Van drones tot warehouse bots, veiligheidsprogrammering is cruciaal – MIT heeft mogelijk een oplossing

De behoefte om grote vloten van autonome voertuigen en drones te beheren, blijft groeien. Helaas vereisen de huidige systemen veel inspanning en rekenkracht. Bovendien kunnen deze veiligheidsprogrammeringssystemen niet op de vlucht aanpassen.

Consequentie hiervan is dat, naarmate het commerciële gebruik van dronevloten gemeengoed wordt, het essentieel is om veiligheidsprogrammeringsprotocollen te creëren die de processen stroomlijnen en garanties bieden. Gelukkig heeft een team van innovatieve onderzoekers van MIT mogelijk een oplossing. Hieronder volgt wat u moet weten.

Drone Shows

Van de Olympische Spelen tot het lanceren van nieuwe producten, drone shows zijn tegenwoordig meer gemeengoed dan ooit. Deze evenementen kunnen honderden drones gebruiken die samenwerken om beelden, animaties en veel meer te creëren. Deze grote lichtshows zien er adembenemend uit. Nog indrukwekkender dan deze acties is alle werk dat nodig is om deze shows mogelijk te maken.

Huidige veiligheidsprogrammeringsmethoden

De huidige manier waarop ingenieurs grote droneswermen of andere multi-autonome robotische systemen controleren, is door middel van Multi-agent systemen (MAS). Deze protocollen combineren trajecten met waypoints en tijdsbeperkingen. Samen laten deze factoren elke drone weten waar hij zich bevindt langs zijn vooraf geplande vluchtroute.

Deze aanpak werkt wanneer de omstandigheden goed zijn en de drones waar ze moeten zijn op tijd. Echter, wanneer apparaten van koers veranderen, kunnen ernstige nadelen optreden. Om botsingen te voorkomen, gebruiken ingenieurs een techniek genaamd pair-wise path-planning.

Veiligheidsprogrammeringsnadelen

Deze algoritme laat elke drone weten waar hij zich bevindt ten opzichte van andere drones als alles perfect verloopt. Echter, wanneer er miscommunicaties zijn, kunnen ernstige problemen ontstaan. Aangezien elke drone in de MAS-opstelling na lancering blind vliegt, zal hij aannemen dat de vooraf geplande koers correct is, zelfs als externe factoren de oorspronkelijke planning onjuist maken. Deze situatie kan leiden tot enkele vreemde acties, zoals drones die onverwachts landen, uit de lucht vallen op toeschouwers, weg vliegen of onbereikbaar worden.

Onlangs drone show ongevallen

De plotselinge toename van drone shows en autonome robotica heeft geleid tot enkele gevaarlijke situaties. Drones vormen veel bedreigingen, zelfs als ze ongewapend zijn. Deze apparaten kunnen de verbinding verliezen en uit de lucht vallen van honderden meters, waardoor zowel het apparaat als voetgangers beschadigd raken. Bovendien kunnen botsingen met andere vliegtuigen catastrofale verliezen en doden tot gevolg hebben. Twee recente voorbeelden benadrukken deze zorgen:

Florida

De inwoners van Orlando die zich buiten hadden verzameld om de drone show te bekijken op 21 december 2024, hadden geen idee dat het evenement gevaarlijk zou worden. Tijdens het evenement, dat honderden drones omvatte, resulteerde een verbindingfout in het neerstorten van meerdere drones op de grond en het raken van toeschouwers.

Helaas viel een van de drones op een 7-jarig kind, waardoor ernstige verwondingen ontstonden die een noodoperatie vereisten. Toen het bedrijf achter het evenement, Sky Elements Drone, naar het incident werd gevraagd, betuigde het zijn spijt en beloofde het de oorzaak te onderzoeken om toekomstige incidenten te voorkomen.

New York

Een ander incident dat vorig jaar plaatsvond, betrof drones in Staten Island, New York. In dit incident had een drone-operator 2,5 mijl ver weg gevlogen. Omdat hij buiten het zicht was, kon hij geen UH-60 Black Hawk-helikopter opmerken en botste hij tegen het vaartuig.

