Dronet ja Varastorobotit: Turvallisuusohjelmointi on Keskeistä – MIT:llä Voi Olla Ratkaisu

Tarve hallita suuria autonomisten ajoneuvojen ja dronien laivastoja kasvaa jatkuvasti. Valitettavasti nykyiset järjestelmät vaativat paljon työtä ja laskentatehoa. Lisäksi nämä turvallisuusohjelmointijärjestelmät eivät pysty säätämään toimintaansa lennossa.

Seurauksena, kun kaupallinen drone‑laivastojen käyttö yleistyy, on elintärkeää luoda turvallisuusohjelmointiprotokollia, jotka virtaviivaistavat prosesseja ja tarjoavat takuita. Onneksi MIT:n innovatiivinen tutkijaryhmä saattaa olla löytänyt ratkaisun. Tässä on, mitä sinun tulee tietää.

Drooniesitykset

Olympialaisista uusiin tuotelanseerauksiin drooniesitykset ovat yhä yleisempiä. Nämä tapahtumat voivat hyödyntää satoja droneja, jotka toimivat yhdessä luodakseen kuvia, animaatioita ja paljon muuta. Nämä laajamittaiset valonäytökset ovat henkeäsalpaavia. Vielä vaikuttavampaa kuin itse toiminnot on kaikki työ, joka tekee näistä esityksistä mahdollisia.

Nykyiset Turvallisuusohjelmointimenetelmät

Nykyinen tapa, jolla insinöörit ohjaavat suuria drone‑parvia tai muita moniautonomisia robottijärjestelmiä, on moni‑agenttijärjestelmien (MAS) käyttö. Nämä protokollat yhdistävät trajektorit, reittipisteet ja aikarajoitukset. Yhdessä nämä tekijät antavat jokaiselle dronelle tiedon siitä, missä se on ennalta suunnitellun lentoreittinsä varrella.

Tämä lähestymistapa toimii, kun olosuhteet ovat hyvät ja dronet ovat oikeassa paikassa ajoissa. Kuitenkin vakavia haittoja voi ilmetä, kun laitteet poikkeavat kurssista. Törmäysten estämiseksi insinöörit käyttävät tekniikkaa, jota kutsutaan paripolku‑suunnitteluksi.

Turvallisuusohjelmoinnin Haitat

Tämä algoritmi antaa jokaiselle dronelle tiedon siitä, missä sen pitäisi olla suhteessa muihin droneihin, jos kaikki sujuu täydellisesti. Kuitenkin, kun viestintäkatkoja ilmenee, vakavia ongelmia voi syntyä. Koska jokainen MAS‑asetuksen drone lentää sokeana laukaisun jälkeen, se olettaa ennalta suunnitellun reitin, vaikka ulkoiset tekijät tekisivät alkuperäisestä suunnitelmasta virheellisen. Tämä tilanne voi johtaa hyvin erikoisiin toimintoihin, kuten odottamattomiin laskeutumisiin, dronien putoamiseen katsojien päälle, lentämiseen minnekään tai toimimattomuuteen.

Viimeaikaiset Drooniesitysten Onnettomuudet

Drone‑esitysten ja autonomisten robottien äkillinen nousu on johtanut vaarallisiin tilanteisiin. Dronet aiheuttavat monia uhkia, vaikka ne eivät olisi aseistettuja. Nämä laitteet voivat menettää yhteyden ja pudota sadoista jaloista maahan, vahingoittaen laitetta ja jalankulkijoita. Lisäksi törmäykset muiden lentokoneiden kanssa voivat aiheuttaa katastrofaalisia menetyksiä ja kuolemia. Kaksi viimeaikaista esimerkkiä korostavat näitä huolia:

Florida

Orlandon asukkaat, jotka kokoontuivat ulos katsomaan drone‑esitystä 21. joulukuuta 2024, eivät tienneet, että tapahtuma kääntyisi vaaralliseksi. Tapahtuman aikana, jossa oli satoja droneja, yhteysvirhe johti useiden dronien putoamiseen maahan ja osumiseen katsojiin.

Valitettavasti yksi droneista putosi 7‑vuotiaan lapsen päälle, aiheuttaen vakavia vammoja, jotka vaativat hätäleikkausta. Kun tapahtumasta kysyttiin, tapahtuman takana oleva yritys Sky Elements Drone ilmaisi katumuksensa ja lupasi tutkia syyn estääkseen tulevat tapaturmat.

New York

Toinen tapahtuma, joka tapahtui viime vuonna, koski droneja Staten Islandissa, New Yorkissa. Tässä tapauksessa drone‑operaattori oli lennättänyt 2,5 mailia etäälle. Koska hän oli näkökentän ulkopuolella, hän ei huomannut UH‑60 Black Hawk -helikopteria ja törmäsi siihen.

