محققان MIT با استفاده از فرایادگیری، سیستمی برای کنترل پهپادها توسعه داده‌اند که می‌تواند به‌صورت تطبیقی در شرایط پیش‌بینی‌نشده و سخت پروازی عملکرد خود را حفظ و حتی بهبود دهد. این سیستم با بهره‌گیری از شبکه عصبی و الگوریتم‌های بهینه‌سازی پیشرفته، تا ۵۰٪ خطاهای ردیابی مسیر را کاهش داده است.
پیشرفت MIT در کنترل تطبیقی پهپاد با فرایادگیری | کاهش ۵۰٪ خطا
120 بازدید
۱۴۰۴-۰۳-۲۷
3 دقیقه
به گزارش hackster
پرواز دادن یک کوادکوپتر در شرایط ایده‌آل، کاری بسیار ساده است. در واقع، طراحی این پرنده‌های بدون سرنشین به گونه‌ای است که ذاتاً پایداری بالایی دارند و تقریباً خودشان پرواز می‌کنند. اما در دنیای واقعی، شرایط ایده‌آل به‌ندرت یافت می‌شود. اغلب اوقات، تندبادهای ناگهانی و جریان‌های هوای متلاطم، کنترل پهپاد را به یک چالش جدی تبدیل می‌کنند؛ از سرویس‌های تحویل خودکار گرفته تا عملیات‌های جستجو و نجاتی که به یک چشم تیزبین در آسمان نیاز دارند.
در حال حاضر، سیستم‌های کنترل پهپاد به سادگی نمی‌توانند با تمام چالش‌هایی که طبیعت سر راهشان قرار می‌دهد، مقابله کنند. ممکن است در شرایط عادی همه چیز خوب پیش برود، اما همیشه شرایطی پیش‌بینی‌نشده وجود دارد که توسعه‌دهندگان الگوریتم آن را در نظر نگرفته‌اند و همین موضوع می‌تواند به یک فاجعه برای پهپاد منجر شود. با این حال، به لطف تلاش سه مهندس در دانشگاه MIT، این محدودیت ممکن است به‌زودی به تاریخ بپیوندد. آن‌ها روی یک رویکرد کاملاً جدید کار کرده‌اند که به پهپادها امکان می‌دهد حتی در شرایط بسیار دشوار و پیش‌بینی‌نشده، پرواز پایدار خود را حفظ کنند.
راهکار کلیدی: آموزش یادگیری به پهپاد با فرایادگیری (Meta-Learning)
روش ابداعی این تیم بر یک تکنیک یادگیری ماشین به نام فرایادگیری (Meta-Learning) استوار است. این رویکرد، در عمل به سیستم «نحوه یادگرفتن» و «سازگار شدن» را در حین پرواز آموزش می‌دهد. فرایادگیری این کار را با جایگزین کردن فرضیات قبلی درباره محیط با مدل‌های آموخته‌شده از داده‌های واقعی انجام می‌دهد و همچنین انتخاب بهترین الگوریتم برای پاسخ به چالش‌های غیرمنتظره را خودکار می‌سازد.
در مقابل، سیستم‌های کنترل سنتی اغلب مهندسان را ملزم می‌کنند تا از قبل حدس بزنند که پهپاد با چه نوع عوامل محیطی روبرو خواهد شد. این حدس و گمان‌ها در قالب مدل‌های ریاضیاتی پیاده‌سازی می‌شوند، اما زمانی که واقعیت با انتظارات مطابقت نداشته باشد، این مدل‌ها به سرعت کارایی خود را از دست می‌دهند.
نمایی کلی از اجزای سیستم: یادگیری آفلاین با فرایادگیری و کنترل تطبیقی آنلاین
شبکه عصبی هوشمند و بهینه‌سازی پویا
محققان MIT به جای مدل‌های ثابت، یک شبکه عصبی ساختند که می‌تواند رفتار این اختلالات محیطی را تنها با ۱۵ دقیقه داده پروازی بیاموزد. اما نکته جالب‌تر اینجاست که سیستم فقط از داده‌ها یاد نمی‌گیرد، بلکه تصمیم می‌گیرد که «چگونه» به بهترین شکل یاد بگیرد.
این کار با انتخاب مناسب‌ترین الگوریتم بهینه‌سازی از میان خانواده‌ای از الگوریتم‌ها به نام «نزول آینه‌ای» (Mirror Descent) انجام می‌شود. این یک پیشرفت چشمگیر نسبت به تکنیک‌های رایج‌تر است که صرفاً بر «نزول گرادیانی» (Gradient Descent) تکیه می‌کنند؛ الگوریتمی که تنها یکی از اعضای خانواده بزرگ نزول آینه‌ای محسوب می‌شود. این انعطاف‌پذیری به سیستم اجازه می‌دهد تا بهترین استراتژی را برای مقابله با شرایط ناشناخته انتخاب کند.
