سیستم هوش مصنوعی نوین، ابداع شده با همکاری نوید عزیزان، دانشمند ایرانی دانشگاه ام‌آی‌تی (MIT)، گامی بلند در جهت افزایش قابلیت‌های پهپادها برداشته است. این فناوری جدید به پهپادها امکان می‌دهد تا به طور خودکار با اختلالات ناشناخته مانند بادهای شدید سازگار شده و مسیر خود را با دقت بیشتری طی کنند. این پیشرفت می‌تواند کاربردهای وسیعی در زمینه‌های مختلف، از اطفاء حریق تا تحویل بسته‌ها و نظارت بر محیط زیست، داشته باشد.
غلبه بر چالش‌های محیط‌های غیرقابل پیش‌بینی
فرض کنید یک پهپاد خودران در حال حمل آب برای اطفاء حریق در رشته‌کوه سیرا نوادا است. در این مسیر، ممکن است ناگهان با بادهای چرخان و غیرقابل پیش‌بینی سانتا آنا در کالیفرنیا روبرو شود که آن را از مسیر اصلی منحرف می‌کند. سازگاری سریع با چنین اختلالاتی در حین پرواز، چالشی بزرگ برای سیستم‌های کنترل پرواز پهپادها محسوب می‌شود.
پژوهشگران دانشگاه ام‌آی‌تی برای حل این مشکل، یک الگوریتم جدید کنترل تطبیقی مبتنی بر یادگیری ماشینی توسعه داده‌اند. این الگوریتم می‌تواند انحراف پهپاد از مسیر مورد نظر را در مواجهه با نیروهای غیرقابل پیش‌بینی مانند بادهای شدید به حداقل برساند. نکته برجسته این روش آن است که برخلاف رویکردهای استاندارد، نیازی نیست برنامه‌ریز پهپاد از قبل اطلاعاتی درباره ساختار این اختلالات نامشخص داشته باشد. در عوض، مدل هوش مصنوعی تمام اطلاعات لازم را از مقدار کمی داده‌های جمع‌آوری‌شده طی تنها ۱۵ دقیقه پرواز یاد می‌گیرد.
“فرایادگیری” و انتخاب هوشمندانه الگوریتم
یکی از نوآوری‌های کلیدی در این سیستم، توانایی آن در تعیین خودکار الگوریتم مناسب برای سازگاری با اختلالات به منظور بهبود عملکرد ردیابی است. این روش، الگوریتمی را انتخاب می‌کند که به بهترین وجه با هندسه اختلالات خاص بر سر راه پهپاد مطابقت دارد.
پژوهشگران، سیستم کنترل خود را با استفاده از روشی به نام “فرایادگیری” (Meta-learning) آموزش می‌دهند. این روش به سیستم می‌آموزد که چگونه با انواع گوناگون اختلالات سازگار شود و به طور همزمان هر دو کار را انجام دهد. این اجزا در مجموع، سیستم کنترل تطبیقی آنها را قادر می‌سازد تا در شبیه‌سازی‌ها به ۵۰ درصد خطای ردیابی مسیر کمتر از روش‌های پایه دست یابد و حتی در رویارویی با سرعت‌های بادی که در طول آموزش ندیده بود، عملکرد بهتری از خود نشان دهد.
نوید عزیزان، دانشیار دانشکده مهندسی مکانیک دانشگاه ام‌آی‌تی و پژوهشگر ارشد این پروژه، می‌گوید: “یادگیری همزمان این اجزا همان چیزی است که به روش ما قدرت می‌دهد. با بهره‌گیری از فرایادگیری، کنترل‌کننده ما می‌تواند به طور خودکار انتخاب‌هایی کند که بهترین گزینه برای سازگاری سریع باشند.“
نوآوری در مدل‌سازی اختلالات و “کاهش آینه‌ای”
سیستم‌های کنترل معمولاً شامل تابعی برای مدل‌سازی پهپاد و محیط آن هستند که اطلاعاتی درباره ساختار اختلالات احتمالی را در بر می‌گیرد. اما در دنیای واقعی، طراحی دستی این ساختار از پیش، اغلب غیرممکن است. بسیاری از سیستم‌های کنترل از یک روش تطبیق مبتنی بر الگوریتم محبوب “گرادیان کاهشی” برای تخمین بخش‌های ناشناخته و حفظ مسیر پهپاد استفاده می‌کنند. با این حال، گرادیان کاهشی تنها یکی از الگوریتم‌های خانواده بزرگتری به نام “کاهش آینه‌ای” است.