Onneksi helikopteri pystyi limppäämään takaisin tukikohtaan. Tarkemmassa tarkastelussa miehistö kuitenkin tajusi, että he olivat olleet äärimmäisen onnekkaita, sillä dronista löytyi osia pääroottorin akselista. Pitkän tutkinnan jälkeen National Transportation Safety Board julkaisi onnettomuusraportin, jossa paljastui UAV‑operaattorin syyllisyys.

Moni‑agenttinen Turvallisuusohjelmointitutkimus

MIT:n insinöörit tunnistaen tarpeen ketterämmälle ja reagoivammalle turvallisuusjärjestelmälle autonomisten yksiköiden laivastoja käsiteltäessä, esittelivät uuden koulutusmenetelmän äskettäin julkaistussa artikkelissa IEEE Transactions on Robotics¹. Heidän tutkimuksensa kuvaa uuden koulutusmenetelmän, joka parantaa turvallisuussuojaa ja vähentää näiden protokollien käyttöön liittyvää työmäärää.

Graafinen Kontrolliesteen Funktio GCBF+

Graafinen Kontrolliesteen Funktio + -protokolla perustuu aikaisempiin este‑funktioalgoritmeihin ja lisää omia järjestelmiä turvallisuuden ylläpitämisen virtaviivaistamiseksi massiivisissa ajoneuvolaivastoissa. Vaikuttavasti GCBF+ mahdollistaa dronejen navigoinnin monimutkaisissa ympäristöissä lähes samalla tavalla kuin ihmiset.

Havainnointisäde

Järjestelmä aloittaa luomalla pienemmän havainnointisäteen, joka keskittyy pääasiassa törmäysriskeihin eikä koko lentosuunnitelmaan. Tämä vähentää dronin hallintatarvetta ja mahdollistaa aktiivisen esteiden seuraamisen ja väistämisen ympäristössä.

Tilannetietoisuus

Päivitetty GCBF+ antaa droneille tarkat reaaliaikaiset tiedot niiden sijainnista ja asemasta suhteessa muihin UAV:ihin lähellä. Kaikkien dronejen reaaliaikainen seuranta mahdollistaa useiden koordinoitujen, yhteistyökykyisten ja tietokoneohjelmoitujen agenttien työskentelyn yhdessä tehtävien suorittamiseksi.

Graafiset Neuroverkot (GNN:t)

Tiimi loi räätälöidyn tietokonemallin, joka hyödynsi kehittyneitä graafisia neuroverkkoja (GNN), mahdollistaen hyödyntää keskeisiä etuja, kuten GCBF:n parametrisoimisen ja ohjauspolitiikkojen jakelun. Erityisesti järjestelmä simuloi agenteja ja ohjaimia.

Lähde – MIT

Insinöörit käyttivät tarkkoja todellisten dronejen teknisiä tietoja. He sisällysivät mekaaniset kyvyt, rajoitukset, suorituskyvyn, akun keston ja muut keskeiset tekijät. Simulaatio käytti tätä tietoa luodakseen laajamittaisia testejä, joita insinöörit seurasivat.

Erityisesti päätös käyttää graafista neuroverkkoa (GNN) oli perusteltu, sillä se mahdollistaa etäisyyspohjaisen havainnointitiedon graafisen topologian muutosten seurannan. Tämä syöte yhdistettiin muihin tietoihin, jotta AI‑järjestelmä voitaisiin ohjelmoida tasapainottamaan suorituskykyä ja turvallisuutta.

Lisää Agentteja ja Tehtäviä

Insinöörit alkoivat laajentaa simulaatiota sisällyttämään enemmän yksiköitä ja monimutkaisempia tehtäviä. He havaitsivat, että reaaliaikaiset turvallisuusjärjestelmät säätivät automaattisesti toimintaansa, kun ne kopioitiin ja liitettiin uusiin droneihin. Jokainen vuorovaikutus kirjattiin, kun simulaatioon lisättiin lisää droneja.

Seuraa Törmäyksiä Tuhansissa Simulaatioissa

Kun agenttien ja esteiden määrä sekä tiheys kasvoivat, järjestelmää hienosäädettiin niin, että törmäyksiä ei tapahtunut palkintona. GNN alkoi itsenäisesti säätää ohjaimen syötettä varmistaakseen, että turvallisuusrikkomuksia vähenisi.

Insinöörit huomioivat, miten GNN mahdollisti dronejen reittien reaaliaikaisen säätämisen muiden bottien kanssa tapahtuvien törmäysten välttämiseksi. Tämä testi auttoi varmistamaan, että ohjain oli reaktiivinen, eli se loi jatkuvasti uuden lentoreitin droneille reaaliaikaisten ympäristöolosuhteiden perusteella.

