In de afgelopen jaren hebben drones een enorme revolutie teweeggebracht in verschillende sectoren, van luchtvaart tot logistiek en van landbouw tot filmproductie. Het vermogen van drones om te vliegen en de wereld vanuit een geheel nieuw perspectief te bekijken heeft de verbeelding van velen geprikkeld.
Dit artikel beschrijft de nieuwste ontwikkelingen op het gebied van drone-navigatie in zowel Europa als de USA. Traditionele navigatiemethoden waren beperkt tot het volgen van vooraf bepaalde routes of het handmatig besturen van drones. Echter, met de opkomst van liquide neurale netwerken is er een spannende nieuwe mogelijkheid ontstaan. Drones kunnen nu autonoom navigeren en zich aanpassen aan dynamische omgevingen. Waardoor ze voorheen ongeziene landschappen kunnen verkennen.
Drones zijn steeds populairder geworden in de afgelopen jaren, maar ze hebben nog steeds moeite om zich aan te passen aan complexe en dynamische omgevingen. Hoe kunnen drones veilig en efficiënt vliegen door bossen, ingestorte gebouwen of ontspoorde treinen? Een mogelijke oplossing is om drones te voorzien van vloeibare neurale netwerken (LNNs).
Vloeibare Neurale Netwerken (LNN)
Vloeibare neurale netwerken zijn een vorm van kunstmatige intelligentie die geïnspireerd is door de werking van het menselijk brein. Ze bestaan uit een groot aantal neuronen die met elkaar verbonden zijn door synapsen die kunnen veranderen van sterkte en structuur. Dit maakt LNNs flexibel en adaptief, waardoor ze kunnen leren van nieuwe informatie en zich kunnen aanpassen aan veranderende omstandigheden.
Een van de voordelen van LNNs is dat ze direct sensorische waarnemingen kunnen omzetten in vluchttrajecten, zonder dat ze een aparte kaart of model van de omgeving nodig hebben. Dit vermindert de vertraging en de rekenkracht die nodig zijn voor de navigatie. Bovendien kunnen LNNs robuust omgaan met verstoringen zoals bewegingsonscherpte of ontbrekende gegevens.
Europa
Een team van onderzoekers van de Universiteit van Zürich heeft een algoritme ontwikkeld dat LNNs kan trainen om drones te laten vliegen door onbekend terrein met snelheden tot 40 kilometer per uur. Het algoritme gebruikt eerst een gesimuleerde omgeving met complexe obstakels om de drone te leren hoe hij moet reageren op verschillende situaties. Vervolgens wordt het getrainde LNN overgebracht naar een echte drone, die het kan toepassen in verschillende realistische scenario’s.
De resultaten van het onderzoek laten zien dat drones met LNNs in staat zijn om succesvol te navigeren in alle geteste omgevingen, zonder dat ze ooit aan deze omgevingen zijn blootgesteld tijdens de training. De onderzoekers willen nu snellere sensoren ontwikkelen waarmee drones nog hogere snelheden kunnen bereiken. Ze denken dat hun aanpak nuttig kan zijn voor noodsituaties en bouwplaatsen, maar ook voor het opsporen van ongewenste personen.
De toepassing van liquide neurale netwerken maakt gebruik van geavanceerde algoritmen en machine learning-technieken om drones in staat te stellen omgevingsinformatie te verwerken en hierop te reageren. Dit betekent dat drones niet alleen kunnen anticiperen op obstakels, maar ook in staat zijn om nieuwe routes te verkennen en te leren van eerdere ervaringen. Dit opent de deur naar een breed scala aan toepassingen, zoals zoek- en reddingsoperaties, milieumonitoring en exploratie van ontoegankelijke gebieden (en helaas ook militaire operaties).
USA
In de wijde zwerken waar vogels en insecten ooit oppermachtig waren, neemt een nieuwe lichting vliegeniers de vlucht. Deze pioniers van de lucht zijn geen levende wezens, maar eerder een product van bewuste innovatie: drones. Dit zijn niet de typische vliegende bots, die rondneuzen als mechanische bijen. Integendeel, het zijn vogel-geïnspireerde wonderen die door de lucht zweven, geleid door vloeibare neurale netwerken om met precisie en gemak door steeds veranderende en ongeziene omgevingen te navigeren.
Geïnspireerd door de aanpasbare aard van organische hersenen, hebben onderzoekers van MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) een methode geïntroduceerd voor robuuste vluchtnavigatiebots om op visie gebaseerde fly-to-target-taken in ingewikkelde, onbekende omgevingen onder de knie te krijgen. De vloeibare neurale netwerken, die zich voortdurend kunnen aanpassen aan nieuwe gegevensinvoer, bewezen zich in het nemen van betrouwbare beslissingen in onbekende domeinen zoals bossen, stedelijke landschappen en omgevingen met toegevoegde ruis, rotatie en slecht weer. Deze aanpasbare modellen, die beter presteerden dan veel state-of-the-art tegenhangers in navigatietaken, kunnen potentiële drone-toepassingen in de echte wereld mogelijk maken, zoals opsporing en redding, levering en monitoring van dieren in het wild.
