Mula sa mga Drone hanggang sa mga Bot sa Bodega, Mahalaga ang Safety Programming – Maaaring May Solusyon ang MIT

Patuloy na lumalaki ang pangangailangan na pamahalaan ang malalaking flota ng mga autonomous na sasakyan at mga drone. Sa kasamaang palad, ang mga kasalukuyang sistema ay nangangailangan ng maraming pagsisikap at kapangyarihang pangkompyuter. Dagdag pa rito, ang mga safety programming system ay hindi makapag-aayos nang mabilis.

Mga Drone Show

Mula sa Olympics hanggang sa mga bagong paglulunsad ng produkto, ang mga drone show ay naging mas laganap kaysa dati. Ang mga kaganapang ito ay maaaring gumamit ng daan-daang drone na sabay-sabay na lumilikha ng mga imahe, animasyon, at marami pang iba. Ang mga malawakang light display na ito ay kahanga-hanga. Higit pa sa mga aksyon na ito ay ang lahat ng gawain na kinakailangan upang maisakatuparan ang mga palabas.

Kasalukuyang Mga Pamamaraan sa Safety Programming

Ang kasalukuyang paraan kung paano kinokontrol ng mga inhinyero ang malalaking drone swarm o iba pang multi-autonomous robotic systems ay sa pamamagitan ng paggamit ng Multi-agent systems (MAS). Ang mga protocol na ito ay nagsasama ng mga trajectory, waypoints, at mga limitasyon sa oras. Pinapayagan ng mga ito ang bawat drone na malaman kung nasaan ito sa kahabaan ng pre-planned na flight path nito.

Gumagana ang pamamaraang ito kapag maganda ang kondisyon, at nasa tamang oras ang mga drone. Gayunpaman, maaaring lumitaw ang ilang seryosong kahinaan kapag lumihis ang mga device mula sa kurso. Upang maiwasan ang banggaan, gumagamit ang mga inhinyero ng teknik na tinatawag na pair‑wise path‑planning.

Mga Kahinaan ng Safety Programming

Pinapayagan ng algorithm na ito ang bawat drone na malaman kung nasaan ito kaugnay ng ibang drone kung perpekto ang lahat. Subalit, kapag nagkaroon ng miscommunication, maaaring lumitaw ang matinding problema. Dahil ang bawat drone sa setup ng MAS ay lumilipad nang bulag matapos ilunsad, ipagpapalagay nito ang preplanned na kurso kahit na mali na ito dahil sa mga panlabas na salik. Ang sitwasyong ito ay maaaring magdulot ng mga kakaibang kilos, tulad ng biglaang paglapag ng mga drone, pagbagsak mula sa kalangitan patungo sa mga manonood, paglipad patungo sa walang direksyon, o pagiging hindi tumutugon.

Kamakailang Mga Aksidente sa Drone Show

Ang biglaang pagdami ng mga drone show at autonomous robotics ay nagdulot ng ilang mapanganib na sitwasyon. Maraming banta ang dala ng mga drone, kahit na walang armas. Maaaring mawalan ng koneksyon ang mga device at bumagsak mula sa daan‑daang talampakan, na nagdudulot ng pinsala sa device at mga naglalakad. Bukod pa rito, ang banggaan sa ibang sasakyang panghimpapawid ay maaaring magresulta sa malawakang pagkawala at kamatayan. Dalawang kamakailang halimbawa ang naglilinaw sa mga alalahaning ito:

Florida

Ang mga residente ng Orlando na nagtipon sa labas upang manood ng drone show noong Disyembre 21, 2024, ay walang alam na magiging mapanganib ang kaganapan. Sa panahon ng kaganapan, na kinabibilangan ng daan‑daang drone, nagdulot ng error sa koneksyon ang ilang drone na bumagsak sa lupa at tumama sa mga manonood.

Sa kasamaang palad, isang drone ang bumagsak sa isang 7‑taong gulang na bata, na nagdulot ng matinding pinsala na kinailangan ng emergency surgery. Nang tanungin tungkol sa insidente, ang kumpanyang nasa likod ng kaganapan, Sky Elements Drone, ay naghayag ng pagsisisi at nangakong imbestigahan ang sanhi upang maiwasan ang mga susunod na insidente.