MIT:n insinöörit esittelivät myös turvallisuusrajoja osana tätä lähestymistapaa. Nämä ovat alueita, joissa laitteet todennäköisesti rikkovat turvallisuusrajoja. Ohjaamalla laitteita välttämään näitä alueita tiimi vähensi merkittävästi monia nykyisten järjestelmien törmäyksiä ja virheitä.

Koulutusmenetelmä Moni‑agenttijärjestelmiin

Vaikuttavasti ohjain kopioitiin ja liitettiin muihin yksiköihin, kun simulaatio oli ratkaissut kaikki turvallisuushuolenaiheet. Koska protokolla pystyy käsittelemään mielivaltaisia graafisia topologioita, sen skaalaaminen pystysuunnassa on helpompaa. Lisäksi se voi ottaa huomioon osallistujamäärän muutokset, mikä tarkoittaa, että ohjelmointi voidaan tehdä muutamalla dronella ja jakaa sitten koko parville.

MAS‑turvallisuusohjelmointitesti

Insinöörit aloittivat hajautetun kehyksen testaamisen turvalliseen moni‑agentti‑ohjaukseen suurissa, esteitä sisältävissä ympäristöissä Crazyflies‑droneja käyttäen. Nämä käden kokoiset kvadrotoridronet päivitettiin GNN:n avulla. Testausvaiheessa käytettiin yhteensä 8 Crazyflies‑laitetta.

Agentit käyttivät 8 todellista dronia toiminnan seurannassa ja valvonnassa. Tiedot jaettiin simulaatiossa, jossa oli 1000 dronea. Sama skaalausmenetelmä sovellettiin esteisiin. Tiimi aloitti 8 esteellä todellisessa testissä. Simulaatio nosti määrän 128 liikkuvaan ja paikallaan olevaan esteeseen lopullisissa testeissä.

MAS‑turvallisuusohjelmointitestin Eri Tavoitteet

Dronet saivat erilaisia tavoitteita nähdäkseen, miten ne pärjäävät ruuhkaisissa ympäristöissä. Yksi tehtävä oli vaihtaa paikkoja lennossa. Tämä tehtävä saattaa vaikuttaa yksinkertaiselta, mutta kun käsitellään 1000 dronea, törmäysriski on suuri.

Lasku

Seuraava tavoite oli saada dronet laskeutumaan liikkuville laatikoille. Liikkuvat laatikot olivat robotteja, joita kutsuttiin Turtleboteiksi. Turtleboteja asetettiin kiertämään eri nopeuksilla. Dronet tarvitsivat navigoida toistensa ympäri ja laskeutua turvallisesti turtlebotiin tehtävänsä suorittamiseksi.

MAS‑turvallisuusohjelmointitestin Tulokset

Tulokset ovat silmiä avaavia. Laitteet ylittivät edeltäjänsä sekä 2D‑ että 3D‑ympäristöissä. Järjestelmän LiDAR‑pohjaisten pistepilvi‑havainnoiden käyttö esteiden käsittelyyn osoittautui erinomaiseksi lisäykseksi. Se mahdollisti dronejen reaaliaikaiset säädöt ja pysymisen määritellyissä turvallisuusvyöhykkeissä.

Crazyflies lentelivät, suorittivat tehtävänsä lennon aikana ja laskeutuivat onnistuneesti ilman törmäyksiä. Insinöörit päättelivät, että järjestelmä voi vähentää törmäyksiä 40 %. Se myös paransi dronejen suorituskykyä, mahdollistaen satojen dronejen tehtävien suorittamisen ilman onnettomuuksia.

MAS‑turvallisuusohjelmointitutkimuksen Hyödyt

Tutkimus tuo markkinoille useita etuja. Ensinnäkin se mahdollistaa insinööreille automaattisen tasapainottamisen turvallisuusvaatimusten ja suorituskykykriteerien välillä. Kontrolliesteen funktioteorian käyttö turvallisuustakuuissa vähentää merkittävästi lähellä olevien ihmisten altistumista vaaralle. Lisäksi LiDAR‑järjestelmien käyttö takaa reaaliaikaisen palautteen ja lentoreittien säätämisen.

Vain Kohde

Yksi suurimmista tämän teknologian eduista on, että insinöörit eivät suunnitelleet yhtään lentoreittiä perinteisiin menetelmiin verrattuna, jotka vaativat paljon aikaa ja laskentatehoa. Tiimi antoi droneille vain ohjeet ja kohteen. Laite ei laskenut yhtäkään törmäyksenvapaata reittiä. Sen sijaan se laski tuhansia reittejä antamansa sensorisyötteen perusteella reaaliajassa, varmistaen, että kaikki muutokset kirjataan ja säädöt tehdään.

