Fra droner til lagerroboter, sikkerhetsprogrammering er avgjørende – MIT kan ha en løsning

Behovet for å håndtere store flåter av autonome kjøretøy og droner fortsetter å vokse. Dessverre krever systemene som er i bruk i dag mye innsats og beregningskraft. I tillegg kan ikke disse sikkerhetsprogrammeringssystemene justere seg i sanntid.

Derfor, etter hvert som kommersiell bruk av droneflåter blir vanlig, er det viktig å lage sikkerhetsprogrammeringsprotokoller som strømlinjeformer prosessene og gir garantier. Heldigvis kan et team av innovative forskere fra MIT ha en løsning. Her er det du trenger å vite.

Droneforestillinger

Fra OL til nye produktlanseringer har droneforestillinger blitt mer vanlige enn noen gang. Disse arrangementene kan bruke hundrevis av droner som arbeider i takt for å skape bilder, animasjoner og mye mer. Disse storslåtte lysdisplayene er imponerende. Enda mer imponerende enn selve handlingene er alt arbeidet som kreves for å gjøre disse forestillingene mulige.

Nåværende sikkerhetsprogrammeringsmetoder

Den nåværende måten ingeniører kontrollerer store dronestammer eller andre multi‑autonome robotsystemer på, er gjennom bruk av multi‑agent‑systemer (MAS). Disse protokollene kombinerer trajektorier med veipunkter og tidsbegrensninger. Sammen gjør disse faktorene at hver drone vet hvor den befinner seg langs sin forhåndsplanlagte flyrute.

Denne tilnærmingen fungerer når forholdene er gode, og dronene er der de skal være i tide. Imidlertid kan alvorlige ulemper oppstå når enheter går av kurs. For å forhindre kollisjoner bruker ingeniører en teknikk kalt parvis ruteplanlegging.

Ulemper ved sikkerhetsprogrammering

Denne algoritmen lar hver drone vite hvor den skal være i forhold til andre droner hvis alt går perfekt. Men når det oppstår misforståelser, kan alvorlige problemer oppstå. Siden hver drone i MAS‑oppsettet flyr blindt etter oppskyting, vil den anta den forhåndsplanlagte kursen selv om ytre faktorer gjør den opprinnelige planen feil. Dette kan føre til svært merkelige handlinger, som at droner lander uventet, faller fra himmelen på tilskuere, flyr bort til ingensteds, eller blir uresponsable.

Nylige ulykker ved droneforestillinger

Den plutselige økningen i droneforestillinger og autonome roboter har ført til noen farlige situasjoner. Droner utgjør mange trusler, selv når de er ubevæpnede. Disse enhetene kan miste forbindelsen og falle fra himmelen fra flere hundre fot, og skade både enheten og fotgjengere. I tillegg kan kollisjoner med andre luftfartøy føre til katastrofale tap og dødsfall. To nylige eksempler fremhever disse bekymringene:

Florida

Innbyggerne i Orlando som samlet seg utenfor for å se droneforestillingen 21. desember 2024, hadde ingen anelse om at arrangementet ville bli farlig. Under arrangementet, som inkluderte hundrevis av droner, førte en tilkoblingsfeil til at flere droner stupte ned på bakken og traff tilskuere.

Dessverre falt en av dronene på et 7‑år gammelt barn, og forårsaket alvorlige skader som krevde akutt kirurgi. Da de ble spurt om hendelsen, uttrykte selskapet bak arrangementet, Sky Elements Drone, beklagelse og lovet å undersøke årsaken for å forhindre fremtidige hendelser.

New York

En annen hendelse som skjedde i fjor involverte droner på Staten Island, New York. I denne hendelsen hadde en droneoperatør fløyet 2,5 mil unna. Siden han var utenfor klar sikt, klarte han ikke å oppdage en UH‑60 Black Hawk-helikopter og kolliderte med flyet.