Gelukkig kon de helikopter terugkeren naar de basis. Echter, bij nadere inspectie realiseerde de bemanning zich dat ze enorm geluk hadden gehad, aangezien onderdelen van de drone in de hoofdrotoras werden aangetroffen. Na een langdurig onderzoek publiceerde de National Transportation Safety Board een ongevallenrapport dat de fout van de UAV-operator onthulde.

Multi-Agent veiligheidsprogrammeringsstudie

Het erkennen van de noodzaak voor een meer agile en responsief veiligheidssysteem bij het omgaan met vloten van autonome eenheden, introduceerden MIT-ingenieurs een nieuwe trainingsmethode in een recente publicatie in IEEE Transactions on Robotics¹. Hun onderzoek beschrijft een nieuwe trainingsmethode die de veiligheidsbescherming verhoogt en de werklast vermindert bij het implementeren van deze protocollen.

Grafische controlebarrièrefunctie GCBF+

De Grafische controlebarrièrefunctie + protocol bouwt voort op eerdere barrièrefunctiealgoritmen en voegt propriëtaire systemen toe om het onderhoud van veiligheid over grote vloten van voertuigen te stroomlijnen. Indrukwekkend genoeg laat GCBF+ drones toe om complexe omgevingen te navigeren op een manier die vergelijkbaar is met die van mensen.

Sensradius

Het systeem begint met het creëren van een kleinere sensradius die zich voornamelijk richt op botsingsrisico’s in plaats van de hele vluchtroute. Dit vermindert de beheersbehoeften van de drone en laat het toe om actief obstakels in de omgeving te volgen en te vermijden.

Situatiebewustzijn

De bijgewerkte GCBF+ laat drones toe om precies te weten waar ze zich bevinden in real-time en hun positie ten opzichte van andere UAV’s in de omgeving. Het volgen van alle drones in real-time maakt het mogelijk voor meerdere gecoördineerde, samenwerkende en computergeprogrammeerde agenten om samen te werken om taken te voltooien.

Grafische neurale netwerken (GNN’s)

Het team creëerde een aangepast computermodel dat geavanceerde Grafische neurale netwerken gebruikte, waardoor ze konden profiteren van enkele belangrijke voordelen, zoals het vermogen om een GCBF te parameteriseren en controlebeleid te distribueren. Specifiek simuleert het systeem agenten en controllers.

Source – MIT

De ingenieurs gebruikten de exacte specificaties van echte drones. Ze omvatten hun mechanische mogelijkheden, limieten, prestaties, batterijleven en andere cruciale factoren. De simulatie nam deze informatie en gebruikte het om grote tests te creëren die ingenieurs monitorden.

Opmerkelijk is dat de beslissing om een grafisch neurale netwerk (GNN) te gebruiken, zin heeft, aangezien het het volgen van de veranderende grafische topologie van afstandsgebaseerde observatie-informatiestroom mogelijk maakt. Deze invoer werd vervolgens gebruikt in combinatie met andere gegevens om het AI-systeem te programmeren om prestaties en veiligheid in evenwicht te brengen.

Voeg meer agenten en taken toe

De ingenieurs begonnen vervolgens de simulatie uit te breiden om meer eenheden en complexere taken te includeren. Ze noteerden dat de real-time veiligheidssystemen automatisch werden aangepast nadat ze waren gekopieerd en geplakt naar nieuwe drones. Elke interactie werd genoteerd als meer drones aan de simulatie werden toegevoegd.

Volg botsingen over duizenden simulaties

Toen het aantal en de dichtheid van agenten en obstakels toenamen, werd het systeem gefinetuned om geen botsingen te zien als beloning. De GNN begon automatisch de controllerinput aan te passen om ervoor te zorgen dat veiligheidsinbreuken werden verminderd.

De ingenieurs noteerden hoe de GNN de drones in staat stelde om hun trajecten in real-time aan te passen om botsingen met andere bots te vermijden. Deze test hielp ervoor te zorgen dat hun controller reactief was, wat betekent dat deze constant een vluchtroute voor de drones creëerde op basis van real-time omgevingscondities.

