GES: Ground Effect Stabilizer — Onboard-Sensor-Based Feedforward Estimation of Ground Effect on Irregular Terrain via Machine Learning versus Analytical Models
Questo articolo dimostra che, sebbene i modelli di apprendimento automatico possano prevedere accuratamente l'effetto suolo su terreni irregolari offline, il loro impiego nel controllo a ciclo chiuso spesso non riesce a migliorare le prestazioni rispetto ai baseline analitici a causa di dinamiche a livello di attuatore non considerate e di una sensibilità asimmetrica ai bias di sovra-predizione, rendendo necessarie strategie di correzione specifiche come il clamping asimmetrico piuttosto che fare affidamento esclusivamente sull'accuratezza predittiva.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Quando un drone fluttua appena sopra il suolo, l'aria spinta verso il basso dalle sue pale rotanti colpisce la superficie e rimbalza verso l'alto. Quest'aria che ritorna spinge contro la parte inferiore dei rotori, conferendo al drone una spinta improvvisa e non comandata nella portanza. Gli ingegneri chiamano questo fenomeno effetto suolo. Per un drone che vola sopra un pavimento perfettamente piatto, questa spinta è prevedibile; per un drone che vola sopra un pendio roccioso o un campo irregolare, l'effetto cambia costantemente man mano che la distanza dal suolo varia e la forma del terreno altera il modo in cui l'aria scorre. Se il computer del drone non anticipa questa spinta extra, il veicolo può iniziare a oscillare su e giù in modo incontrollato o schiantarsi al suolo. La sfida per la moderna robotica è insegnare a queste macchine a percepire questa spinta invisibile e ad regolare istantaneamente i propri motori, mantenendole stabili anche quando il terreno sotto di esse è irregolare e imprevedibile.
Un ricercatore ha deciso di risolvere questo problema utilizzando un nuovo approccio: invece di affidarsi a formule matematiche fisse per ipotizzare come si sarebbe comportata l'aria, ha addestrato un computer a imparare il modello direttamente dai sensori del drone stesso. Ha costruito un mondo virtuale altamente dettagliato pieno di terreni proceduralmente generati e irregolari — paesaggi che erano ruvidi, sconnessi e unici, piuttosto che lisci e piatti. All'interno di questa simulazione, ha fatto volare un drone virtuale dotato di sensori standard che misurano la velocità di rotazione, quanta potenza utilizzano i motori e quanto dista dal suolo. Ha insegnato a diversi tipi di modelli di apprendimento automatico di analizzare queste letture dei sensori e prevedere esattamente quanta portanza extra il drone avrebbe sperimentato nel decimo di secondo successivo. In un test in cui il computer si limitava a guardare i dati e faceva una previsione senza effettivamente far volare il drone, i modelli di apprendimento automatico sono stati straordinariamente efficaci. Hanno previsto l'effetto suolo con una precisione quasi perfetta, superando di gran lunga le tradizionali formule matematiche utilizzate da decenni. I modelli hanno imparato a vedere i segnali sottili nei dati dei sensori che indicavano che il drone stava per incontrare un dosso o un avvallamento, permettendo loro di prevedere la spinta di portanza prima che accadesse.
Tuttavia, la storia ha preso una curva sorprendente quando il ricercatore ha messo alla prova questi modelli ad alte prestazioni in un volo reale. Ha collegato il miglior modello di apprendimento automatico al controllore di volo del drone, permettendogli di effettuare regolazioni in tempo reale mentre il drone fluttuava sopra lo stesso terreno irregolare. Il risultato non è stato una vittoria per l'intelligenza artificiale. Nonostante il modello avesse un'incredibile capacità di prevedere l'effetto suolo in un test statico, il drone pilotato con il controllore basato sull'apprendimento automatico si è comportato leggermente peggio rispetto al drone guidato dalla semplice e vecchia formula matematica. Il drone con l'apprendimento automatico fluttuava in modo meno fluido e presentava errori di altitudine leggermente maggiori. Questo è stato un risultato sconcertante: il computer era più bravo a indovinare il futuro, eppure il drone volava peggio. Per capire il perché, il ricercatore ha eseguito una serie di test diagnostici, tra cui uno in cui ha fornito al controllore di volo la risposta esatta e perfetta su quanta portanza aspettarsi, eliminando ogni possibilità di errore di previsione. Anche con una conoscenza perfetta, il controllore non volava meglio della semplice formula. Ciò ha dimostrato che il problema non era che il modello di apprendimento automatico fosse scarso nel fare previsioni; il problema risiedeva nel modo in cui i motori del drone rispondevano alle informazioni.
Il ricercatore ha scoperto che il problema era un disallineamento tra la previsione e l'azione fisica richiesta per compensarla. I motori del drone generano portanza in base al quadrato della loro velocità, il che significa che una piccola variazione di velocità crea un grande cambiamento nella portanza. Quando il modello di apprendimento automatico prevedeva un forte effetto suolo, il controllore di volo cercava di compensare riducendo la velocità del motore. Poiché la relazione tra velocità e portanza è non lineare, il controllore applicava la quantità di correzione errata. Era come cercare di chiudere un rubinetto che reagisce alla pressione in un modo che non è una linea retta; se giri la manopola di una certa quantità aspettandoti un certo calo d'acqua, potresti in realtà ottenere troppa o troppa poca acqua. Il ricercatore ha scoperto che quando il modello sovrastimava leggermente l'effetto suolo, il drone scendeva pericolosamente basso, riducendo il suo margine di sicurezza. Questo era un rischio critico per la sicurezza, anche se l'altezza media complessiva del volo sembrava corretta. Il sistema era stabile e non andava fuori controllo, ma il tipo specifico di errore causato dalla sovrastima della portanza faceva sì che il drone volasse più vicino al suolo del necessario.
Per risolvere il problema, il ricercatore non ha abbandonato il modello di apprendimento automatico. Al contrario, ha aggiunto una semplice regola di sicurezza: se il modello prevedeva un effetto suolo troppo forte, il sistema ignorava quella previsione estrema e si atteneva alla stima più sicura e conservativa. Questo "clamp asimmetrico" ha permesso al drone di utilizzare gli spunti dell'apprendimento automatico impedendo però di compiere correzioni eccessive pericolose. Con questo aggiustamento, il divario di prestazioni tra il drone con apprendimento automatico e la semplice formula è scomparso, e il drone è volato altrettanto bene quanto il metodo tradizionale. Lo studio conclude che per compiti critici per la sicurezza come il volo di un drone, essere in grado di prevedere il futuro con alta precisione non è sufficiente. Un modello deve essere testato anche nel ciclo reale di azione e reazione, perché una previsione perfetta può comunque portare a uno schianto se il sistema fisico non risponde nel modo in cui il computer si aspetta. Il ricercatore ha dimostrato che anche la più intelligente intelligenza artificiale ha bisogno di una rete di sicurezza quando interagisce con la realtà fisica, disordinata e non lineare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.