Heldigvis klarte helikopteret å komme seg tilbake til basen. Ved nærmere inspeksjon innså mannskapet imidlertid at de hadde vært ekstremt heldige, da deler fra dronen ble funnet i hovedrotorskaftet. Etter en langvarig etterforskning utstedte National Transportation Safety Board en ulykkesrapport som avslørte droneoperatørens skyld.

Multi‑Agent‑sikkerhetsprogrammeringsstudie

Etter å ha erkjent behovet for et mer smidig og responsivt sikkerhetssystem når man håndterer flåter av autonome enheter, introduserte MIT‑ingeniører en ny treningsmetode i en nylig publisert artikkel i IEEE Transactions on Robotics¹. Deres forskning beskriver en ny treningsmetode som forbedrer sikkerhetsbeskyttelsen og reduserer arbeidsmengden knyttet til å implementere disse protokollene.

Grafkontrollbarrierefunksjon GCBF+

Grafkontrollbarrierefunksjon +‑protokollen bygger på tidligere barrierefunksjonsalgoritmer og legger til proprietære systemer for å forenkle vedlikehold av sikkerhet i massive kjøretøyflåter. Imponerende gjør GCBF+ at droner kan navigere i komplekse miljøer på samme måte som mennesker.

Sanseradius

Systemet starter med å opprette en mindre sanseradius som hovedsakelig fokuserer på kollisjonsrisiko i stedet for hele flyplanen. Dette reduserer dronens styringsbehov og gjør den i stand til aktivt å spore og unngå hindringer i omgivelsene.

Situasjonsbevissthet

Den oppdaterte GCBF+ gjør at droner vet nøyaktig hvor de befinner seg i sanntid og deres posisjon i forhold til andre UAV‑er i nærheten. Å spore alle dronene i sanntid gjør det mulig for flere koordinerte, samarbeidsorienterte og dataprogrammerte agenter å jobbe sammen for å utføre oppgaver.

Grafnevrale nettverk (GNNs)

Teamet laget en tilpasset datamodell som utnyttet avanserte grafnevrale nettverk, noe som gjorde dem i stand til å dra nytte av noen viktige fordeler som muligheten til å parametrisere en GCBF og distribuere kontrollpolitikker. Spesielt simulerer systemet agenter og kontrollere.

Kilde – MIT

Ingeniørene bruker de eksakte spesifikasjonene til virkelige droner. De inkluderte deres mekaniske kapasiteter, grenser, ytelse, batterilevetid og andre viktige faktorer. Simuleringen tok deretter denne informasjonen og brukte den til å lage storskalatester som ingeniørene overvåket.

Det er bemerkelsesverdig at beslutningen om å bruke et grafnevralt nettverk (GNN) gir mening, da det muliggjør sporing av den endrende grafiske topologien til avstandsbasert observasjonsinformasjonsflyt. Denne inputen ble deretter brukt sammen med andre data for å programmere AI‑systemet til å balansere ytelse og sikkerhet.

Legg til flere agenter og oppgaver

Ingeniørene begynte deretter å skalere opp simuleringen for å inkludere flere enheter og mer komplekse oppgaver. De bemerket at de sanntidsbaserte sikkerhetssystemene automatisk justerte seg etter å ha blitt kopiert og limt inn i nye droner. Hver interaksjon ble registrert etter hvert som flere droner ble lagt til i simuleringen.

Spor kollisjoner over tusenvis av simuleringer

Etter hvert som antallet og tettheten av agenter og hindringer økte, ble systemet finjustert for å se ingen kollisjoner som en belønning. GNN‑en begynte deretter autonomt å justere kontrollinputen for å sikre at sikkerhetsbrudd ble redusert.

Ingeniørene noterte seg hvordan GNN‑en gjorde at dronene kunne justere sine trajektorier i sanntid for å unngå kollisjoner med andre roboter. Denne testen bidro til å sikre at kontrollen var reaktiv, noe som betyr at den kontinuerlig skapte en ny flyrute for dronene basert på sanntidsmiljøforhold.