New York

Isa pang insidente na naganap noong nakaraang taon ay kinasasangkutan ng mga drone sa Staten Island, New York. Sa insidenteng ito, lumipad ang operator ng drone ng 2.5 milya ang layo. Dahil nasa labas ng malinaw na linya ng paningin, hindi niya napansin ang isang UH‑60 Black Hawk helicopter at bumangga sa eroplano.

Sa kabutihang palad, nakabalik nang ligtas ang helicopter sa base. Subalit, sa karagdagang inspeksyon, napagtanto ng crew na napakasuwerte nila dahil natagpuan ang mga piraso ng drone sa pangunahing rotor shaft. Matapos ang mahabang imbestigasyon, naglabas ang National Transportation Safety Board ng ulat ng aksidente na naghayag ng pagkakamali ng operator ng UAV.

Pag-aaral sa Multi-Agent Safety Programming

Kinikilala ang pangangailangan para sa mas mabilis at tumutugon na safety system kapag humaharap sa mga flota ng autonomous units, ipinakilala ng mga inhinyero ng MIT ang isang bagong pamamaraan ng pagsasanay sa isang kamakailang papel na inilathala sa IEEE Transactions on Robotics¹. Detalye ng kanilang pananaliksik ang isang bagong pamamaraan ng pagsasanay na nagpapahusay ng proteksyon sa kaligtasan at nagbabawas ng workload na kaugnay ng pag-insulto sa mga protocol na ito.

Graph Control Barrier Function GCBF+

Ang Graph Control Barrier Function + protocol ay binuo mula sa mga naunang barrier function algorithm at nagdagdag ng proprietary systems upang mapadali ang pagpapanatili ng kaligtasan sa napakalaking flota ng mga sasakyan. Kamangha‑mangha, pinapayagan ng GCBF+ ang mga drone na mag-navigate sa kumplikadong kapaligiran na halos katulad ng tao.

Radius ng Pagsusuri

Nagsisimula ang sistema sa paglikha ng mas maliit na radius ng pagsusuri na nakatuon pangunahing sa mga panganib ng banggaan kaysa sa buong flight plan. Binabawasan nito ang pangangailangan sa pamamahala ng drone at pinapayagan itong aktibong subaybayan at iwasan ang mga hadlang sa paligid.

Pang‑unawa sa Sitwasyon

Ang pinahusay na GCBF+ ay nagpapahintulot sa mga drone na eksaktong malaman kung nasaan sila sa real‑time at ang kanilang posisyon kaugnay ng ibang UAVs sa paligid. Ang pagsubaybay sa lahat ng drone sa real‑time ay nagbibigay-daan sa maraming coordinated, collaborative, at computer‑programmed na ahente na magtulungan upang maisakatuparan ang mga gawain.

Graph Neural Networks (GNNs)

Lumikha ang koponan ng isang custom na computer model na gumamit ng advanced Graph Neural Networks, na nagbigay-daan sa kanila upang makinabang sa ilang pangunahing benepisyo tulad ng kakayahang i‑parameterize ang isang GCBF at mag‑distribute ng control policies. Partikular, ang sistema ay nagsasagawa ng simulation ng mga ahente at controller.

Pinagmulan – MIT

Gumagamit ang mga inhinyero ng eksaktong espesipikasyon ng mga totoong drone. Isinama nila ang mekanikal na kakayahan, limitasyon, performance, buhay ng baterya, at iba pang mahahalagang salik. Ginamit ng simulation ang impormasyong ito upang lumikha ng malawakang mga pagsubok na minomonitor ng mga inhinyero.

Kilala, ang desisyon na gumamit ng graph neural network (GNN) ay may katuturan dahil pinapayagan nitong subaybayan ang nagbabagong graphical topology ng distance‑based observation information flow. Ang input na ito ay ginamit kasabay ng iba pang data upang i‑program ang AI system upang mapantayan ang performance at kaligtasan.

