Dari Drone ke Bot Gudang, Pemrograman Keamanan Sangat Penting – MIT Mungkin Memiliki Solusi

Kebutuhan untuk mengelola armada besar kendaraan otonom dan drone terus meningkat. Sayangnya, sistem yang ada saat ini memerlukan banyak upaya dan daya komputasi. Selain itu, sistem pemrograman keamanan ini tidak dapat menyesuaikan secara real-time.

Akibatnya, seiring penggunaan komersial armada drone menjadi umum, sangat penting untuk menciptakan protokol pemrograman keamanan yang menyederhanakan proses dan memberikan jaminan. Untungnya, tim peneliti inovatif dari MIT mungkin memiliki solusi. Berikut yang perlu Anda ketahui.

Pertunjukan Drone

Dari Olimpiade hingga peluncuran produk baru, pertunjukan drone menjadi lebih umum daripada sebelumnya. Acara ini dapat memanfaatkan ratusan drone yang bekerja secara bersamaan untuk menciptakan gambar, animasi, dan banyak lagi. Tampilan cahaya berskala besar ini tampak menakjubkan. Lebih mengesankan lagi daripada aksi-aksi tersebut adalah semua kerja keras yang diperlukan untuk mewujudkan pertunjukan ini.

Metode Pemrograman Keamanan Saat Ini

Cara saat ini yang digunakan insinyur untuk mengendalikan kawanan drone besar atau sistem robotik multi-otonom lainnya adalah melalui penggunaan sistem Multi-agen (MAS). Protokol ini menggabungkan lintasan, dengan titik jalan dan batas waktu. Bersama-sama, faktor-faktor ini memungkinkan setiap drone mengetahui posisinya sepanjang jalur penerbangan yang telah direncanakan sebelumnya.
Pendekatan ini berhasil ketika kondisi baik, dan drone berada di tempat yang tepat tepat waktu. Namun, beberapa kelemahan serius dapat muncul ketika perangkat menyimpang dari jalur. Untuk mencegah tabrakan, insinyur menggunakan teknik yang disebut perencanaan jalur berpasangan.

Kekurangan Pemrograman Keamanan

Algoritma ini memberi tahu setiap drone di mana seharusnya berada relatif terhadap drone lain jika semuanya berjalan sempurna. Namun, ketika terjadi miskomunikasi, masalah serius dapat muncul. Karena setiap drone dalam konfigurasi MAS terbang buta setelah peluncuran, ia akan mengasumsikan jalur yang telah direncanakan meskipun faktor eksternal membuat rencana asli menjadi tidak tepat. Situasi ini dapat menyebabkan tindakan yang sangat aneh, seperti drone mendarat secara tak terduga, jatuh dari langit ke penonton, terbang ke tempat yang tidak diketahui, atau menjadi tidak responsif.

Kecelakaan Pertunjukan Drone Terbaru

Lonjakan tiba-tiba dalam pertunjukan drone dan robotika otonom telah menimbulkan beberapa situasi berbahaya. Drone menimbulkan banyak ancaman, bahkan ketika tidak bersenjata. Perangkat ini dapat kehilangan koneksi dan jatuh dari langit dari ketinggian ratusan kaki, merusak perangkat dan pejalan kaki. Selain itu, tabrakan dengan pesawat lain dapat mengakibatkan kerugian katastrofik dan kematian. Dua contoh terbaru menyoroti kekhawatiran ini:

Florida

Penduduk Orlando yang berkumpul di luar untuk menyaksikan pertunjukan drone pada 21 Desember 2024 tidak menyadari bahwa acara tersebut akan menjadi berbahaya. Selama acara yang melibatkan ratusan drone, kesalahan koneksi menyebabkan beberapa drone jatuh ke tanah dan menabrak penonton.
Sayangnya, salah satu drone jatuh menimpa seorang anak berusia 7 tahun, menyebabkan cedera parah yang memerlukan operasi darurat. Saat ditanya tentang insiden tersebut, perusahaan di balik acara, Sky Elements Drone, menyatakan penyesalan dan berjanji menyelidiki penyebabnya untuk mencegah insiden di masa depan.

