Voar um drone através de uma floresta densa em alta velocidade é um problema de tempo de reação de milésimos de segundo. A máquina deve ver um obstáculo, decidir como se mover e enviar um comando para seus motores antes de colidir com uma árvore. Durante décadas, engenheiros resolveram isso construindo um mapa do mundo no computador do drone, traçando uma rota e, então, seguindo-a. Mas construir um mapa leva tempo e poder de computação e, se o mapa estiver errado, o drone colide. Uma abordagem mais recente tenta ensinar drones a voar observando especialistas, permitindo que a máquina aprenda uma ligação direta entre o que vê e como se move, de forma muito semelhante a uma criança aprendendo a andar de bicicleta ao sentir o equilíbrio em vez de calcular a física das rodas. Este método, conhecido como aprendizado por imitação, tem mostrado promessa, mas frequentemente falha quando o drone encontra uma situação que não viu antes, ou quando o computador é lento demais para acompanhar a velocidade do voo.

O desafio é ainda mais difícil para drones pequenos voando no limite de sua capacidade de computação. Modelos modernos de inteligência artificial que conseguem compreender linguagem e imagens são incrivelmente pesados, exigindo enormes quantidades de memória para rodar. Para tomar uma decisão, esses modelos muitas vezes precisam processar informações passo a passo, como ler um livro uma palavra por vez. Para um drone movendo-se a cinco metros por segundo, esperar por um computador lento terminar de ler uma frase longa significa que o drone poderia percorrer vinte e oito metros sem mover seus controles, uma distância que garante uma colisão em uma floresta densa. Pesquisadores precisavam de uma maneira de tornar esses modelos inteligentes leves o suficiente para rodar em um pequeno computador alimentado por bateria, mantendo a capacidade de tomar decisões rápido o suficiente para voar com segurança.

Um pesquisador desenvolveu um novo sistema chamado Aero-VPA que aborda este problema mudando a forma como o drone pensa. Em vez de usar um método de processamento pesado, palavra por palavra, eles construíram uma arquitetura simplificada que prevê o estado futuro do mundo em um único e rápido olhar. O sistema utiliza um cérebro visual compacto que observa a transmissão da câmera e um pequeno conjunto de regras para prever o que acontecerá a seguir, pulando a necessidade de reconstruir cada pixel da imagem. Isso permite que o drone gere uma sequência completa de comandos de movimento em apenas cinco passos rápidos, uma velocidade que se ajusta aos limites de tempo apertados do computador de um pequeno drone. O pesquisador testou este sistema em uma simulação computacional altamente realista de um drone quadrotor navegando através de florestas geradas proceduralmente, onde as árvores eram colocadas aleatoriamente para criar uma variedade de desafios.

Os resultados iniciais foram surpreendentes e revelaram uma falha oculta na forma como essas máquinas aprendem. Quando o pesquisador treinou o drone simplesmente copiando as ações de um piloto especialista, o drone aprendeu um atalho perigoso. Ele parou de olhar para as árvores ou para o caminho à frente e, em vez disso, apenas repetiu o último comando que havia enviado para seus motores. Em uma simulação onde o drone voava perfeitamente, esse hábito funcionava bem porque o último comando era geralmente correto. Mas no momento em que o drone se desviava do curso, ele continuava repetindo o comando errado, voando cegamente em direção aos obstáculos. Esse comportamento, que o pesquisador chama de problema do "imitador", significava que, embora o drone parecesse perfeito no papel, ele falhou em completar uma única missão em sessenta tentativas voando por conta própria.

Para corrigir isso, o pesquisador introduziu um método de treinamento onde o drone era permitido voar e, sempre que cometia um erro, um supervisor de segurança intervinha para corrigi-lo e ensinar o movimento correto para aquela situação específica. Isso melhorou a taxa de sucesso do drone, mas ainda atingiu um teto. O drone voava por um tempo, depois colidia ou ficava preso em um ciclo de hesitação. A taxa de sucesso pairava em torno de vinte por cento, o que significava que o drone colidia ou falhava em quatro de cada cinco tentativas. O pesquisador percebeu que a visão do drone era muito estreita; ele só conseguia ver o que estava diretamente à sua frente e, uma vez que um obstáculo saía de vista, o drone esquecia que ele estava lá.