نتایج شگفت‌انگیز: عملکردی که در شرایط سخت، بهتر می‌شود!
مجموعه‌ای از شبیه‌سازی‌ها و آزمایش‌های اولیه نشان داده است که روش کنترل جدید در مقایسه با روش‌های پایه موجود، موفق به کاهش ۵۰ درصدی خطاهای ردیابی مسیر شده است. اما ویژگی برجسته‌تر این سیستم آن است که نه تنها پهپادها را با دقت بیشتری در مسیر نگه می‌دارد، بلکه عملکرد آن با بدتر شدن شرایط، بهبود می‌یابد! در بادهای شدیدتر – یعنی دقیقاً در شرایطی که سایر روش‌های کنترل دچار مشکل شده و از کار می‌افتند – این سیستم جدید به تطبیق خود ادامه داده و عملکرد عالی خود را حفظ می‌کند.
نتایج شبیه‌سازی: کنترلر جدید (خط آبی) دقت ردیابی مسیر را به شکل قابل توجهی بهبود داده است.
جدول زیر مقایسه‌ای ساده بین عملکرد این دو رویکرد را نشان می‌دهد:
| ویژگی | کنترلرهای سنتی | کنترلر جدید (مبتنی بر فرایادگیری) |
|---|---|---|
| خطای ردیابی مسیر | سطح پایه | کاهش ۵۰ درصدی |
| عملکرد در باد شدید | به‌شدت تضعیف می‌شود یا از کار می‌افتد | پایدار مانده و بهبود می‌یابد |
آینده این فناوری و گام‌های بعدی
این تیم تحقیقاتی در حال حاضر مشغول آماده‌سازی برای آزمایش سیستم خود روی پهپادهای واقعی در محیط‌های بیرونی است. آن‌ها همچنین در حال بررسی این موضوع هستند که چگونه این روش می‌تواند سناریوهای پیچیده‌تری مانند تغییر وزن محموله در حین پرواز یا مدیریت چندین اختلال همزمان را مدیریت کند.
با اصلاحات نهایی بر اساس نتایج این آزمایش‌ها، این سیستم کنترلی نوین می‌تواند در آینده‌ای نزدیک، ایمنی و دقت ناوگان‌های پهپادی را تضمین کرده و آن‌ها را در هر شرایط آب‌وهوایی در مسیر درست نگه دارد.
اطلاعات
لینک و اشتراک
آخرین مقالات
مقالات مرتبط
پالت | بازار خرید و فروش قطعات الکترونیک
قطعات اضافه و بدون استفاده همیشه یکی از سرباره‌‌های شرکتها و طراحان حوزه برق و الکترونیک بوده و هست. پالت سامانه‌ای است که بصورت تخصصی اجازه خرید و فروش قطعات مازاد الکترونیک را فراهم می‌کند. فروش در پالت
آیسی | موتور جستجوی قطعات الکترونیک
سامانه آی سی سیسوگ (Isee) قابلیتی جدید و کاربردی از سیسوگ است. در این سامانه سعی شده است که جستجو، انتخاب و خرید مناسب تر قطعات برای کاربران تسهیل شود. جستجو در آیسی
سیسوگ‌شاپ | فروشگاه محصولات Quectel
فروشگاه سیسوگ مجموعه ای متمرکز بر تکنولوژی های مبتنی بر IOT و ماژول های M2M نظیر GSM، GPS، LTE، NB-IOT، WiFi، BT و ... جایی که با تعامل فنی و سازنده، بهترین راهکارها انتخاب می شوند. برو به فروشگاه سیسوگ
سیسوگ فروم | محلی برای پاسخ پرسش‌های شما
دغدغه همیشگی فعالان تخصصی هر حوزه وجود بستری برای گفتگو و پرسش و پاسخ است. سیسوگ فروم یک انجمن آنلاین است که بصورت تخصصی امکان بحث، گفتگو و پرسش و پاسخ در حوزه الکترونیک را فراهم می‌کند. پرسش در سیسوگ فرم
سیکار | اولین مرجع متن باز ECU در ایران
بررسی و ارائه اطلاعات مربوط به ECU (واحد کنترل الکترونیکی) و نرم‌افزارهای متن باز مرتبط با آن برو به سیکار
نویسنده شو !
سیسوگ با افتخار فضایی برای اشتراک گذاری دانش شماست. برای ما مقاله بنویسید.