Neural-Fly: l’algoritmo di deep-learning che insegna ai droni a gestire il vento in qualsiasi condizione
L’algoritmo in questione ha la capacità di “addestrare” letteralmente il velivolo in soli dodici minuti di volo in cui un computer di bordo registra i dati in sei differenti condizioni di vento. Neural-Fly è descritto dettagliatamente nello studio pubblicato il 4 maggio su Science Robotics e curato dall’autore Soon-Jo Chung, Professore di Aerospazio e Controllo e Sistemi Dinamici e Jet Propulsion Laboratory Research Scientist. Il progetto è nato ed è stato testato all’interno del Centro del Caltech utilizzando un Real Weather Wind Tunnel, supportato da oltre 1200 ventole controllate da un computer per poter simulare ogni minimo dettaglio. Secondo Chung l’imprevedibilità del vento e delle condizioni meteorologiche ha spinto gli scienziati a modificare il proprio approccio, e quindi andando a preferire un metodo di deep-learning, tramite il quale il drone imparasse dalle esperienze precedenti così da potersi adattare continuamente alle condizioni di volo. Qui di seguito un contributo video:
Neural-Fly, sviluppato in collaborazione con Anima Anandkumar, professore Bren di Informatica e Scienze Matematiche, e Yisong Yue, Professore di informatica e Scienze Matematiche del Caltech, è basato su sistemi già precedentemente noti come Neural-Lander e Neural-Swarm. Il primo ha usato un metodo di deep-learning per avere traccia della posizione e della velocità del drone mentre atterrava, così da poter modificare la sua traiettoria di atterraggio e la velocità del rotore per ottenere l’atterraggio più dolce possibile; Neural-Swarm ha insegnato invece ai droni a volare autonomamente in prossimità gli uni degli altri.
Un passo avanti notevole dunque verso l’efficienza dei veicoli aerei disabitati (UAV) per renderli più sicuri e capaci di adattarsi a quante più variabili meteorologiche possibili.
Autore: Guglielmo Maria Ruocco