Magdagdag ng Higit pang Mga Ahente at Gawain

Sinimulan ng mga inhinyero na palakihin ang simulation upang isama ang higit pang yunit at mas kumplikadong mga gawain. Napansin nila na ang real‑time safety systems ay awtomatikong nag‑adjust matapos kopyahin at i‑paste sa mga bagong drone. Ang bawat interaksyon ay naitala habang dumarami ang mga drone sa simulation.

Subaybayan ang Banggaan sa Libu‑libong Simulasyon

Habang dumarami at tumataas ang densidad ng mga ahente at hadlang, pinino ng sistema ang pag‑tugma upang walang banggaan bilang gantimpala. Ang GNN ay pagkatapos ay autonomously nagsimulang i‑adjust ang controller input upang matiyak na nababawasan ang mga paglabag sa kaligtasan.

Napansin ng mga inhinyero kung paano pinahihintulutan ng GNN ang mga drone na i‑adjust ang kanilang mga trajectory sa real‑time upang iwasan ang banggaan sa ibang bot. Ang pagsubok na ito ay tumulong upang matiyak na ang kanilang controller ay reactive, ibig sabihin, patuloy itong lumilikha ng flight path para sa mga drone batay sa real‑time na kondisyon ng kapaligiran.

Ipinakilala din ng mga MIT na inhinyero ang safety boundaries bilang bahagi ng pamamaraang ito. Ang mga ito ay mga lugar kung saan malamang na magkaroon ng paglabag sa kaligtasan ang mga device. Sa pamamagitan ng pag‑utos sa mga device na iwasan ang mga lugar na ito, lubos na nabawasan ng koponan ang maraming banggaan at error na sumasagabal sa kasalukuyang mga sistema.

Pamamaraan ng Pagsasanay para sa Multi-Agent Systems

Kamangha‑mahal, kinopya at in‑paste ang controller sa ibang yunit matapos maresolba ng simulation ang anumang alalahanin sa kaligtasan. Dahil kayang hawakan ng protocol ang arbitrary graph topologies, mas madali itong i‑scale nang patayo. Dagdag pa, maaari nitong isaalang‑alang ang pagbabago ng bilang ng mga kalahok, ibig sabihin, maaaring gawin ang programming sa ilang drone at pagkatapos ay ibahagi sa buong swarm.

Pagsubok sa MAS Safety Programming

Sinimulan ng mga inhinyero ang pagsubok sa kanilang distributed framework para sa ligtas na multi‑agent control sa malawakang kapaligiran na may hadlang gamit ang mga Crazyflies drone. Ang mga hand‑sized quadrotor drone na ito ay na‑upgrade gamit ang GNN. Sa kabuuan, 8 Crazyflies ang ginamit sa yugto ng pagsubok.

Gumamit ang mga ahente ng 8 totoong drone upang subaybayan at i‑monitor ang mga aktibidad. Pagkatapos, ibinahagi ang data sa isang simulation na may 1000 drone. Ang parehong pamamaraan ng pag‑scale ay inapply sa mga hadlang. Nagsimula ang koponan sa 8 hadlang sa totoong pagsubok. Pinalaki ng simulation ang bilang sa 128 na gumagalaw at hindi gumagalaw na hadlang para sa mga huling pagsubok.

Iba’t Ibang Layunin ng Pagsubok sa MAS Safety Programming

Binigyan ang mga drone ng iba’t ibang layunin upang makita kung paano sila magtatagumpay sa masisikip na kapaligiran. Isang gawain ang magpalit ng posisyon habang lumilipad. Maaaring mukhang simple ang gawain ngunit kapag humaharap sa 1000 drone, mataas ang panganib ng banggaan.

Paglapag

Ang susunod na layunin ay mag‑land ang mga drone sa gumagalaw na kahon. Ang mga gumagalaw na kahon ay mga robot na tinatawag na Turtlebots. Ang mga Turtlebots ay inayos upang paikotin sa iba’t ibang bilis. Kailangan ng mga drone na mag‑navigate sa paligid ng isa’t isa at ligtas na mag‑land sa turtlebot upang makumpleto ang kanilang gawain.