New York

Insiden lain yang terjadi tahun lalu melibatkan drone di Staten Island, New York. Dalam insiden ini, seorang operator drone terbang sejauh 2,5 mil. Karena berada di luar garis pandang yang jelas, ia tidak dapat melihat helikopter UH-60 Black Hawk dan menabraknya.
Untungnya, helikopter tersebut berhasil kembali ke pangkalan dengan kondisi terbatas. Namun, setelah inspeksi lebih lanjut, kru menyadari bahwa mereka sangat beruntung karena bagian-bagian drone ditemukan di poros rotor utama. Setelah penyelidikan panjang, National Transportation Safety Board mengeluarkan laporan kecelakaan yang mengungkap kesalahan operator UAV.

Studi Pemrograman Keamanan Multi-Agen

Menyadari kebutuhan akan sistem keamanan yang lebih gesit dan responsif saat menangani armada unit otonom, insinyur MIT memperkenalkan metode pelatihan baru dalam makalah terbaru yang dipublikasikan di IEEE Transactions on Robotics¹. Penelitian mereka menjelaskan metode pelatihan baru yang meningkatkan perlindungan keamanan dan mengurangi beban kerja terkait penerapan protokol ini.

Fungsi Penghalang Kontrol Graf GCBF+

Protokol Fungsi Penghalang Kontrol Graf + mengembangkan algoritma fungsi penghalang sebelumnya dan menambahkan sistem proprietari untuk mempermudah pemeliharaan keamanan pada armada kendaraan yang sangat besar. Secara mengesankan, GCBF+ memungkinkan drone menavigasi lingkungan kompleks layaknya manusia.

Radius Sensor

Sistem dimulai dengan membuat radius sensor yang lebih kecil yang fokus terutama pada risiko tabrakan daripada seluruh rencana penerbangan. Hal ini mengurangi kebutuhan manajemen drone dan memungkinkan drone secara aktif melacak serta menghindari rintangan di sekitarnya.

Kesadaran Situasional

GCBF+ yang diperbarui memungkinkan drone mengetahui secara tepat di mana mereka berada secara real-time dan posisi mereka terkait UAV lain di sekitarnya. Melacak semua drone secara real-time memungkinkan banyak agen yang terkoordinasi, kolaboratif, dan diprogram komputer bekerja bersama untuk menyelesaikan tugas.

Jaringan Saraf Graf (GNN)

Tim menciptakan model komputer khusus yang memanfaatkan Jaringan Saraf Graf lanjutan, memungkinkan mereka memanfaatkan beberapa manfaat utama seperti kemampuan memparametrisasi GCBF dan mendistribusikan kebijakan kontrol. Secara khusus, sistem mensimulasikan agen dan pengendali.

Sumber – MIT

Para insinyur menggunakan spesifikasi tepat drone dunia nyata. Mereka memasukkan kemampuan mekanik, batasan, kinerja, daya tahan baterai, dan faktor penting lainnya. Simulasi kemudian mengambil informasi ini dan menggunakannya untuk membuat pengujian berskala besar yang dipantau oleh insinyur.

Secara khusus, keputusan untuk menggunakan jaringan saraf graf (GNN) masuk akal karena memungkinkan pelacakan perubahan topologi graf aliran informasi observasi berbasis jarak. Input ini kemudian digunakan bersama data lain untuk memprogram sistem AI agar menyeimbangkan kinerja dan keamanan.

Tambahkan Lebih Banyak Agen dan Tugas

Para insinyur kemudian mulai meningkatkan skala simulasi untuk mencakup lebih banyak unit dan tugas yang lebih kompleks. Mereka mencatat bahwa sistem keamanan real-time secara otomatis menyesuaikan setelah disalin dan ditempelkan ke drone baru. Setiap interaksi dicatat seiring penambahan lebih banyak drone ke dalam simulasi.

Lacak Tabrakan pada Ribuan Simulasi

Seiring meningkatnya jumlah dan kepadatan agen serta rintangan, sistem disesuaikan agar tidak ada tabrakan sebagai hadiah. GNN kemudian secara otonom mulai menyesuaikan input pengendali untuk memastikan pelanggaran keamanan berkurang.

Para insinyur mencatat bagaimana GNN memungkinkan drone menyesuaikan lintasannya secara real-time untuk menghindari tabrakan dengan bot lain. Pengujian ini membantu memastikan bahwa pengendali mereka bersifat reaktif, artinya terus-menerus membuat ulang jalur penerbangan drone berdasarkan kondisi lingkungan real-time.