De recente studie van de onderzoekers, gepubliceerd in Science Robotics, beschrijft hoe deze nieuwe bots zich kunnen aanpassen aan significante (statistische) distributieverschuivingen: een al lang bestaande uitdaging in het veld. De nieuwe klasse van machine-learning-algoritmen van het team legt echter de causale structuur van taken vast uit hoogdimensionale, ongestructureerde gegevens, zoals pixelinvoer van een op een drone gemonteerde camera. Deze netwerken kunnen vervolgens cruciale aspecten van een taak extraheren (d.w.z. de taak begrijpen) en irrelevante kenmerken negeren, waardoor verworven navigatievaardigheden de doelen naadloos naar nieuwe omgevingen kunnen overbrengen. Het algoritme ‘stapelt’ output van voorgaande berekeningen als het ware op elkaar en creeert nieuwe variabelen/features (‘stacking’) die vervolgens als input dienen voor een volgende iteratie.
“We zijn enthousiast over het enorme potentieel van onze op leren gebaseerde besturingsbenadering voor robots, omdat het de basis legt voor het oplossen van problemen die zich voordoen bij het trainen in één omgeving en het inzetten in een volledig verschillende omgeving zonder aanvullende training,” zegt Daniela Rus, CSAIL-directeur en de Andrew (1956) en Erna Viterbi hoogleraar elektrotechniek en computerwetenschappen aan het MIT. “Onze experimenten tonen aan dat we een drone effectief kunnen leren om een object in een bos in de zomer te lokaliseren en het model vervolgens in de winter in te zetten, met enorm verschillende omgevingen, of zelfs in stedelijke omgevingen, met gevarieerde taken zoals zoeken en volgen. Dit aanpassingsvermogen wordt mogelijk gemaakt door de causale onderbouwing van onze oplossingen. Deze flexibele algoritmen kunnen op een dag helpen bij het nemen van beslissingen op basis van gegevensstromen die in de loop van de tijd veranderen, zoals medische diagnose en toepassingen voor autonoom rijden.”
Het onderzoek was gefocussed op een vrijwel onoplosbare taak: begrijpen machine learning-systemen de taak die ze krijgen van gegevens wanneer ze drones naar een niet-gelabeld (=onbekend) object vliegen? En zouden ze in staat zijn om hun geleerde vaardigheden en taken over te brengen naar nieuwe omgevingen met drastische veranderingen in het landschap, zoals vliegen van een bos naar een stedelijk landschap? Bovendien, in tegenstelling tot de opmerkelijke capaciteiten van onze biologische hersenen, worstelen deep learning-systemen met het vastleggen van causaliteit, over-fitting van hun trainingsgegevens en het niet aanpassen aan nieuwe omgevingen of veranderende omstandigheden. Dit is vooral verontrustend voor systemen met beperkte middelen, zoals drones vanuit de lucht, die verschillende omgevingen moeten doorkruisen en onmiddellijk op obstakels moeten reageren.
Werking LNN
De vloeibare netwerken bieden daarentegen veelbelovende voorlopige indicaties van hun vermogen om deze cruciale zwakte in deep learning-systemen aan te pakken. Het systeem van het team werd eerst getraind op gegevens verzameld door een menselijke piloot, om te zien hoe ze geleerde navigatievaardigheden overbrachten naar nieuwe omgevingen onder drastische veranderingen in landschap en omstandigheden. In tegenstelling tot traditionele neurale netwerken die alleen tijdens de trainingsfase leren, kunnen de parameters van het vloeibare neurale netwerk in de loop van de tijd veranderen, waardoor ze niet alleen interpreteerbaar zijn, maar ook beter bestand zijn tegen onverwachte of luidruchtige gegevens (denk aan oorlogsfronten).
In een reeks closed-loop controle-experimenten ondergingen de drones bereiktests, stresstests, doelrotatie en slecht weer, driehoekige lussen tussen objecten en dynamische doelvolging. Ze volgden bewegende doelen en voerden meerstapslussen uit tussen objecten in nooit eerder geziene omgevingen, waardoor ze de prestaties van andere geavanceerde tegenhangers overtroffen.
Het team is van mening dat het vermogen om te leren van beperkte expertgegevens en een bepaalde taak te begrijpen terwijl het generaliseert naar nieuwe omgevingen, de autonome drone-inzet efficiënter, kosteneffectiever en betrouwbaarder kan maken. Vloeibare neurale netwerken, merkten ze op, zouden autonome luchtmobiliteitsdrones kunnen gebruiken voor milieumonitoring, pakketbezorging, autonome voertuigen en robotassistenten.
“Robuust leren en prestaties in out-of-distribution taken en scenario’s zijn enkele van de belangrijkste problemen die machine learning en autonome robotsystemen moeten overwinnen om verder door te dringen in maatschappijkritische toepassingen”, zegt Alessio Lomuscio, hoogleraar AI-veiligheid bij de afdeling Computing aan het Imperial College London. “In deze context zijn de prestaties van vloeibare neurale netwerken, een nieuw op de hersenen geïnspireerd paradigma ontwikkeld door de auteurs van MIT, gerapporteerd in deze studie opmerkelijk. Als deze resultaten in andere experimenten worden bevestigd, zal het hier ontwikkelde paradigma bijdragen aan het betrouwbaarder, robuuster en efficiënter maken van AI- en robotsystemen.”
Het is duidelijk dat de lucht niet langer de limiet is, maar eerder een enorme speeltuin voor de grenzeloze mogelijkheden van deze wonderen in de lucht.
