Far volare un drone attraverso una foresta densa ad alta velocità è un problema di tempismo millimetrico. La macchina deve vedere un ostacolo, decidere come muoversi e inviare un comando ai suoi motori prima di colpire un albero. Per decenni, gli ingegneri hanno risolto questo problema costruendo una mappa del mondo nel computer del drone, tracciando un percorso e poi seguendolo. Ma costruire una mappa richiede tempo e potenza di calcolo e, se la mappa è errata, il drone si schianta. Un approccio più recente cerca di insegnare ai droni a volare osservando gli esperti, permettendo alla macchina di apprendere un collegamento diretto tra ciò che vede e come si muove, molto simile a un bambino che impara ad andare in bicicletta sentendo l'equilibrio piuttosto che calcolando la fisica delle ruote. Questo metodo, noto come apprendimento per imitazione, ha mostrato buone potenzialità, ma spesso fallisce quando il drone incontra una situazione che non ha mai visto prima, o quando il computer è troppo lento per stare al passo con la velocità di volo.

La sfida è ancora più difficile per i piccoli droni che operano al limite della loro capacità di calcolo. I moderni modelli di intelligenza artificiale in grado di comprendere linguaggio e immagini sono incredibilmente pesanti e richiedono una quantità enorme di memoria per funzionare. Per prendere una decisione, questi modelli devono spesso elaborare le informazioni passo dopo passo, come leggere un libro una parola alla volta. Per un drone che si muove a cinque metri al secondo, aspettare che un computer lento finisca di leggere una frase lunga significa che il drone potrebbe percorrere ventotto metri senza muovere i comandi, una distanza che garantisce lo schianto in una foresta fitta. I ricercatori avevano bisogno di un modo per rendere questi modelli intelligenti abbastanza leggeri da poter girare su un piccolo computer alimentato a batteria, pur continuando a prendere decisioni abbastanza velocemente da volare in sicurezza.

Un ricercatore ha sviluppato un nuovo sistema chiamato Aero-VPA che affronta questo problema cambiando il modo in cui il drone pensa. Invece di utilizzare un metodo di elaborazione pesante, parola per parola, ha costruito un'architettura snella che prevede lo stato futuro del mondo in un unico sguardo rapido. Il sistema utilizza un cervello visivo compatto che osserva il feed della telecamera e un piccolo insieme di regole per prevedere cosa accadrà dopo, saltando la necessità di ricostruire ogni singolo pixel dell'immagine. Ciò consente al drone di generare una sequenza completa di comandi di movimento in soli cinque rapidi passaggi, una velocità che rientra nei stretti limiti temporali del computer di un piccolo drone. Il ricercatore ha testato questo sistema in una simulazione computerizzata altamente realistica di un quadricottero che naviga attraverso foreste generate proceduralmente, dove gli alberi erano posizionati casualmente per creare una varietà di sfide.

I risultati iniziali sono stati sorprendenti e hanno rivelato un difetto nascosto nel modo in cui queste macchine apprendono. Quando il ricercatore ha addestrato il drone semplicemente copiando le azioni di un pilota esperto, il drone ha imparato una scorciatoia pericolosa. Ha smesso di guardare gli alberi o il sentiero davanti a sé e ha invece iniziato a ripetere l'ultimo comando inviato ai suoi motori. In una simulazione in cui il drone volava perfettamente, questa abitudine funzionava bene perché l'ultimo comando era solitamente corretto. Ma nel momento in cui il drone sbandava dalla rotta, continuava a ripetere il comando sbagliato, volando ciecamente contro gli ostacoli. Questo comportamento, che il ricercatore chiama problema del "copione", significava che anche se il drone sembrava perfetto sulla carta, non riusciva a completare nemmeno una missione su sessanta volando da solo.

Per risolvere il problema, il ricercatore ha introdotto un metodo di addestramento in cui il drone poteva volare e, ogni volta che commetteva un errore, un supervisore della sicurezza interveniva per correggerlo e insegnargli la mossa giusta per quella specifica situazione. Questo ha migliorato il tasso di successo del drone, ma quest'ultimo ha comunque raggiunto un limite. Il drone volava per un po', poi si schiantava, o rimaneva bloccato in un ciclo di esitazione. Il tasso di successo oscillava intorno al venti per cento, il che significava che il drone si schiantava o falliva in quattro tentativi su cinque. Il ricercatore si rese conto che la visione del drone era troppo stretta: poteva vedere solo ciò che aveva direttamente davanti a sé e, una volta che un ostacolo usciva dal campo visivo, il drone dimenticava che fosse lì.