MIT‑ingeniørene introduserer også sikkerhetsgrenser som en del av denne tilnærmingen. Dette er områder hvor enheter sannsynligvis vil støte på sikkerhetsbrudd. Ved å instruere enhetene om å unngå disse områdene, reduserte teamet drastisk mange av kollisjonene og feilene som plager de nåværende systemene.

Treningsmetode for multi‑agent‑systemer

Imponerende ble kontrollen kopiert og limt inn i andre enheter så snart simuleringen hadde løst eventuelle sikkerhetsbekymringer. Siden protokollen kan håndtere vilkårlige graf‑topologier, er det lettere å skalere vertikalt. I tillegg kan den ta hensyn til endrende antall deltakere, noe som betyr at programmering kan gjøres på noen få droner og deretter deles med svermen.

MAS‑sikkerhetsprogrammeringstest

Ingeniørene satte i gang for å teste deres distribuerte rammeverk for sikker multi‑agent‑kontroll i storskalamiljøer med hindringer ved bruk av Crazyflies‑droner. Disse håndstørrelses quadrotor‑dronene ble oppgradert ved hjelp av GNN. Totalt ble 8 Crazyflies brukt i testfasen.

Agentene brukte de 8 virkelige dronene til å spore og overvåke aktiviteter. Deretter ble dataene delt i en simulering med 1000 droner. Den samme oppskaleringsmetoden ble brukt på hindringer. Teamet startet med 8 hindringer i en virkelighetstest. Simuleringen økte antallet til 128 bevegelige og stillestående hindringer for de endelige testene.

MAS‑sikkerhetsprogrammeringstest ulike mål

Dronene fikk ulike mål for å se hvordan de kunne klare seg i tettbefolkede miljøer. En oppgave var å bytte posisjon mens de var i luften. Denne oppgaven kan virke enkel, men når du håndterer 1000 droner, er risikoen for kollisjon høy.

Landing

Det neste målet var å få droner til å lande på bevegelige bokser. De bevegelige boksene var roboter kalt Turtlebots. Turtlebots ble satt opp til å sirkle med ulike hastigheter. Dronene måtte navigere rundt hverandre og trygt lande på turtleboten for å fullføre oppgaven.

MAS‑sikkerhetsprogrammeringstestresultater

Resultatene fra sikkerhetsprogrammeringsstudien er øyeåpnende. For det første overgikk enhetene sine forgjengere både i 2D‑ og 3D‑miljøer. Systemets bruk av LiDAR‑baserte punkt‑skyobservasjoner for å håndtere hindringer viste seg å være en flott tillegg. Det gjorde at dronene kunne gjøre justeringer i sanntid og forbli i sine tildelte sikkerhetssoner.

Crazyflies fløy rundt, fullførte oppgavene sine under flyvning, og landet vellykket uten kollisjon. Ingeniørene konkluderte med at systemet deres kunne gi en 40 % reduksjon i kollisjoner. Det forbedret også droneytelsen, slik at de kunne fullføre oppgaver som involverte hundrevis av droner uten hendelser.

MAS‑sikkerhetsprogrammeringsstudiefordeler

Det er flere fordeler denne studien gir til markedet. For det første gjør den det mulig for ingeniører å automatisk balansere oppfyllelse av sikkerhetskrav og ytelseskriterier. Systemets bruk av kontrollbarrierefunksjonsteori for sikkerhetsgarantier reduserer farer for de i nærheten av disse kjøretøyene dramatisk. I tillegg sikrer bruken av LiDAR‑systemer sanntids tilbakemelding og justering av flyruter.

Kun destinasjon

En av de største fordelene med denne teknologien er at ingeniører ikke planla noen flyrute, i motsetning til tradisjonelle metoder som krever mye tid og beregningskraft for å lage. Teamet ga bare dronen instruksjoner og en destinasjon. Enheten beregnet ikke en eneste kollisjonsfri bane. I stedet beregnet den tusenvis av baner basert på sine sensorinnspill i sanntid, og sikret at alle endringer ble sporet og justeringer gjort.