Skaalautuva

Insinöörit tekivät merkittävän päivityksen nykyiseen järjestelmään uusimmalla kopioi‑ja‑liitä‑ohjaimella. Tämä protokolla hyödyntää graafirakennetta, joka on ihanteellinen skaalautuvaan ja yleistettävään hajautettuun MAS‑ohjaukseen.

Tämä lähestymistapa tarkoittaa, että tulevat drone‑pilootit tarvitsevat ohjelmoida vain pienen määrän yksiköitä. Turvallisuusparametrit voidaan sitten skaalata rajoittamattomaan määrään droneja, mikä säästää rahaa, aikaa ja vaivaa, ilman että suorituskyky kärsii.

MAS‑turvallisuusohjelmoinnin Sovellukset

Tämän teknologian sovellusten lista kasvaa jatkuvasti. Kyky helposti luoda, jakaa ja skaalata ohjausprotokollaa on suuri parannus drone‑törmäyksenestojärjestelmiin. Se mahdollistaa suurten sovellusten nopean konfiguroinnin uusiin ympäristöihin. Tämä kyky tekee teknologiasta sopivan käytettäväksi varastoissa, pelastusoperaatioissa, itseajavissa autoissa ja sotilastehtävissä.

MAS‑turvallisuusohjelmoinnin Tutkijat

Tutkimuksen takana ovat MIT:n avaruus- ja astronautiikan apulaisprofessori Chuchu Fan, sekä Songyuan Zhang, Oswin ja Kunal Garg. Merkittävää on, että tutkimus sai rahoitusta Yhdysvaltain National Science Foundationilta, MIT Lincoln Laboratoryilta Safety in Aerobatic Flight Regimes (SAFR) -ohjelman kautta sekä Singaporen Defence Science and Technology Agencylta.

Johtava Yritys Autonomisissa Ajoneuvoissa

Useat yritykset voisivat hyödyntää MAS‑turvallisuusohjelmointitutkimusta parantaakseen UAV‑ tai EV‑tarjontaansa. Kun yhä useammat autonomiset alusten valmistajat lanseeraavat tuotteita, turvallisuusvaatimukset autonomisten ajoneuvolaivastojen osalta kasvavat. Tässä on yksi yritys, joka on täydellisesti asemoitunut hyödyntämään tätä dataa ja parantamaan sijoitetun pääoman tuottoaan.

Amazon

Kun on kyse autonomisten robottiparvien operoinnista, Amazon (AMZN ) on aloituspaketin johtaja. Yritys integroidi autonomiset robotit tehdasksi jo vuosia sitten. Siitä lähtien se on laajentanut drone‑laivastoaan sisältämään UAV‑ja ja EV‑jä. Kun laivasto kasvaa, turvallisuusparametrien ja ohjausjärjestelmien kysyntä, kuten MIT:n tutkijoiden kehittämät, kasvaa.

Amazon on pitkään vihjannut drone‑toimituslaivastoista. Tulevana vuonna yritys saattaa aloittaa lanseerausvaiheen. Merkittävää on, että FAA hyväksyi MK30‑dronet, joita se aikoo käyttää lennolle viime marraskuussa.

Amazon on myös edistynyt kohti 10‑vuotista tavoitettaan toimittaa paketteja droneilla EU:ssa. Erityisesti yritys testasi toimitusjärjestelmäänsä San Salvossa, Italiassa, viime joulukuussa erinomaisin tuloksin.

Jos toteutuu, Amazon voisi käyttää droneja toimittaakseen yli 500 miljoonaa asiakasta vuodessa. Tämä toimenpide vähentäisi merkittävästi toimituskustannuksia ja varkauksia, mikä voisi nostaa AMZN‑osakkeen arvoa.

MAS‑turvallisuusohjelmoinnin Tulevaisuus

Drone‑turvallisuusohjelmoinnin tulevaisuus on skaalautuvia, korkean suorituskyvyn AI‑pohjaisia järjestelmiä. Nämä järjestelmät antavat insinööreille mahdollisuuden yksinkertaistaa kaikkea luomisesta turvallisuusprotokollien hallintaan ja jakeluun.

Tulevaisuudessa toimitusdroneillasi on täysi ymmärrys reaaliaikaisesta ympäristöstään, lentoreitistään ja työkavereidensa sijainnista. Näin ollen ihmiset lähestyvät yhä enemmän päivää, jolloin 24‑tunnin toimitus saattaa vaikuttaa liian hitaalta.

Lisätietoa muista kiehtovista kehityksistä robotiikan alalla täältä.

Tutkimusviite:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: Neurograafinen kontrolliesteen funktio -kehys hajautetulle turvalliselle moni‑agenttiohjaukselle. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}