La svolta non è arrivata dall'insegnare al drone a essere più intelligente, ma dal fornirgli una rete di sicurezza che non dipendesse dall'apprendimento. Il ricercatore ha aggiunto uno strato di sicurezza deterministico e semplice che agiva come uno scudo. Questo scudo manteneva una memoria di tutto ciò che il drone aveva visto negli ultimi quindici secondi, creando una mappa mentale dello spazio circostante, inclusi gli ostacoli che si erano spostati dietro o di lato al drone. Se il drone tentava di volare verso un ostacolo memorizzato, lo scudo lo allontanava gentilmente o lo rallentava. Aveva anche delle regole su cosa fare se il drone rimaneva bloccato o perdeva la strada, come tornare indietro lungo il percorso appena percorso o spingersi verso il bersaglio successivo.

Quando questo scudo di sicurezza è stato aggiunto ai droni addestrati, i risultati sono cambiati drasticamente. Il tasso di successo del miglior drone testato è passato dal ventuno per cento al cinquantadue per cento. Il numero di schianti è sceso dal settantadue per cento a solo il ventidue per cento. Il compromesso è stato che il drone è diventato più cauto; rallentava più spesso e impiegava più tempo per completare le sue missioni, con il numero di voli che semplicemente terminavano per esaurimento del tempo che saliva dal tre per cento al ventitré per cento. Tuttavia, il drone non si scontrava più con gli alberi. Lo scudo funzionava così bene da migliorare le prestazioni di ogni versione del drone testata, indipendentemente da come fosse stato addestrato.

Il ricercatore ha scoperto che lo scudo di sicurezza era particolarmente efficace nelle foreste più dense, dove gli alberi erano più vicini tra loro. In questi spazi ristretti, il tasso di successo del drone con lo scudo saliva da un misero sette per cento a quasi il quarantasette per cento. Senza lo scudo, il drone si sarebbe quasi sempre schiantato in queste condizioni. Lo scudo riusciva a gestire la situazione ricordando gli ostacoli che non erano più nella visuale della telecamera, impedendo al drone di volare ciecamente contro un albero che aveva appena superato. Il sistema ha anche imparato a gestire il ritardo tra il vedere un ostacolo e il reagire ad esso, un problema comune nella robotica in cui il cervello della macchina è leggermente più lento dei suoi occhi.

Nonostante questi successi, il ricercatore tiene a precisare che questo lavoro è ancora in fase di simulazione. Il drone non ha ancora volato nel mondo reale e il computer utilizzato per i test era un potente server cloud, non il piccolo chip a basso consumo progettato per il sistema. L'attuale versione del drone vola a una velocità media di circa un metro al secondo, molto più lenta dei tre o sette metri al secondo con cui potevano volare gli esperti. Il ricercatore ha identificato diverse sfide che rimangono, come il modo in cui il drone gestisce il vento, come la telecamera vede nella luce solare intensa e come il sistema si comporta sull'effettivo piccolo computer su cui è destinato a girare.

Lo studio ha anche evidenziato una lezione fondamentale sull'insegnare alle macchine a volare. Copiare semplicemente un esperto non basta se la macchina trova una scorciatoia che funziona durante l'addestramento ma fallisce nel mondo reale. La tendenza del drone a ripetere l'ultimo comando era un trucco astuto che aveva imparato per minimizzare l'errore durante l'addestramento, ma era un difetto fatale in un ambiente dinamico. Lo scudo di sicurezza non ha risolto l'apprendimento del drone; ha semplicemente limitato le sue azioni per mantenerlo al sicuro mentre cercava di capire il resto. Il ricercatore ha scoperto che la capacità di apprendimento del drone era ancora limitata e che lo strato di sicurezza stava svolgendo il lavoro pesante per prevenire i disastri.

Questo lavoro rappresenta un passo significativo verso la creazione di piccoli droni capaci di volo autonomo in ambienti complessi e non strutturati senza la necessità di un computer massiccio o di una mappa predefinita. Combinando un cervello leggero e veloce con un semplice scudo di sicurezza basato sulla memoria, il ricercatore ha mostrato una strada percorribile per il volo agile su hardware edge. Il sistema non è perfetto e non è ancora pronto per il mondo reale, ma dimostra che con la giusta combinazione di velocità, memoria e cautela, un piccolo drone può imparare a navigare in una foresta senza schiantarsi. I passi successivi consisteranno nel testare il sistema su hardware reale e in condizioni esterne reali per vedere se le lezioni apprese in simulazione reggeranno quando soffierà il vento e gli alberi si muoveranno.