Para insinyur MIT juga memperkenalkan batasan keamanan sebagai bagian dari pendekatan ini. Ini adalah area di mana perangkat cenderung mengalami pelanggaran keamanan. Dengan menginstruksikan perangkat menghindari area tersebut, tim secara drastis mengurangi banyak tabrakan dan kesalahan yang membebani sistem saat ini.

Metode Pelatihan untuk Sistem Multi-Agen

Secara mengesankan, pengendali tersebut disalin dan ditempelkan ke unit lain setelah simulasi menyelesaikan semua masalah keamanan. Karena protokol dapat menangani topologi graf sewenang-wenang, skalabilitas vertikal menjadi lebih mudah. Selain itu, protokol dapat menyesuaikan perubahan jumlah peserta, artinya pemrograman dapat dilakukan pada beberapa drone dan kemudian dibagikan ke seluruh kawanan.

Uji Pemrograman Keamanan MAS

Para insinyur memulai pengujian kerangka kerja terdistribusi mereka untuk kontrol multi-agen yang aman dalam lingkungan berskala besar dengan rintangan menggunakan drone Crazyflies. Drone quadrotor berukuran tangan ini ditingkatkan dengan menggunakan GNN. Secara total, 8 Crazyflies digunakan dalam fase pengujian.
Agen-agen menggunakan 8 drone dunia nyata untuk melacak dan memantau aktivitas. Kemudian, data tersebut dibagikan dalam simulasi dengan 1000 drone. Metode skala yang sama diterapkan pada rintangan. Tim memulai dengan 8 rintangan dalam uji dunia nyata. Simulasi meningkatkan jumlah menjadi 128 rintangan bergerak dan tidak bergerak untuk pengujian akhir.

Uji Pemrograman Keamanan MAS dengan Tujuan Berbeda

Drone diberikan tujuan yang berbeda untuk melihat bagaimana mereka dapat beroperasi di lingkungan yang padat. Salah satu tugas adalah menukar posisi saat terbang. Tugas ini mungkin tampak sederhana, tetapi ketika menangani 1000 drone, risiko tabrakan sangat tinggi.

Pendaratan

Tujuan berikutnya adalah membuat drone mendarat di atas kotak yang bergerak. Kotak bergerak tersebut adalah robot yang disebut Turtlebots. Turtlebots diatur untuk berputar dengan kecepatan berbeda. Drone harus menavigasi di sekitar satu sama lain dan mendarat dengan aman di atas turtlebot untuk menyelesaikan tugas mereka.

Hasil Uji Pemrograman Keamanan MAS

Hasil studi pemrograman keamanan sangat membuka mata. Pertama, perangkat tersebut mengungguli pendahulunya baik di lingkungan 2D maupun 3D. Penggunaan sistem observasi point-cloud berbasis LiDAR untuk menangani rintangan terbukti menjadi tambahan yang luar biasa. Hal ini memungkinkan drone melakukan penyesuaian real-time dan tetap berada di zona keamanan yang ditentukan.
Crazyflies terbang mengelilingi, menyelesaikan tugas di tengah penerbangan, dan berhasil mendarat tanpa tabrakan. Para insinyur menyimpulkan bahwa sistem mereka dapat mengurangi tabrakan sebesar 40%. Sistem ini juga meningkatkan kinerja drone, memungkinkan mereka menyelesaikan tugas yang melibatkan ratusan drone tanpa insiden.

Manfaat Studi Pemrograman Keamanan MAS

Ada beberapa manfaat yang dibawa studi ini ke pasar. Pertama, studi ini memungkinkan insinyur secara otomatis menyeimbangkan pemenuhan persyaratan keamanan dan kriteria kinerja. Penggunaan teori fungsi penghalang kontrol untuk jaminan keamanan secara signifikan mengurangi bahaya bagi orang di sekitar kendaraan ini. Selain itu, penggunaan sistem LiDAR memastikan umpan balik real-time dan penyesuaian jalur penerbangan.

Hanya Tujuan

Salah satu keuntungan terbesar dari teknologi ini adalah insinyur tidak merencanakan jalur penerbangan apa pun dibandingkan dengan metode tradisional yang memerlukan banyak waktu dan upaya komputasi untuk dibuat. Tim hanya memberikan instruksi dan tujuan kepada drone. Perangkat tidak menghitung satu jalur bebas tabrakan. Sebaliknya, ia menghitung ribuan jalur berdasarkan input sensor secara real-time, memastikan semua perubahan dilacak dan penyesuaian dilakukan.

