Eine autonome Drohne mit Wasser, mit der ein Waldbrand in der Sierra Nevada ausgelöscht wird, könnte auf den wirbelnden Santa Ana -Wind stoßen, die sie drohen, sie abzuschieben. Die schnelle Anpassung an diese unbekannten Störungen ist eine enorme Herausforderung für das Flugkontrollsystem der Drohne.

Um eine solche Drohne zu unterstützen, entwickelten MIT-Forscher einen neuen, maschinell lernbasierten adaptiven Kontrollalgorithmus, der seine Abweichung von seiner beabsichtigten Flugbahn angesichts unvorhersehbarer Kräfte wie böigen Winden minimieren könnte.

Im Gegensatz zu Standardansätzen erfordert die neue Technik nicht, dass die Individual die autonome Drohne im Voraus über die Struktur dieser unsicheren Störungen weiß. Stattdessen lernt das künstliche Intelligenzmodell des Steuerungssystems alles, was es aus einer kleinen Menge an Beobachtungsdaten wissen muss, die aus 15 Minuten Flugzeit gesammelt wurden.

Wichtig ist, dass die Technik automatisch bestimmt, welchen Optimierungsalgorithmus sie an die Störungen anpassen sollte, was die Verfolgung der Leistung verbessert. Es wählt den Algorithmus aus, der der Geometrie spezifischer Störungen am besten entspricht, mit dem diese Drohne ausgesetzt ist.

Die Forscher schulen ihr Kontrollsystem so, dass beide Dinge gleichzeitig mit einer Technik namens Meta-Studying durchgeführt werden, wodurch das System gelehrt wird, wie man sich an verschiedene Arten von Störungen anpasst.

Zusammengenommen ermöglichen diese Inhaltsstoffe ihr adaptives Steuerungssystem, 50 Prozent weniger Flugbahnverfolgung als Basismethoden in Simulationen zu erreichen und mit neuen Windgeschwindigkeiten, die sie während des Trainings nicht gesehen haben, besser abschneiden zu können.

In Zukunft könnte dieses adaptive Kontrollsystem autonome Drohnen trotz starker Winde oder der Überwachung feuergefährdeter Gebiete eines Nationalparks dazu beitragen.

“The concurrent studying of those elements is what provides our methodology its power. By leveraging meta-learning, our controller can robotically make decisions that can be greatest for fast adaptation,” says Navid Azizan, who’s the Esther and Harold E. Edgerton Assistant Professor within the MIT Division of Mechanical Engineering and the Institute for Knowledge, Programs, and Society (IDSS), a principal investigator of the Laboratory for Data and Resolution Programs (LIDS), and the Senior Autor von a Papier auf diesem Steuerungssystem.

Azizan wird von der Hauptautorin Sunbhochen Tang, einem Doktorand der Abteilung für Luftfahrt und Astronautik, und Haoyuan Solar, Doktorandin der Abteilung für Elektrotechnik und Informatik, auf dem Papier begleitet. Die Forschung wurde kürzlich auf der Dynamik- und Kontrollkonferenz für Lernen vorgestellt.

Finden des richtigen Algorithmus

In der Regel enthält ein Steuerungssystem eine Funktion, die die Drohne und ihre Umgebung modelliert und einige vorhandene Informationen zur Struktur potenzieller Störungen enthält. Aber in einer realen Welt voller ungewisse Bedingungen ist es oft unmöglich, diese Struktur im Voraus von Hand zu entwickeln.

Viele Steuerungssysteme verwenden eine Anpassungsmethode, die auf einem beliebten Optimierungsalgorithmus basiert, der als Gradientenabstieg bezeichnet wird, um die unbekannten Teile des Issues abzuschätzen und festzustellen, wie die Drohne während des Fluges so nah wie möglich an ihrer Zielbahn hält. Gradientenabstieg ist jedoch nur ein Algorithmus in einer größeren Familie von Algorithmen zur Auswahl, die als Spiegelabstieg bezeichnet wird.

„Spiegelabstieg ist eine allgemeine Familie von Algorithmen, und für jedes Drawback kann einer dieser Algorithmen besser geeignet sein als andere. Der Identify des Spiels ist, wie man den jeweiligen Algorithmus auswählt, der für Ihr Drawback geeignet ist. In unserer Methode automatisieren wir diese Wahl“, sagt Azizan.

In ihrem Kontrollsystem ersetzten die Forscher die Funktion, die eine gewisse Struktur potenzieller Störungen durch ein neuronales Netzwerkmodell enthält, das lernt, sie von Daten zu approximieren. Auf diese Weise müssen sie keine a priori -Struktur der Windgeschwindigkeit haben, die diese Drohne im Voraus begegnen könnte.