De MIT-ingenieurs introduceerden ook veiligheidsgrenzen als onderdeel van deze aanpak. Deze zijn gebieden waar apparaten waarschijnlijk veiligheidsinbreuken zullen tegenkomen. Door apparaten te instrueren om deze gebieden te vermijden, reduceerde het team vele van de botsingen en fouten die de huidige systemen teisteren.

Trainingsmethode voor Multi-Agent Systemen

Indrukwekkend is dat de controller eenmaal werkte, de veiligheidszorgen had opgelost en kon worden gekopieerd en geplakt naar andere eenheden. Aangezien het protocol arbitraire grafische topologieën kan verwerken, is het gemakkelijker om verticaal te schalen. Bovendien kan het rekening houden met veranderende aantallen deelnemers, wat betekent dat programmering kan worden gedaan op een klein aantal drones en vervolgens kan worden geschaald naar een onbeperkt aantal drones, zonder prestaties te offeren.

MAS-veiligheidsprogrammeringstest

De ingenieurs zetten een test op om hun gedistribueerde kader voor veilige multi-agentcontrole in grote omgevingen met obstakels te testen met behulp van Crazyflies-drones. Deze handzame quadrotor-drones werden bijgewerkt met de GNN. In totaal werden 8 Crazyflies gebruikt in de testfase.

De agenten gebruikten de 8 echte drones om activiteiten te volgen en te monitoren. Vervolgens werd de data gedeeld in een simulatie met 1000 drones. Dezelfde schaalvergrotingsmethode werd toegepast voor obstakels. Het team begon met 8 obstakels in een real-world test. De simulatie verhoogde het aantal naar 128 bewegende en niet-bewegende obstakels voor de finale tests.

MAS-veiligheidsprogrammeringstest met verschillende doelstellingen

De drones kregen verschillende doelstellingen om te zien hoe ze konden presteren in drukke omgevingen. Een taak was om van positie te wisselen tijdens de vlucht. Deze taak lijkt eenvoudig, maar wanneer u te maken heeft met 1000 drones, is het risico op botsingen hoog.

Landing

De volgende doelstelling was om drones te laten landen op bewegende dozen. De bewegende dozen waren robots genaamd Turtlebots. De Turtlebots waren ingesteld om in verschillende snelheden te cirkelen. De drones moesten rond elkaar navigeren en veilig op de Turtlebot landen om hun taak te voltooien.

MAS-veiligheidsprogrammeringstestresultaten

De resultaten van de veiligheidsprogrammeringsstudie zijn verbluffend. Ten eerste presteerden de apparaten beter dan hun voorgangers in zowel 2D- als 3D-omgevingen. Het gebruik van LiDAR-gebaseerde puntwolkobservaties om obstakels te verwerken, bleek een geweldige toevoeging. Het stelde de drones in staat om in real-time aanpassingen te maken en binnen hun toegewezen veiligheidszones te blijven.

De Crazyflies vlogen rond, voltooiden hun taken tijdens de vlucht en landden succesvol zonder botsingen. De ingenieurs concludeerden dat hun systeem een vermindering van 40% in botsingen kon bieden. Het verbeterde ook de prestaties van de drones, waardoor ze taken konden voltooien die honderden drones omvatten zonder incidenten.

MAS-veiligheidsprogrammeringsstudievoordelen

Er zijn verschillende voordelen die deze studie met zich meebrengt. Ten eerste stelt het ingenieurs in staat om veiligheidsvereisten en prestatiecriteria automatisch in evenwicht te brengen. Het gebruik van controlebarrièrefunctietheorie voor veiligheids garanties vermindert de risico’s voor mensen in de omgeving van deze voertuigen aanzienlijk. Bovendien zorgt het gebruik van LiDAR-systemen voor real-time feedback en aanpassingen van de vluchtroute.

Bestemming alleen

Een van de grootste voordelen van deze technologie is dat ingenieurs geen vluchtroute hoefden te plannen in tegenstelling tot traditionele methoden die veel tijd en rekenkracht vereisen om een botsingsvrije traject te creëren. Het team gaf de drone alleen instructies en een bestemming. Het apparaat berekende geen enkele botsingsvrije traject. In plaats daarvan berekende het duizenden trajecten op basis van zijn sensorische input in real-time, waardoor alle veranderingen werden gevolgd en aanpassingen werden gemaakt.