Dapat Diskalakan

Para insinyur melakukan peningkatan besar pada sistem saat ini dengan pengendali salin-tempel terbaru mereka. Protokol ini menggunakan struktur graf yang ideal untuk kontrol terdistribusi MAS yang dapat diskalakan dan dapat digeneralisasi.
Pendekatan ini berarti bahwa pilot drone di masa depan hanya perlu memprogram sejumlah kecil unit. Parameter keamanan kemudian dapat diskalakan ke jumlah drone tak terbatas, menghemat uang, waktu, dan upaya, tanpa mengorbankan kinerja.

Aplikasi Pemrograman Keamanan MAS

Daftar aplikasi untuk teknologi ini terus bertambah. Kemampuan untuk dengan mudah membuat, mendistribusikan, dan menskalakan protokol pengendali merupakan peningkatan besar pada sistem anti-tabrakan drone. Hal ini memungkinkan aplikasi berskala besar dikonfigurasi dengan cepat untuk lingkungan baru. Kemampuan ini membuat teknologi ini cocok untuk digunakan di gudang, operasi pencarian dan penyelamatan, mobil self-driving, dan tugas militer.

Peneliti Pemrograman Keamanan MAS

Peneliti di balik tugas ini termasuk Asisten Profesor MIT bidang Aeronautika dan Astronautika, Chuchu Fan. Selain itu, Songyuan Zhang, Oswin, dan Kunal Garg membantu dalam penelitian. Perlu dicatat, studi ini menerima dukungan keuangan dari National Science Foundation AS, MIT Lincoln Laboratory di bawah program Safety in Aerobatic Flight Regimes (SAFR), dan Defence Science and Technology Agency of Singapore.

Perusahaan Terdepan dalam Kendaraan Otonom

Beberapa perusahaan dapat memanfaatkan studi pemrograman keamanan MAS untuk meningkatkan penawaran UAV atau EV mereka. Seiring semakin banyak produsen kendaraan otonom yang meluncur, persyaratan keamanan untuk armada kendaraan otonom akan meningkat. Berikut satu perusahaan yang berada pada posisi sempurna untuk memanfaatkan data ini dan meningkatkan ROI mereka.

Amazon

Ketika berbicara tentang mengoperasikan kawanan robot otonom, Amazon (AMZN ) adalah pemimpin dalam bidang ini. Perusahaan tersebut mengintegrasikan robot otonom ke dalam pabriknya bertahun-tahun yang lalu. Sejak itu, mereka memperluas armada drone mereka untuk mencakup UAV dan EV. Seiring pertumbuhan armada mereka, permintaan akan parameter keamanan dan sistem kontrol seperti yang dikembangkan oleh peneliti MIT akan meningkat.

Amazon telah lama mengisyaratkan tentang armada pengiriman drone. Pada tahun mendatang, perusahaan dapat memulai peluncurannya. Perlu dicatat, FAA menyetujui drone MK30 yang mereka rencanakan untuk digunakan pada penerbangan November lalu.

Amazon juga telah membuat kemajuan menuju tujuan 10 tahunnya untuk mengirim paket dengan drone di UE. Secara khusus, perusahaan menguji sistem pengirimannya di San Salvo, Italia, pada Desember lalu dengan hasil yang luar biasa.

Jika berhasil, Amazon dapat menggunakan drone untuk mengirim ke lebih dari 500 juta pelanggan setiap tahun. Langkah ini akan secara signifikan mengurangi biaya pengiriman dan pencurian, yang dapat menyebabkan saham AMZN mengalami kenaikan.

Masa Depan Pemrograman Keamanan MAS

Masa depan pemrograman keamanan drone adalah sistem berbasis AI berperforma tinggi yang dapat diskalakan. Sistem ini akan memungkinkan insinyur menyederhanakan segala hal mulai dari pembuatan hingga manajemen dan distribusi protokol keamanan.

Di masa depan, drone pengiriman Anda akan memiliki pemahaman penuh tentang lingkungan real-time, jalur penerbangan, dan lokasi rekan kerjanya. Dengan demikian, orang terus mendekati hari di mana pengiriman 24 jam mungkin terasa terlalu lambat.

Pelajari tentang perkembangan menarik lainnya di sektor robotika di sini.

Referensi Studi:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: A neural graph control barrier function framework for distributed safe multi-agent control. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}