Ihre Methode verwendet auch einen Algorithmus, um automatisch die Funktion des richtigen Spiegelabzins zu wählen, während das neuronale Netzwerkmodell aus Daten gelernt wird, anstatt davon auszugehen, dass ein Benutzer die ideale Funktion bereits ausgewählt hat. Die Forscher geben diesem Algorithmus eine Reihe von Funktionen, aus denen er auswählen kann, und findet denjenigen, das am besten zum vorliegenden Drawback passt.

„Die Auswahl einer guten Entfernung erzeugende Funktion zum Erstellen der richtigen Anpassung des Spiegelabsachens ist sehr wichtig, um den richtigen Algorithmus zu erhalten, um den Monitoring-Fehler zu verringern“, fügt Tang hinzu.

Sich anpassen zu lernen

Während die Windgeschwindigkeit, die die Drohne möglicherweise begegnen kann, sich jedes Mal ändern könnte, wenn sie Flug benötigt, sollte das neuronale Netzwerk und die Spiegelfunktion des Controllers gleich bleiben, sodass sie nicht jedes Mal neu berechnet werden müssen.

Um ihren Controller flexibler zu machen, verwenden die Forscher Meta-Studying und lehren es, sich während des Trainings eine Reihe von Windgeschwindigkeitsfamilien anzupassen.

„Unsere Methode kann mit unterschiedlichen Zielen fertig werden, da wir mit Meta-Studying eine gemeinsame Darstellung durch verschiedene Szenarien effizient aus Daten lernen können“, erklärt Tang.

Am Ende füttert der Benutzer dem Steuerungssystem eine Zielbahn und kalkuliert in Echtzeit kontinuierlich, wie die Drohne den Schub erzeugen sollte, um sie so nah wie möglich an diese Flugbahn zu halten und gleichzeitig die unsicheren Störungen aufzunehmen, denen sie begegnet.

Sowohl in Simulationen als auch in realen Experimenten zeigten die Forscher, dass ihre Methode zu einem signifikant weniger Trajektorienverfolgungsfehler als Basisansätze bei jeder getesteten Windgeschwindigkeit führte.

„Selbst wenn die Windstörungen viel stärker sind als wir während des Trainings gesehen haben, zeigt unsere Technik, dass sie sie immer noch erfolgreich umgehen kann“, fügt Azizan hinzu.

Darüber hinaus wuchs der Rand, mit dem ihre Methode die Baselines übertraf, als sich die Windgeschwindigkeiten intensivierten, was zeigt, dass sie sich an herausfordernde Umgebungen anpassen kann.

Das Crew führt jetzt {Hardware} -Experimente durch, um sein Steuerungssystem auf realen Drohnen mit unterschiedlichen Windbedingungen und anderen Störungen zu testen.

Sie möchten auch ihre Methode erweitern, damit sie Störungen aus mehreren Quellen gleichzeitig behandeln können. Zum Beispiel kann das Ändern der Windgeschwindigkeiten das Gewicht eines Pakets verursachen, das die Drohne in die Flugverschiebung verändert, insbesondere wenn die Drohne schlupfende Nutzlasten trägt.

Sie wollen auch ein kontinuierliches Lernen untersuchen, sodass sich die Drohne an neue Störungen anpassen kann, ohne dass auch die Daten, die sie bisher gesehen hat, umgeschrieben werden muss.

„Navid und seine Mitarbeiter haben Durchbruchsarbeiten entwickelt, die das Meta-Studying mit herkömmlicher adaptiver Kontrolle kombinieren, um nichtlineare Merkmale aus Daten zu lernen. Der Schlüssel zu ihrem Ansatz ist die Verwendung von Spiegelabstichtechniken, die die zugrunde liegende Geometrie des Issues in einer Weise ausnutzen können. Professor für Elektrotechnik und Pc- und Mathematikwissenschaften bei Caltech, der nicht an dieser Arbeit beteiligt struggle.

Diese Forschung wurde teilweise von MathWorks, dem MIT-IBM Watson AI Lab, dem MIT-Amazon Science Hub und dem MIT-Google-Programm zur Berechnung von Innovationen unterstützt.

Ganz gleich, ob Sie ein Achievement-Middle, ein Hersteller oder ein Händler sind: Geschwindigkeit ist Trumpf. Um Produkte jedoch schnell ausliefern zu können, müssen die Mitarbeiter jederzeit wissen, wo sich diese Produkte in ihren Lagern befinden. Das magazine offensichtlich klingen, aber verlorener oder verlegter Lagerbestand ist in Lagerhäusern auf der ganzen Welt ein großes Downside.

Corvus Robotics geht dieses Downside mit einer Bestandsverwaltungsplattform an, die mithilfe autonomer Drohnen die riesigen Palettenreihen scannt, die die meisten Lagerhäuser füllen. Die Drohnen des Unternehmens können rund um die Uhr arbeiten, unabhängig davon, ob die Beleuchtung im Lager an oder aus ist, und scannen gemeinsam mit menschlichen Arbeitern Barcodes, um ihnen einen beispiellosen Blick auf ihre Produkte zu ermöglichen.