Schaalbaar

De ingenieurs hebben een belangrijke upgrade gemaakt van het huidige systeem met hun laatste kopieer- en plakcontroller. Dit protocol maakt gebruik van een grafische structuur die ideaal is voor schaalbare en generaliseerbare gedistribueerde controle van MAS.

Deze aanpak betekent dat toekomstige dronepiloten alleen een klein aantal eenheden hoeven te programmeren. De veiligheidsparameters kunnen vervolgens worden geschaald naar een onbeperkt aantal drones, waardoor tijd, geld en moeite worden bespaard, zonder prestaties te offeren.

MAS-veiligheidsprogrammeringstoepassingen

De lijst met toepassingen voor deze technologie blijft groeien. De mogelijkheid om gemakkelijk controllers te creëren, te distribueren en te schalen, is een grote upgrade voor drone-antibotsingssystemen. Het stelt grote toepassingen in staat om snel te worden geconfigureerd voor nieuwe omgevingen. Deze mogelijkheid maakt deze technologie geschikt voor gebruik in magazijnen, zoek- en reddingsoperaties, zelfrijdende auto’s en militaire taken.

MAS-veiligheidsprogrammeringsonderzoekers

De onderzoekers achter deze taak zijn onder meer MI Associate Professor of Aeronautics and Astronautics, Chuchu Fan. Bovendien hebben Songyuan Zhang, Oswin en Kunal Garg bijgedragen aan het onderzoek. Opmerkelijk is dat de studie financiële steun ontving van de U.S. National Science Foundation, MIT Lincoln Laboratory onder het Safety in Aerobatic Flight Regimes (SAFR) programma en de Defence Science and Technology Agency van Singapore.

Een toonaangevend bedrijf in autonome voertuigen

Verschillende bedrijven kunnen de MAS-veiligheidsprogrammeringsstudie gebruiken om hun UAV- of EV-aanbod te verbeteren. Naarmate meer autonome voertuigfabrikanten worden gelanceerd, zullen de veiligheidsvereisten voor vloten van autonome voertuigen toenemen. Hieronder volgt een bedrijf dat perfect is gepositioneerd om deze gegevens te gebruiken en zijn ROI te verbeteren.

Amazon

Wanneer het gaat om het besturen van zwermen van autonome robots, is Amazon (AMZN ) de leider van de groep. Het bedrijf integreerde autonome robots in zijn fabriek al jaren geleden. Sindsdien heeft het zijn dronevloot uitgebreid tot UAV’s en EV’s. Naarmate hun vloot groeit, zal er meer vraag zijn naar veiligheidsparameters en controlesystemen zoals die ontwikkeld door MIT-onderzoekers.

Amazon heeft al lang gesproken over dronebezorgingsvloten. In het komende jaar kan het bedrijf zijn lancering beginnen. Opmerkelijk is dat de FAA de MK30-drones die het bedrijf voor de vlucht wil gebruiken, in november heeft goedgekeurd.

Amazon heeft ook vooruitgang geboekt met zijn 10-jarige doel om pakketten per drone te bezorgen in de EU. Specifiek testte het bedrijf zijn bezorgingssysteem in San Salvo, Italië, in december met goed resultaat.

Als het succesvol is, kan Amazon drones gebruiken om pakketten te bezorgen aan meer dan 500 miljoen klanten per jaar. Deze manoeuvre kan de bezorgingskosten en diefstal aanzienlijk verlagen, wat kan resulteren in een stijging van de AMZN-aandelen.

Toekomst van MAS-veiligheidsprogrammering

De toekomst van droneveiligheidsprogrammering zijn schaalbare, hoge-prestatie AI-gebaseerde systemen. Deze systemen zullen ingenieurs in staat stellen om alles van de creatie tot het beheer en de distributie van veiligheidsprotocollen te vereenvoudigen.

In de toekomst zal uw bezorgingsdrone een volledig begrip hebben van zijn real-time omgeving, vluchtroute en de locatie van zijn collega’s. Zoals het er nu naar uitziet, komen we dichter bij de dag waarop 24-uursbezorging te langzaam kan lijken.

Leer meer over andere interessante ontwikkelingen in de robotica-sector hier.

Studiebron:

^{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}