ML melhora controle de drones autônomos em ambientes incertos

São Paulo — InkDesign News —

A recente pesquisa sobre machine learning desenvolvida no MIT busca aprimorar o controle de drones autônomos em ambientes incertos, utilizando algoritmos adaptativos baseados em inteligência artificial para minimizar desvios de trajetória causados por condições climáticas imprevisíveis.

Contexto da pesquisa

Os pesquisadores do MIT desenvolveram um sistema de controle adaptativo que permite que drones autônomos se mantenham em trajetória mesmo quando enfrentam obstáculos, como ventos fortes. A pesquisa é relevante para aplicações em combate a incêndios e entrega de pacotes, onde a precisão é crucial.

Método proposto

O novo algoritmo de controle foi projetado utilizando uma abordagem de meta-aprendizado, que permite ao sistema autônomo aprender como se adaptar a diferentes distúrbios com base em dados limitados. Em vez de depender de uma estrutura pré-definida para as perturbações, os pesquisadores implementaram uma rede neural que aprende a partir de 15 minutos de dados de voo.

(“Our technique shows that it can handle winds much stronger than we had seen during training”)

— Navid Azizan, Professor Adjunto, MIT

O sistema é capaz de determinar automaticamente qual algoritmo de otimização utilizar para adaptar-se às perturbações, melhorando o desempenho de rastreamento. Além de utilizar redes neurais, essa abordagem incorpora técnicas de mirror descent, que permitem uma adaptação mais eficiente às características dos distúrbios.

Resultados e impacto

Os resultados obtidos demonstraram que o novo sistema reduziu em 50% os erros de rastreamento de trajetória em simulações, além de se mostrar eficaz mesmo em novas velocidades de vento nunca vistas anteriormente. Os pesquisadores estão agora testando o sistema em condições reais, com a expectativa de validar o modelo em diferentes cenários.

(“The concurrent learning of these components is what gives our method its strength”)

— Navid Azizan, Professor Adjunto, MIT

O próximo passo é expandir a técnica para lidar com distúrbios simultâneos, como mudanças na carga transportada pelo drone, e explorar o aprendizado contínuo para que o drone se adapte a novos ambientes sem a necessidade de retrainamento.

Fonte: (TechXplore – Machine Learning & AI)