Il sogno degli sciami di droni — centinaia di piccole macchine che si muovono come un unico pensiero per costruire strutture, consegnare rifornimenti o mappare zone colpite da disastri — è stato a lungo ostacolato da un ostinato problema di fisica e tempo. Per insegnare a un singolo drone come volare, gli ingegneri utilizzano spesso simulazioni informatiche che imitano il mondo reale. Tuttavia, esiste un costante compromesso tra velocità e precisione. Una simulazione semplice e veloce tratta un drone come un singolo punto di peso, ignorando come i suoi rotori girino, come il suo corpo si inclini e come l'aria prema contro di esso. Questa velocità permette ai ricercatori di eseguire migliaia di voli di prova in pochi secondi, ma le lezioni apprese spesso falliscono quando applicate a una macchina reale perché il modello semplice omette i sottili ritardi e le forze del mondo reale. Al contrario, una simulazione altamente accurata che tenga conto di ogni dettaglio fisico è incredibilmente lenta. Quando i ricercatori cercano di insegnare a un intero team di droni in un ambiente così preciso, il computer va in crisi. Ogni volta che due droni si avvicinano, il software deve calcolare la complessa fisica della loro potenziale collisione, un compito che diventa esponenzialmente più difficile man mano che si aggiungono più droni. Il risultato è spesso un crash digitale, che costringe il processo di apprendimento a ricominciare da capo, rendendo quasi impossibile addestrare grandi gruppi in modo efficiente.

I ricercatori Maxim Mednikov e Oren Gal dell'Università di Haifa hanno trovato un modo per aggirare completamente questo collo di bottiglia. Invece di costringere il computer a imparare da zero in un mondo perfetto ma lento, o fare affidamento su uno veloce ma imperfetto, hanno creato un metodo che combina il meglio dei due senza i costi abituali. Il loro approccio, testato in simulazioni al computer, permette a un team di droni di apprendere compiti cooperativi complessi utilizzando un modello semplice e veloce, mentre una piccola correzione pre-calcolata assicura che il comportamento rimanga abbastanza accurato per il mondo reale. La chiave di volta è che le differenze tra il modello semplice e la realtà complessa possono essere apprese una sola volta, usando un solo drone, e poi applicate a qualsiasi numero di droni, indipendentemente da quanto grande sia il team.

Il processo inizia con una simulazione semplice e veloce in cui un drone è trattato come un punto di massa. I ricercatori fanno prima volare un controller di base questo drone semplice lungo un percorso specifico. Successivamente, prendono esattamente quello stesso percorso e lo fanno volare in una simulazione molto più dettagliata e ad alta fedeltà che include tutta la fisica disordinata del mondo reale, come la resistenza dell'aria e la rotazione del corpo. Confrontando come si è mosso il modello semplice rispetto a come si è mosso effettivamente il modello dettagliato, calcolano la differenza. Questa differenza, o "residuo", è come una piccola mappa di errori che dice al sistema esattamente come regolare il modello semplice per farlo corrispondere a quello complesso. Fondamentalmente, questa calibrazione viene fatta una sola volta, offline, utilizzando un singolo drone isolato. I ricercatori adattano un piccolo modello matematico a queste differenze e poi lo congelano, bloccando le correzioni in modo che non possano cambiare.

Una volta pronta questa mappa di correzione, l'apprendimento vero e proprio ha inizio. I ricercatori addestrano una politica condivisa per l'intero sciame all'interno del simulatore semplice e veloce, ma con un tocco: ad ogni singolo momento del volo, la correzione congelata viene applicata al movimento del drone. Ciò significa che i droni imparano a volare come se fossero nel mondo complesso e realistico, ma il computer sta in realtà eseguendo la fisica semplice e veloce. Poiché la correzione dipende solo dallo stato di un singolo drone e non dai suoi compagni di squadra, i ricercatori non hanno mai bisogno di far volare due droni insieme durante questa fase di addestramento. Possono addestrare un team di tre o un team di diciotto utilizzando esattamente la stessa quantità di dati di calibrazione, raccolti da voli di singoli droni. Questo elimina il rischio di crash digitali durante l'addestramento, che tipicamente aumentano vertiginosamente all'aumentare delle dimensioni del team nelle simulazioni completamente realistiche.

I risultati di questo metodo sono stati testati in quattro diversi compiti cooperativi, che vanno dal mantenere una formazione al volare in un percorso a otto, con dimensioni del team variabili da tre a diciotto droni. In ogni singolo scenario, il team addestrato con questo metodo ibrido ha superato un team addestrato solo sul modello semplice e non corretto. Più sorprendentemente, ha superato i team addestrati da zero nella lenta simulazione realistica in ventidue casi su ventiquattro. Sebbene il metodo fosse leggermente meno efficace di un team addestrato nella simulazione realistica per gruppi molto piccoli, il divario si è colmato rapidamente all'aumentare del team. Per i team più grandi di diciotto droni, il metodo ibrido ha raggiunto prestazioni quasi identiche all'addestramento costoso e realistico, ma lo ha fatto in una frazione del tempo e con zero crash di addestramento. L'addestramento realistico costoso ha spesso causato tassi di crash superiori al sessanta per cento per i grandi team, bloccando efficacemente il progresso, mentre il nuovo metodo è rimasto stabile ed efficiente.

I ricercatori hanno anche scoperto che la quantità di dati necessaria per creare la mappa di correzione iniziale era sorprendentemente piccola. Hanno scoperto che far volare un singolo drone per solo pochi minuti per raccogliere circa trentadue brevi percorsi di volo era sufficiente per calibrare il sistema per team di qualsiasi dimensione. Questo requisito di dati non cresceva con il numero di droni; un team di diciotto richiedeva la stessa quantità di sforzo di calibrazione di un team di tre. Inoltre, il metodo si è dimostrato robusto quando testato contro cambiamenti nelle proprietà fisiche del drone, come il peso aggiunto o la resistenza al vento extra. Eseguendo una breve ricalibrazione a caldo sulle nuove condizioni, il sistema si è adattato rapidamente, mantenendo alte prestazioni senza dover riapprendere l'intero compito da zero.

Questo lavoro dimostra che l'addestramento ad alta fedeltà per grandi sciami di droni non richiede di simulare ogni collisione e interazione in tempo reale. Fondando un simulatore semplice e veloce con una piccola correzione offline appresa da un singolo agente, i ricercatori possono addestrare comportamenti cooperativi complessi che siano sia accurati che computazionalmente fattibili. Sebbene questi risultati siano attualmente limitati alle simulazioni al computer, l'approccio offre una via percorribile e scalabile per le applicazioni nel mondo reale, suggerendo che il futuro degli sciami di droni potrebbe non dipendere da computer più veloci, ma da modi più intelligenti per utilizzare quelli che già possediamo.