O avanço não veio de ensinar o drone a ser mais inteligente, mas de dar a ele uma rede de segurança que não dependia de aprendizado. O pesquisador adicionou uma camada de segurança determinística simples que atuava como um escudo. Este escudo mantinha uma memória de tudo o que o drone tinha visto nos últimos quinze segundos, criando um mapa mental do espaço ao seu redor, incluindo obstáculos que haviam passado para trás ou para o lado do drone. Se o drone tentasse voar em direção a um obstáculo lembrado, o escudo o empurraria suavemente para longe ou o desaceleraria. Também havia regras sobre o que fazer se o drone ficasse preso ou perdesse o caminho, como recuar pelo caminho que acabara de percorrer ou impulsionar-se em direção ao próximo alvo.

Quando este escudo de segurança foi adicionado aos drones treinados, os resultados mudaram dramaticamente. A taxa de sucesso do melhor drone performante saltou de vinte e um por cento para cinquenta e dois por cento. O número de colisões caiu de setenta e dois por cento para apenas vinte e dois por cento. A compensação foi que o drone tornou-se mais cauteloso; ele desacelerava com mais frequência e levava mais tempo para concluir suas missões, com o número de voos que simplesmente esgotavam o tempo subindo de três por cento para vinte e três por cento. No entanto, o drone não estava mais colidindo com árvores. O escudo funcionou tão bem que melhorou o desempenho de todas as versões do drone testadas, independentemente de como o drone havia sido treinado.

O pesquisador descobriu que o escudo de segurança era particularmente eficaz nas florestas mais densas, onde as árvores estavam mais próximas umas das outras. Nesses espaços apertados, a taxa de sucesso do drone com o escudo subiu de meros sete por cento para quase quarenta e sete por cento. Sem o escudo, o drone quase sempre colidiria nessas condições. O escudo conseguiu isso ao lembrar de obstáculos que não estavam mais na visão da câmera, evitando que o drone voasse cegamente contra uma árvore que acabara de passar. O sistema também aprendeu a lidar com o atraso entre ver um obstáculo e reagir a ele, um problema comum na robótica onde o cérebro da máquina é ligeiramente mais lento que seus olhos.

Apesar desses sucessos, o pesquisador faz questão de notar que este trabalho ainda está na fase de simulação. O drone ainda não voou no mundo real, e o computador usado para realizar os testes foi um servidor potente na nuvem, não o pequeno chip de baixo consumo de energia para o qual o sistema foi projetado. A versão atual do drone voa a uma velocidade média de cerca de um metro por segundo, o que é muito mais lento do que os três a sete metros por segundo que os especialistas conseguiam voar. O pesquisador identificou vários obstáculos que permanecem, como a forma como o drone lida com o vento, como a câmera enxerga sob a luz solar brilhante e como o sistema se comporta no computador real pequeno para o qual ele foi destinado.

O estudo também destacou uma lição fundamental sobre o ensino de máquinas para voar. Simplesmente copiar um especialista não é suficiente se a máquina encontrar um atalho que funciona durante o treinamento, mas falha no mundo real. A tendência do drone de repetir seu último comando foi um truque inteligente que ele aprendeu para minimizar erros durante o treinamento, mas foi uma falha fatal em um ambiente dinâmico. O escudo de segurança não corrigiu o aprendizado do drone; ele simplesmente restringiu as ações do drone para mantê-lo seguro enquanto ele aprendia o resto. O pesquisador descobriu que a capacidade de aprendizado do drone ainda era limitada, e a camada de segurança estava realizando o trabalho pesado para evitar desastres.

Este trabalho representa um passo significativo em direção a tornar pequenos drones capazes de voo autônomo em ambientes complexos e não estruturados sem a necessidade de um computador massivo ou de um mapa pré-fabricado. Ao combinar um cérebro leve e de pensamento rápido com um escudo de segurança simples baseado em memória, o pesquisador mostrou um caminho para o voo ágil em hardware de borda. O sistema não é perfeito e ainda não está pronto para o mundo real, mas demonstra que, com a combinação certa de velocidade, memória e cautela, um pequeno drone pode aprender a navegar em uma floresta sem colidir. Os próximos passos envolverão testar o sistema em hardware real e em condições externas reais para ver se as lições aprendidas na simulação se sustentam quando o vento sopra e as árvores se movem.