Skalerbar

Ingeniørene gjorde en betydelig oppgradering av dagens system med sin nyeste kopier‑og‑lim‑kontroller. Denne protokollen bruker en grafstruktur som er ideell for skalerbar og generaliserbar distribuert kontroll av MAS.

Denne tilnærmingen betyr at fremtidige dronepiloter kun vil trenge å programmere et lite antall enheter. Sikkerhetsparameterne kan deretter skaleres opp til et ubegrenset antall droner, noe som sparer penger, tid og innsats, uten å gå på bekostning av ytelsen.

MAS‑sikkerhetsprogrammeringsapplikasjoner

Listen over applikasjoner for denne teknologien fortsetter å vokse. Evnen til enkelt å lage, distribuere og skalere kontrollprotokollen er en stor oppgradering av drone‑anti‑kollisjonsystemer. Den gjør det mulig å raskt konfigurere storskalapplikasjoner for nye miljøer. Denne evnen gjør teknologien egnet for bruk i lager, søk‑og‑redningsoperasjoner, selvkjørende biler og militære oppgaver.

MAS‑sikkerhetsprogrammeringsforskere

Forskerne bak dette arbeidet inkluderer MI‑assisterende professor i luftfart og romfart, Chuchu Fan. I tillegg bidro Songyuan Zhang, Oswin og Kunal Garg i forskningen. Merk at studien mottok økonomisk støtte fra USAs National Science Foundation, MIT Lincoln Laboratory under Safety in Aerobatic Flight Regimes (SAFR)-programmet, og Defence Science and Technology Agency i Singapore.

Et ledende selskap innen autonome kjøretøy

Flere selskaper kan utnytte MAS‑sikkerhetsprogrammeringsstudien for å forbedre sine UAV‑ eller EV‑tilbud. Etter hvert som flere produsenter av autonome fartøy lanseres, vil sikkerhetskravene for flåter av autonome kjøretøy øke. Her er ett selskap som er perfekt posisjonert til å utnytte disse dataene og forbedre sine avkastninger.

Amazon

Når det gjelder å operere sværmer av autonome roboter, er Amazon (AMZN ) ledende i markedet. Selskapet integrerte autonome roboter i fabrikken sin for mange år siden. Siden da har de utvidet droneflåten til å inkludere UAV‑er og EV‑er. Etter hvert som flåten vokser, vil etterspørselen etter sikkerhetsparametere og kontrollsystemer som de utviklet av MIT‑forskerne, øke.

Amazon har lenge antydet droneleveringsflåter. I det kommende året kan selskapet starte lanseringen. Merk at FAA godkjente MK30‑dronene de har tenkt å bruke for flyging i november i fjor.

Amazon har også gjort fremskritt mot sitt 10‑års mål om å levere pakker med drone i EU. Spesielt testet selskapet leveringssystemet i San Salvo, Italia, i desember i fjor med gode resultater.

Hvis det lykkes, kan Amazon bruke droner til å levere til over 500 millioner kunder hvert år. Dette tiltaket vil betydelig redusere leveringskostnader og tyveri, noe som kan føre til at AMZN‑aksjen får gevinster.

Fremtiden for MAS‑sikkerhetsprogrammering

Fremtiden for drone‑sikkerhetsprogrammering er skalerbare høyytelses AI‑baserte systemer. Disse systemene vil gjøre det mulig for ingeniører å forenkle alt fra opprettelse til styring og distribusjon av sikkerhetsprotokoller.

I fremtiden vil din leveringsdrone ha full forståelse av sitt sanntidsmiljø, flyrute og plasseringen til sine kolleger. Dermed nærmer folk seg dagen da 24‑timers levering kan virke for treg.

Lær om andre spennende utviklinger i robotikksektoren her.

Studierreferanse:

^{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}