Wyobra\u017a sobie drona lec\u0105cego samotnie nad poszarpanymi szczytami Sierra Nevada, ze zbiornikiem wody zawieszonym poni\u017cej, kt\u00f3ry walczy z po\u017carem. Dron nie tylko zmaga si\u0119 z upa\u0142em i dymem - walczy o kontrol\u0119, gdy g\u00f3rskie wiatry wiruj\u0105 wok\u00f3\u0142 niego, gro\u017c\u0105c zepchni\u0119ciem go z kursu. W przypadku dron\u00f3w w takich sytuacjach jak ta, brutalna si\u0142a i moc nie wystarcz\u0105. To, co naprawd\u0119 si\u0119 liczy, to elastyczno\u015b\u0107 - zdolno\u015b\u0107 do przygotowania si\u0119 na nieoczekiwane i zareagowania w u\u0142amku sekundy.<\/p>\n
W tym miejscu pojawia si\u0119 nowy prze\u0142om z MIT. Zesp\u00f3\u0142 naukowc\u00f3w opracowa\u0142 inteligentny system sterowania oparty na uczeniu maszynowym, kt\u00f3ry zmienia spos\u00f3b dzia\u0142ania dron\u00f3w w nieprzewidywalnych \u015brodowiskach. Zamiast sztywno pod\u0105\u017ca\u0107 za zaprogramowanymi procedurami, system ten uczy si\u0119 podczas lotu. Wystarczy dostarczy\u0107 mu zaledwie 15 minut danych lotu - nawet w g\u0119stym wietrze lub nag\u0142ych turbulencjach - a zacznie on samodzielnie dostosowywa\u0107 si\u0119 do sytuacji, ograniczaj\u0105c dzikie korekty kursu w powietrzu, kt\u00f3re zwykle n\u0119kaj\u0105 drony w sytuacjach awaryjnych.<\/p>\n
Jedn\u0105 z najbardziej imponuj\u0105cych rzeczy w tym nowym systemie jest to, \u017ce wyrzuca on stare zasady. In\u017cynierowie nie musz\u0105 mapowa\u0107 ka\u017cdego mo\u017cliwego scenariusza lub zak\u0142\u00f3cenia, kt\u00f3re mo\u017ce napotka\u0107 dron. Zamiast tego m\u00f3zg drona - sie\u0107 neuronowa - zbiera informacje w czasie rzeczywistym. Ocenia geometri\u0119 zak\u0142\u00f3cenia, tak\u0105 jak k\u0105t i pr\u0119dko\u015b\u0107 podmuchu, a nast\u0119pnie autonomicznie wybiera najbardziej odpowiedni algorytm optymalizacji, aby zminimalizowa\u0107 odchylenia. Zasadniczo, dron staje si\u0119 coraz lepszy w utrzymywaniu si\u0119 na torze dok\u0142adnie wtedy, gdy warunki staj\u0105 si\u0119 najtrudniejsze.<\/p>\n
Ta zdolno\u015b\u0107 adaptacji jest nap\u0119dzana przez meta-uczenie si\u0119, technik\u0119, kt\u00f3ra uczy system sterowania szybkiego uog\u00f3lniania na podstawie ograniczonego do\u015bwiadczenia. Kiedy naukowcy przetestowali sw\u00f3j algorytm w symulacji, zauwa\u017cyli, \u017ce b\u0142\u0119dy lotu spad\u0142y o po\u0142ow\u0119 w por\u00f3wnaniu do standardowych metod - nawet gdy system napotka\u0142 nowe, nieprzeszkolone wzorce wiatru. Dron po prostu nauczy\u0142 si\u0119 oczekiwa\u0107 nieoczekiwanego.<\/p>\n
Navid Azizan z MIT, jeden z lider\u00f3w projektu, podkre\u015bla, \u017ce sekret si\u0142y tego systemu tkwi w jego podej\u015bciu do jednoczesnego uczenia si\u0119. Zamiast wst\u0119pnie ustawia\u0107 jeden spos\u00f3b adaptacji, kontroler decyduje w locie, czerpi\u0105c z rodziny zaawansowanych metod optymalizacji. Nie chodzi tu tylko o gaszenie po\u017car\u00f3w. Ta sama technologia adaptacyjna mo\u017ce pozwoli\u0107 dronom dostawczym na bardziej efektywne przewo\u017cenie ci\u0119\u017ckich paczek przez wietrzne miasta lub umo\u017cliwi\u0107 monitorowanie z powietrza odleg\u0142ych krajobraz\u00f3w przy zmiennej pogodzie.<\/p>\n
Tradycyjne sterowanie dronami opiera si\u0119 na starannie opracowanych modelach ka\u017cdego zak\u0142\u00f3cenia. Jednak w prawdziwym \u017cyciu nie ka\u017cde wyzwanie mo\u017cna przewidzie\u0107. System MIT odrzuca t\u0119 kul\u0119, polegaj\u0105c ca\u0142kowicie na tym, co dron widzi, czuje i uczy si\u0119 w ruchu. Ich podej\u015bcie wykorzystuje \u201czej\u015bcie lustrzane\u201d, rodzin\u0119 technik optymalizacji, kt\u00f3ra otwiera wi\u0119kszy zestaw narz\u0119dzi ni\u017c tradycyjne metody zej\u015bcia gradientowego, dostosowuj\u0105c si\u0119 bardziej zwinnie do r\u00f3\u017cnych wyzwa\u0144.<\/p>\n
Co dalej czeka zesp\u00f3\u0142 MIT? Wyjmuj\u0105 sw\u00f3j system z symulatora i przenosz\u0105 go na prawdziwe drony, testuj\u0105c go w r\u00f3\u017cnych warunkach. Mapa drogowa obejmuje sprawienie, by system radzi\u0142 sobie z wieloma \u017ar\u00f3d\u0142ami zak\u0142\u00f3ce\u0144 - na przyk\u0142ad zmieniaj\u0105cymi si\u0119 \u0142adunkami lub nag\u0142ymi burzami - oraz poszukiwanie metod, kt\u00f3re pozwol\u0105 dronowi z czasem stawa\u0107 si\u0119 coraz m\u0105drzejszym, dzi\u0119ki czemu b\u0119dzie m\u00f3g\u0142 stawi\u0107 czo\u0142a nowym zagro\u017ceniom bez konieczno\u015bci powrotu do punktu wyj\u015bcia.<\/p>\n
Badania te s\u0105 ju\u017c chwalone przez ekspert\u00f3w w tej dziedzinie za po\u0142\u0105czenie meta-uczenia si\u0119 i kontroli adaptacyjnej, z nadziej\u0105, \u017ce mog\u0105 utorowa\u0107 drog\u0119 dla autonomicznych system\u00f3w, kt\u00f3re wyr\u00f3\u017cniaj\u0105 si\u0119 w rzeczywistym \u015bwiecie ba\u0142aganu i z\u0142o\u017cono\u015bci. Dzi\u0119ki wsparciu ze strony partner\u00f3w bran\u017cowych i laboratori\u00f3w badawczych MIT, \u015bcie\u017cka dla dron\u00f3w, kt\u00f3re nie tylko lataj\u0105 - dostosowuj\u0105 si\u0119, my\u015bl\u0105 i rozwijaj\u0105 si\u0119, bez wzgl\u0119du na to, co dzieje si\u0119 na ich drodze.<\/p>\n