„Normalerweise führen Lagerhäuser die Inventur zweimal im Jahr durch – wir stellen dies auf einmal professional Woche oder schneller um“, sagt Corvus-Mitbegründer und CTO Mohammed Kabir ’21. „Das bringt eine enorme betriebliche Effizienz mit sich.“

Corvus hilft Händlern, Logistikdienstleistern, Herstellern und Lebensmittelhändlern bereits dabei, ihren Lagerbestand zu verfolgen. Durch diese Arbeit hat das Unternehmen seinen Kunden dabei geholfen, enorme Effizienz- und Geschwindigkeitssteigerungen in ihren Lagern zu erzielen.

Der Schlüssel zum Erfolg von Corvus battle der Aufbau einer Drohnenplattform, die in schwierigen Umgebungen wie Lagerhäusern, in denen GPS nicht funktioniert und Wi-Fi möglicherweise schwach ist, autonom arbeiten kann, indem sie nur Kameras und neuronale Netze zur Navigation verwendet. Mit dieser Fähigkeit ist das Unternehmen davon überzeugt, dass seine Drohnen in der Lage sind, ein neues Maß an Präzision bei der Herstellung und Lagerung von Produkten in Lagern auf der ganzen Welt zu ermöglichen.

Eine neuartige Bestandsverwaltungslösung

Kabir beschäftigt sich seit seinem 14. Lebensjahr mit Drohnen.

„Ich interessierte mich für Drohnen, bevor es die Drohnenindustrie überhaupt gab“, sagt Kabir. „Ich würde mit Leuten arbeiten, die ich im Web gefunden habe. Damals waren es nur ein paar Bastler, die Dinge zusammenbastelten, um zu sehen, ob sie funktionieren würden.“

Im Jahr 2017, im selben Jahr, in dem Kabir ans MIT kam, erhielt er eine Nachricht von seiner späteren Corvus-Mitbegründerin Jackie Wu, die zu dieser Zeit Studentin an der Northwestern College battle. Wu hatte im Rahmen eines Open-Supply-Drohnenprojekts einige von Kabirs Arbeiten zur Drohnennavigation in Umgebungen ohne GPS gesehen. Die Studenten beschlossen zu prüfen, ob sie die Arbeit als Grundlage für ein Unternehmen nutzen könnten.

Kabir begann an freien Nächten und Wochenenden zu arbeiten, während er den Aufbau der Corvus-Technologie mit seinen Kursarbeiten in der Abteilung für Luft- und Raumfahrt des MIT unter einen Hut brachte. Die Gründer versuchten zunächst, handelsübliche Drohnen einzusetzen und diese mit Sensoren und Rechenleistung auszustatten. Schließlich wurde ihnen klar, dass sie ihre Drohnen von Grund auf neu entwickeln mussten, da handelsübliche Drohnen nicht die Artwork von Kontrolle und Zugriff auf niedriger Ebene boten, die sie zum Aufbau einer Autonomie über den gesamten Lebenszyklus benötigten.

Kabir baute den ersten Drohnen-Prototyp in seinem Wohnheimzimmer in Simmons Corridor und begann, jede neue Model auf dem Feld vor der Tür zu fliegen.

„Wir bauten diese Drohnen-Prototypen und brachten sie heraus, um zu sehen, ob sie überhaupt fliegen würden. Dann gingen wir wieder hinein und begannen, darauf unsere Autonomiesysteme aufzubauen“, erinnert sich Kabir.

Während seiner Arbeit am Corvus battle Kabir auch einer der Gründer des MIT Driverless-Programms, das Nordamerikas erste siegreiche fahrerlose Rennwagen baute.

„Es ist alles Teil derselben Autonomiegeschichte“, sagt Kabir. „Ich battle schon immer sehr daran interessiert, Roboter zu bauen, die ohne menschliche Berührung funktionieren.“

Von Anfang an glaubten die Gründer, dass die Bestandsverwaltung eine vielversprechende Anwendung für ihre Drohnentechnologie sei. Schließlich mieteten sie eine Anlage in Boston und simulierten ein Lagerhaus mit riesigen Regalen und Kisten, um ihre Technologie zu verfeinern.

Als Kabir 2021 seinen Abschluss machte, hatte Corvus mehrere Pilotprojekte mit Kunden abgeschlossen. Ein Kunde battle MSI, ein Baustoffunternehmen, das Bodenbeläge, Arbeitsplatten, Fliesen und mehr vertreibt. Bald nutzte MSI Corvus täglich in mehreren Einrichtungen seines landesweiten Netzwerks.