عزیزان توضیح می‌دهد: “کاهش آینه‌ای یک خانواده کلی از الگوریتم‌هاست و برای هر مسئله مشخص، یکی از این الگوریتم‌ها می‌تواند مناسب‌تر از بقیه باشد. موضوع این است که چگونه الگوریتم خاص و مناسب برای مسئله خود را انتخاب کنید. ما در روش خود، این انتخاب را خودکار می‌کنیم.“
پژوهشگران در سیستم کنترل خود، تابعی را که شامل ساختاری از اختلالات بالقوه است، با یک مدل شبکه عصبی جایگزین کردند که شرایط را از داده‌ها حدس می‌زند. این کار نیاز به فرضیات اولیه درباره سرعت باد را برطرف می‌کند. روش آنها به جای فرض انتخاب تابع ایده‌آل توسط کاربر، از الگوریتمی برای انتخاب خودکار تابع کاهش آینه‌ای مناسب هنگام یادگیری مدل شبکه عصبی از داده‌ها استفاده می‌کند. این الگوریتم از میان طیف وسیعی از توابع، بهترین تابع را متناسب با مسئله مورد نظر پیدا می‌کند.
آینده‌ای روشن برای پهپادهای هوشمند
سانبوچن تانگ، از پژوهشگران این پروژه، خاطرنشان می‌کند: “انتخاب یک تابع خوب مولد فاصله برای ساخت تطبیق کاهش آینه‌ای مناسب، در دستیابی به الگوریتم مناسب برای کاهش خطای ردیابی بسیار مهم است.”
این گروه پژوهشی در حال حاضر در حال انجام آزمایش‌های سخت‌افزاری برای بررسی سیستم کنترل خود روی پهپادهای واقعی با شرایط باد متغیر و سایر اختلالات هستند. آنها همچنین قصد دارند روش خود را گسترش دهند تا بتواند اختلالات ناشی از چندین منبع را به طور همزمان مدیریت کند (مانند تغییر وزن بسته همراه پهپاد به دلیل باد). هدف دیگر آنها، بررسی یادگیری مداوم است تا پهپاد بتواند بدون نیاز به آموزش مجدد، با اختلالات جدید سازگار شود.
بابک حسیبی، استاد مهندسی برق و علوم محاسبات و ریاضی مؤسسه فناوری کالیفرنیا (Caltech)، که در این پژوهش مشارکت نداشته است، این روش را “نوآورانه” خواند و اظهار داشت: “نوید و همکارانش یک روش نوآورانه را ارائه داده‌اند که فرایادگیری را با کنترل تطبیقی مرسوم ترکیب می‌کند تا ویژگی‌های غیرخطی را از داده‌ها بیاموزد. کلید روش آنها استفاده از روش‌های کاهش آینه‌ای است که از هندسه زیربنای مسئله به شیوه‌هایی بهره‌برداری می‌کنند که روش‌های پیشین نمی‌توانستند. روش آنها می‌تواند به طور قابل توجهی به طراحی سیستم‌های خودکار کمک کند که به عملکرد در محیط‌های پیچیده و نامشخص نیاز دارند.“
این پیشرفت می‌تواند به پهپادهای خودران کمک کند تا با وجود بادهای شدید، بسته‌های سنگین را با کارآیی بیشتری تحویل دهند یا مناطق مستعد آتش‌سوزی یک پارک ملی را به طور مؤثرتری رصد کنند. آیا به نظر شما، این فناوری می‌تواند در آینده نزدیک به استانداردی برای هدایت پهپادها در محیط‌های عملیاتی تبدیل شود؟
