人工知能
ドローンから倉庫ロボットへ、安全プログラミングは重要です – MITが解決策を持つかもしれません
Securities.io を Google の優先ソースに追加
自律走行車両やドローンの大規模な艦隊を管理する必要性は拡大し続けています。残念ながら、現在のシステムは多大な労力と計算リソースを必要とします。また、これらの安全プログラミングシステムはリアルタイムで調整できません。
その結果、ドローン艦隊の商業利用が一般的になるにつれ、プロセスを効率化し保証を提供する安全プログラミングプロトコルの作成が不可欠です。幸いにも、MITの革新的な研究者チームが解決策を持っている可能性があります。以下が知っておくべきポイントです。
ドローンショー
オリンピックから新製品の発表まで、ドローンショーはかつてないほど一般的になっています。これらのイベントでは数百機のドローンが協調して画像やアニメーションなどを作り出すことができます。大規模な光のディスプレイは息を呑むほど美しいです。これらの演出以上に印象的なのは、ショーを実現するために必要な膨大な作業です。
現在の安全プログラミング手法
エンジニアが大規模なドローンスウォームや他のマルチ自律ロボットシステムを制御する現在の方法は、マルチエージェントシステム（MAS）を使用することです。これらのプロトコルは軌道、ウェイポイント、時間制約を組み合わせます。これらの要素により、各ドローンは事前に計画された飛行経路上で自分の位置を把握できます。
このアプローチは条件が良好で、ドローンが時間通りに所定の位置にいる場合に機能します。しかし、機体がコースから外れると深刻な欠点が生じることがあります。衝突を防ぐために、エンジニアはペアワイズ経路計画と呼ばれる手法を採用します。
安全プログラミングの欠点
このアルゴリズムは、すべてが順調な場合に各ドローンが他のドローンに対して自分の位置を把握できるようにします。しかし、通信ミスが発生すると深刻な問題が生じます。MAS構成では、発射後に各ドローンが盲目的に飛行するため、外部要因で元の計画が不適切になっても事前計画されたコースを前提とし続けます。この状況は、ドローンが予期せず着陸したり、空中から観客に落下したり、どこかへ飛び去ったり、応答しなくなるといった奇妙な動作につながります。
最近のドローンショー事故
ドローンショーと自律ロボットの急増は、危険な状況を引き起こしています。ドローンは武装していなくても多くの脅威をもたらします。これらの機体は接続が失われ、数百フィートの高さから落下し、機体や歩行者に被害を与える可能性があります。さらに、他の航空機との衝突は壊滅的な損失や死亡につながり得ます。以下の2つの最近の例がこれらの懸念を浮き彫りにしています:
フロリダ
2024年12月21日にドローンショーを見るために屋外に集まったオーランドの住民は、イベントが危険になるとは全く予想していませんでした。イベントでは数百機のドローンが使用されていましたが、接続エラーにより複数のドローンが地上に急降下し、観客に衝突しました。
悲しいことに、ドローンの一機が7歳の子供の上に落下し、緊急手術が必要な重傷を負わせました。事件について質問された際、イベント主催のSky Elements Droneは遺憾の意を表明し、今後の事故防止のため原因調査を約束しました。
ニューヨーク
昨年発生した別の事故は、ニューヨーク州スタテンアイランドでドローンが関与しました。この事故では、ドローン操縦者が2.5マイル離れた場所まで飛行していました。視界外だったため、UH-60ブラックホークヘリコプターに気付かず、機体と衝突しました。
幸いにも、ヘリコプターは基地へ戻ることができました。しかし、詳細な検査の結果、ドローンの部品が主ロータ軸に残っていたことから、乗組員は非常に運が良かったと認識しました。長期にわたる調査の後、米国国家運輸安全委員会はUAV操縦者の過失を指摘する事故報告書を発表しました。
マルチエージェント安全プログラミング研究
自律ユニットの艦隊を扱う際に、より機敏で応答性の高い安全システムが必要であることを認識し、MITのエンジニアはIEEE Transactions on Robotics1に掲載された最近の論文で新しいトレーニング手法を紹介しました。彼らの研究は、安全保護を強化し、これらのプロトコルに関わる作業負荷を軽減する新しいトレーニング手法を詳細に述べています。
グラフ制御バリア関数 GCBF+
Graph Control Barrier Function + プロトコルは、従来のバリア関数アルゴリズムを基盤とし、独自システムを追加して大規模な車両艦隊全体の安全維持を効率化します。驚くべきことに、GCBF+はドローンが人間と同様に複雑な環境をナビゲートできるようにします。