Die Corvus One-Drohne, die das Unternehmen als weltweit erste vollständig autonome Lagerbestandsverwaltungsdrohne bezeichnet, ist mit 14 Kameras und einem KI-System ausgestattet, das eine sichere Navigation zum Scannen von Barcodes und zur Aufzeichnung des Standorts jedes Produkts ermöglicht. In den meisten Fällen werden die gesammelten Daten an das Lagerverwaltungssystem des Kunden (normalerweise das Aufzeichnungssystem des Lagers) weitergegeben, und alle festgestellten Unstimmigkeiten werden automatisch mit einem Lösungsvorschlag kategorisiert. Darüber hinaus können Kunden über die Corvus-Schnittstelle Flugverbotszonen auswählen, Flugverhalten festlegen und automatisierte Flugpläne festlegen.

„Als wir anfingen, wussten wir nicht, ob eine lebenslange, visionsbasierte Autonomie in Lagern überhaupt möglich ist“, sagt Kabir. „Es stellt sich heraus, dass es wirklich schwierig ist, infrastrukturfreie Autonomie mit herkömmlichen Pc-Imaginative and prescient-Techniken zum Laufen zu bringen. Wir waren die ersten weltweit, die einen lernbasierten Autonomie-Stack für einen Indoor-Flugroboter auf den Markt gebracht haben, der auf maschinellem Lernen und auf neuronalen Netzwerken basierenden Ansätzen basiert. Wir haben KI genutzt, bevor sie cool battle.“

Zur Einrichtung installiert das Workforce von Corvus einfach eine oder mehrere Docks, die als Lade- und Datenübertragungsstation dienen, an den Enden der Produktregale und führt einen groben Kartierungsschritt mithilfe von Maßbändern durch. Die Feinheiten ergänzen die Drohnen dann selbstständig. Kabir sagt, dass es etwa eine Woche dauert, bis eine 1 Million Quadratmeter große Anlage vollständig betriebsbereit ist.

„Wir müssen keine Aufkleber, Reflektoren oder Leuchtfeuer anbringen“, sagt Kabir. „Unser Setup ist im Vergleich zu anderen Optionen in der Branche wirklich schnell. Wir nennen es infrastrukturfreie Autonomie und es ist für uns ein großes Unterscheidungsmerkmal.“

Vom Gabelstapler bis zur Drohne

Heutzutage wird ein Großteil der Bestandsverwaltung von einer Particular person erledigt, die einen Gabelstapler oder eine Scherenhebebühne verwendet, um Barcodes zu scannen und Notizen in einem Klemmbrett zu machen. Das Ergebnis sind unregelmäßige und ungenaue Bestandskontrollen, die manchmal dazu führen, dass Lager den Betrieb schließen müssen.

„Sie fahren mit diesen Aufzügen auf und ab, und dazu sind all diese manuellen Schritte erforderlich“, sagt Kabir. „Man muss die Daten manuell erfassen, dann gibt es einen Dateneingabeschritt, da keines dieser Systeme miteinander verbunden ist. Wir haben herausgefunden, dass viele Lager von fehlerhaften Daten gesteuert werden, und es gibt keine Möglichkeit, das zu beheben, es sei denn, man korrigiert die Daten, die man überhaupt sammelt.“

Corvus kann Bestandsverwaltungssysteme und -prozesse zusammenführen. Die Drohnen des Unternehmens sind außerdem jeden Tag sicher in der Nähe von Menschen und Gabelstaplern im Einsatz.

„Das battle ein zentrales Ziel für uns“, sagt Kabir. „Wenn wir ein Lager betreten, ist das ein Privileg, das uns der Kunde gegeben hat. Wir wollen ihren Betrieb nicht stören und bauen ein System auf, das auf dieser Idee basiert. Sie können es fliegen, wann immer Sie es brauchen, und das System richtet sich nach Ihrem Zeitplan.“

Kabir ist bereits davon überzeugt, dass Corvus die umfassendste verfügbare Bestandsverwaltungslösung bietet. In Zukunft wird das Unternehmen mehr Finish-to-Finish-Lösungen für die Bestandsverwaltung anbieten, sobald diese in den Lagern eintreffen.

„Drohnen lösen eigentlich nur einen Teil des Bestandsproblems“, sagt Kabir. „Drohnen fliegen herum, um den Palettenbestand in den Regalen zu verfolgen, aber viele Dinge gehen verloren, noch bevor sie die Regale erreichen. Produkte kommen an, werden von einem LKW abgeholt und dann auf dem Boden gestapelt, und bevor sie in die Regale gebracht werden, sind die Artikel verloren gegangen. Sie sind falsch beschriftet, falsch platziert und einfach weg. Unsere Imaginative and prescient ist es, dieses Downside zu lösen.“