإن هذا الأمر يكون بطيئاً جداً. وقد حل الباحثون هذه المشكلة باستخدام نهج "تكراري". فبدلاً من معاملة كل ملاحظة جديدة كبداية جديدة، يقوم النظام بتحديث نموذجه الداخلي بشكل تدريجي، تماماً مثل شخص يصقل خريطة ذهنية أثناء سيره في مدينة جديدة، بدلاً من إعادة رسم الخريطة بأكملها مع كل خطوة. ولجعل العملية أسرع، قاموا باختيار مجموعة ثابتة مسبقاً من نقاط المرجع، أو ما يسمى "متجهات الأساس" (basis vectors)، والتي تغطي النطاق المحتمل لحركات الدرون. ثم تقوم خوارزمية التعلم فقط بتعديل القيم المرتبطة بهذه النقاط الثابتة، بدلاً من محاولة تذكر كل لحظة من لحظات الطيران. هذه الحيلة قللت من العبء الحسابي بما يكيد كافياً لتشغيل النظام بأكره مباشرة على الحاسوب الموجود على متن الدرون، وهو ما يعد قفزة نوعية من المحاولات السابقة التي كانت تتطلب محطة أرضية منفصلة وقوية للقيام بعملية التفكير.

ولضمان قدرة الدرون على التعلم بأمان وفعالية، صمم الفريق سير عمل محدداً. قبل بدء عملية التعلم، تحوم الطائرة وتستقر في مكانها. ثم تتبعها فترة "إحماء" مدتها أربع ثوانٍ تسمح للنظام بجمع البيانات الأولية وضبط إعداداته الداخلية دون محاولة تصحيح مسار الطيران فوراً؛ وهذا يمنع الدرون من المبالغة في رد الفعل تجاه الضوضاء أو الحركات المفاجئة وغير المعتادة. وبمجرد أن يصبح النظام جاهزاً، يبدأ في "الاستماع" إلى الفرق بين المكان الذي أُمرت الذهاب إليه والمكان الذي ذهبت إليه بالفعل. هذا الفرق، الناتج عن الرياح أو السحب الديناميكي الهوائي، هو ما تحاول خوارزمية التعلم التنبؤ به وإلغائه. استخدم الباحثون تقنية ترشيح خاصة لتنعيم بيانات المستشعرات الخام، مما يضمن أن الدرون لا يتعلم من مجرد خلل عشوائي في المستشعرات بل من أنماط حقيقية في الهواء. سمحت هذه التحضيرات الدقيقة لنظام التعلم بالتركيز على الفيزياء الحقيقية للطيران، بدلاً من التركيز على ضجيج المستشعرات.

تضمنت التجارب طيران الدرون على طول مسارات مختلفة تشبه الموجات (sinusoidal). بعض المسارات كررت نفس النمط مراراً وتكراراً، بينما تغير شكل بعضها الآخر أو سرعتها باستمرار، لاختبار ما إذا كان النظام يمكنه التكيف مع مواقف جديدة لم يسبق له رؤيتها. وفي الاختبارات، طُلب من الدرون اتباع مسارات ذات سرعات وسعات مختلفة، بالتحرك ذهاباً وإياباً في خط مستقيم. وأظهرت النتائج أن وحدة التحكم القائمة على التعلم تفوقت بشكل كبير على وحدة التحكم القياسية. فعند الطيران في نمط موجي منتظم ومتكرر بسرعة متوسطة، قلل نظام التعلم متوسط الخطأ إلى 4.5 سنتيمتر فقط، وهو تحسن هائل مقارنة بخطأ قدره 17.3 سنتيمتر سجلته وحدة التحكم القياسية. وحتى عندما تغير مسار الطيران باستمرار، كما في الحركة المتمايلة حيث تختلف السرعة والاتجاه، تمكن نظام التعلم من خفض الخطأ بنسبة تقارب 40%. وكان التحسن أكثر وضوحاً عندما كان الدرون يطير ضمن نطاق الظروف التي شهدها خلال مرحلة التعلم، ومع ذلك فقد قدم فوائد كبيرة حتى في الظروف الجديدة والمتغيرة.

أحد أهم جوانب هذا العمل هو أنه يثبت أن التحكم القائم على التعلم يمكن أن يتم بأمان وفعالية على الأجهزة الحقيقية، وليس فقط في محاكاة الكمبيوتر. لقد أثبت الباحثون أن النظام يمكنه التعامل مع تعقيدات بيئة العالم الحقيقي، بما في ذلك التأثيرات الديناميكية الهوائية الدقيقة التي يصعب نمذجتها رياضياً. ومن خلال تشغيل الخوارزمية بنجاح على متن الطائرة، أظهروا أن القيود الحسابية للدرونات الصغيرة لم تعد عائقاً صلباً أمام استخدام تقنيات التعلم المتقدمة. كما سلطت الدراسة الضوء على أهمية كيفية ضبط نظام التعلم؛ فقد طور الباحثون طريقة جديدة لضبط المعلمات الداخلية للنظام، باستخدام تقنية مستوحاة من طريقة عمل "مرشحات كالمان" (Kalman filters)، مما سمح للنظام بإيجاد أفضل الإعدادات للتعلم بشكل أكثر فعالية من الطرق السابقة. كان هذا الضبط حاسماً لضمان عدم تحول الدرون إلى حالة من الحساسية المفرطة أو عدم الاستقرار أثناء التعلم.

إن نجاح هذا المشروع يشير إلى مستقبل يمكن فيه للطائرات بدون طيار أن تكون أكثر استقلالية وقدرة على التعامل مع المهام المعقدة في بيئات غير متوقعة. فإذا تمكنت درون التوصيل من التعلم للتعويض عن هبة ريح مفاجئة أو تغير في كثافة الهواء دون تدخل بشري، فستصبح أداة أكثر موثوقية. إن عمل الباحثين يوفر مساراً ملموساً للمضي قدماً، حيث يظهر أنه من خلال الجمع بين نظرية التحكم الكلاسيكية وخوارزميات التعلم الحديثة والفعالة، يمكن إنشاء أنظمة طيران ذكية وقوية في آن واحد. كان المفتاح ليس في التعلم نفسه فحسب، بل في الهندسة التي جعلت هذا التعلم سريعاً بما يكفي ليحدث في الوقت الفعلي. فمن خلال إبقاء المتطلبات الحسابية منخفضة وعملية التعلم مركزة، حول الفريق مفهوماً نظرياً إلى واقع عملي، مثبتاً أن درون صغيرة يمكنها بالفعل أن تتعلم كيف تطير بشكل أفضل بينما هي تطير.