センシング半径
システムはまず、全体の飛行計画ではなく衝突リスクに主に焦点を当てた小さなセンシング半径を設定することから始まります。これにより、ドローンの管理負荷が軽減され、周囲の障害物を積極的に追跡・回避できるようになります。
状況認識
更新されたGCBF+は、ドローンがリアルタイムで正確な位置と周辺の他のUAVとの相対位置を把握できるようにします。すべてのドローンをリアルタイムで追跡することで、複数の協調・協働・コンピュータプログラムされたエージェントがタスクを共同で実行できます。
グラフニューラルネットワーク (GNN)
チームは高度なグラフニューラルネットワークを活用したカスタムコンピュータモデルを作成し、GCBFをパラメータ化し制御ポリシーを分散させるなどの重要な利点を活かすことができました。具体的には、システムはエージェントとコントローラをシミュレートします。
ソース – MIT
エンジニアは実際のドローンの正確な仕様を利用しました。機械的能力、制限、性能、バッテリー寿命、その他重要な要素を含めました。シミュレーションはこの情報を基に、大規模なテストを作成し、エンジニアが監視しました。
特に、グラフニューラルネットワーク（GNN）を使用する決定は、距離ベースの観測情報フローの変化するグラフトポロジーの追跡を可能にするため、理にかなっています。この入力は他のデータと組み合わせて、AIシステムに性能と安全性のバランスを取るようプログラムされました。
エージェントとタスクを増やす
エンジニアはシミュレーションを拡大し、より多くのユニットとより複雑なタスクを含めました。リアルタイムの安全システムは新しいドローンにコピー＆ペーストされた後、自動的に調整されることが確認されました。シミュレーションにドローンが追加されるたびに、各相互作用が記録されました。
数千回のシミュレーションで衝突を追跡
エージェントと障害物の数と密度が増加するにつれ、システムは衝突がないことを報酬として微調整されました。その後、GNNは自律的にコントローラ入力を調整し、安全違反を減少させました。
エンジニアは、GNNがドローンにリアルタイムで軌道を調整させ、他のロボットとの衝突を回避できることに注目しました。このテストは、コントローラがリアクティブであること、すなわちリアルタイムの環境条件に基づいてドローンの飛行経路を常に再生成していることを保証するのに役立ちました。
MITのエンジニアはこのアプローチの一環として安全境界も導入しました。これらはデバイスが安全違反を起こしやすい領域です。デバイスにこれらの領域を回避させることで、チームは現在のシステムに悩まされている多くの衝突とエラーを大幅に削減しました。
マルチエージェントシステムのトレーニング手法
印象的なのは、シミュレーションで安全上の懸念が解決された後、コントローラが他のユニットにコピー＆ペーストされたことです。プロトコルは任意のグラフトポロジーを扱えるため、垂直方向へのスケーリングが容易です。さらに、参加者数の変化にも対応できるため、数機のドローンでプログラミングを行い、艦隊全体に共有できます。
MAS安全プログラミングテスト
エンジニアは、Crazyflieドローンを使用して、障害物のある大規模環境で安全なマルチエージェント制御の分散フレームワークをテストしました。これらの手のひらサイズのクアッドロータードローンはGNNを用いてアップグレードされました。テスト段階では合計8機のCrazyflieが使用されました。
エージェントは8機の実機ドローンを使用して活動を追跡・監視しました。その後、データは1000機のドローンを用いたシミュレーションで共有されました。同様のスケールアップ手法が障害物にも適用されました。チームは実地テストで8個の障害物から開始し、最終テストではシミュレーションで移動・非移動の障害物を合計128個に増やしました。
MAS安全プログラミングテストの異なる目的
ドローンには混雑した環境での性能を評価するために異なる目的が与えられました。1つのタスクは飛行中に位置を入れ替えることです。このタスクは単純に見えるかもしれませんが、1000機のドローンを扱う場合、衝突リスクは高くなります。
着陸
次の目的は、ドローンが移動する箱に着陸することでした。移動する箱はTurtlebotsと呼ばれるロボットでした。Turtlebotsは異なる速度で円を描くように設定されました。ドローンは互いに回避しながら、安全にTurtlebotsに着陸してタスクを完了する必要がありました。
MAS安全プログラミングテスト結果
安全プログラミング研究の結果は驚くべきものです。まず、デバイスは2Dおよび3D環境の両方で前世代を上回りました。システムがLiDARベースの点群観測を使用して障害物を処理したことは大きな利点となりました。これにより、ドローンはリアルタイムで調整し、指定された安全ゾーンに留まることができました。
Crazyflieは飛行しながらタスクを完了し、衝突なく安全に着陸しました。エンジニアは、システムが衝突を40％削減できると結論付けました。また、ドローンの性能も向上し、数百機のドローンが関与するタスクを事故なく完了できました。
MAS安全プログラミング研究の利点
この研究が市場にもたらす利点は複数あります。まず、エンジニアが安全要件と性能基準を自動的にバランスさせることが可能です。システムが制御バリア関数理論を用いた安全保証は、これらの機体周辺の危険を大幅に減少させます。また、LiDARシステムの使用によりリアルタイムのフィードバックと飛行経路の調整が保証されます。
目的地のみ
この技術の最大の利点の一つは、エンジニアが従来のように多大な時間と計算リソースを要する飛行経路を計画しなかったことです。チームはドローンに指示と目的地だけを与えました。デバイスは単一の衝突回避経路を計算せず、代わりにリアルタイムのセンサー入力に基づき数千の経路を計算し、すべての変化を追跡し調整を行います。
スケーラブル
エンジニアは最新のコピー＆ペーストコントローラで現在のシステムに大幅なアップグレードを行いました。このプロトコルは、MASのスケーラブルで汎用的な分散制御に最適なグラフ構造を利用します。
このアプローチにより、将来のドローン操縦者は少数のユニットだけをプログラムすればよくなります。その後、安全パラメータは無制限のドローン数にスケールアップでき、コスト、時間、労力を節約しながら性能を犠牲にしません。
MAS安全プログラミングの応用
この技術の応用範囲は拡大し続けています。コントローラプロトコルを簡単に作成、配布、スケールできることは、ドローンの衝突防止システムに大きな進化をもたらします。大規模な応用を新しい環境に迅速に設定できるため、倉庫、捜索救助、 自動運転車、軍事タスクでの利用に適しています。
MAS安全プログラミング研究者
この課題に関わった研究者には、MIT航空宇宙学部の准教授であるChuchu Fanが含まれます。また、Songyuan Zhang、Oswin、Kunal Gargが研究を支援しました。特筆すべきは、本研究が米国国立科学財団、MITリンカーン研究所のSafety in Aerobatic Flight Regimes（SAFR）プログラム、シンガポール防衛科学技術庁から資金援助を受けたことです。
自律走行車のリーディングカンパニー
複数の企業がMAS安全プログラミング研究を活用してUAVやEVの提供を向上させることができます。自律型機体メーカーが増えるにつれ、自律走行車艦隊の安全要件は高まります。ここでは、このデータを活用しROIを向上させる体制が整った企業を紹介します。
Amazon
自律ロボットの群れを運用することに関して、Amazon (AMZN ) は業界のリーダーです。同社は何年も前に自律ロボットを工場に統合しました。その後、UAVやEVを含むドローン艦隊を拡大しています。艦隊が拡大するにつれ、MIT研究者が開発したような安全パラメータや制御システムへの需要が高まります。
Amazonは長らくドローン配送艦隊について予告してきました。来年には同社が本格的に開始する可能性があります。特に、FAAは昨年11月に使用予定のMK30ドローンを承認しました。
AMZN 価格チャート
Amazonはまた、10年計画でEUにおけるドローン配達を実現する目標に向けて進展を遂げています。具体的には、昨年12月にイタリア・サン・サルヴォで配送システムのテストを行い、好結果を得ました。
成功すれば、Amazonは年間5億人以上の顧客へドローンで配達できるようになります。この取り組みは配達コストと盗難を大幅に削減し、AMZN株価の上昇につながる可能性があります。
MAS安全プログラミングの未来
ドローン安全プログラミングの未来は、スケーラブルで高性能なAIベースのシステムです。これらのシステムは、エンジニアが安全プロトコルの作成から管理、配布までをすべて簡素化できるようにします。
将来的には、配送ドローンはリアルタイムの環境、飛行経路、同僚の位置を完全に把握できるようになります。その結果、24時間配達でも遅すぎると感じる日が近づいています。
ロボティクス分野の他のクールな開発についてはこちらをご覧ください。
研究参照:
1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: 分散型安全マルチエージェント制御のためのニューラルグラフ制御バリア関数フレームワーク. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348