Mga Resulta ng Pagsubok sa MAS Safety Programming

Ang mga resulta ng pag-aaral sa safety programming ay nakaka‑gulat. Una, nalagpasan ng mga device ang kanilang predecessor sa parehong 2D at 3D na kapaligiran. Ang paggamit ng system ng LiDAR‑based point‑cloud observations upang harapin ang mga hadlang ay napatunayang malaking karagdagan. Pinahintulutan nito ang mga drone na gumawa ng real‑time adjustments at manatili sa kanilang itinalagang safety zones.

Lumulipad ang mga Crazyflies, natapos ang kanilang mga gawain sa gitna ng paglipad, at matagumpay na nag‑land nang walang banggaan. Napagpasyahan ng mga inhinyero na ang kanilang system ay maaaring magbigay ng 40% na pagbawas sa mga banggaan. Pinabuti rin nito ang performance ng drone, na nagpapahintulot sa kanila na kumpletuhin ang mga gawain na kinasasangkutan ng daan‑daang drone nang walang insidente.

Mga Benepisyo ng Pag-aaral sa MAS Safety Programming

Maraming benepisyo ang hatid ng pag-aaral na ito sa merkado. Una, pinapayagan nito ang mga inhinyero na awtomatikong balansehin ang pagsunod sa mga kinakailangan sa kaligtasan at mga pamantayan sa performance. Ang paggamit ng system ng control barrier function theory para sa mga garantiya sa kaligtasan ay lubos na nagbabawas ng panganib sa mga nasa paligid ng mga sasakyang ito. Gayundin, ang paggamit ng LiDAR systems ay nagsisiguro ng real‑time feedback at pag‑adjust ng flight path.

Destinasyon Lamang

Isa sa pinakamalaking kalamangan ng teknolohiyang ito ay hindi kailangang magplano ang mga inhinyero ng anumang flight path kumpara sa tradisyunal na mga pamamaraan na nangangailangan ng maraming oras at computational effort upang likhain. Ibinigay lamang ng koponan ang mga tagubilin at isang destinasyon sa drone. Hindi nag‑compute ang device ng isang solong collision‑free trajectory. Sa halip, nag‑compute ito ng libu‑libong trajectory batay sa sensory input nito sa real‑time, na tinitiyak na nasusubaybayan ang lahat ng pagbabago at nagagawa ang mga pag‑adjust.

Nasusukat

Gumawa ang mga inhinyero ng malaking upgrade sa kasalukuyang system gamit ang kanilang pinakabagong copy‑and‑paste controller. Ang protocol na ito ay gumagamit ng graph structure na perpekto para sa scalable at generalizable distributed control ng MAS.

Ibig sabihin nito, ang mga susunod na drone pilot ay kakailanganin lamang mag‑program ng maliit na bilang ng yunit. Ang mga safety parameter ay maaaring i‑scale pataas sa walang limitasyong dami ng drone, na nakakatipid ng pera, oras, at pagsisikap, habang hindi isinasakripisyo ang performance.

Mga Aplikasyon ng MAS Safety Programming

Patuloy na lumalago ang listahan ng mga aplikasyon para sa teknolohiyang ito. Ang kakayahang madaling lumikha, mag‑distribute, at i‑scale ang controller protocol ay malaking upgrade sa mga drone anti‑collision system. Pinapayagan nito ang malawakang aplikasyon na mabilis na i‑configure para sa mga bagong kapaligiran. Ang kakayahang ito ay ginagawang angkop ang teknolohiya para sa mga bodega, operasyon ng search and rescue, self‑driving cars, at mga militar na gawain.

Mga Mananaliksik ng MAS Safety Programming

Kabilang sa mga mananaliksik sa likod ng gawaing ito si MI Associate Professor of Aeronautics and Astronautics, Chuchu Fan. Dagdag pa, sina Songyuan Zhang, Oswin, at Kunal Garg ang tumulong sa pananaliksik. Kapansin‑panuri, natanggap ang pag-aaral ng pinansyal na suporta mula sa U.S. National Science Foundation, MIT Lincoln Laboratory sa ilalim ng Safety in Aerobatic Flight Regimes (SAFR) program, at ng Defence Science and Technology Agency of Singapore.

Isang Nangungunang Kumpanya sa Autonomous Vehicles

Maraming kumpanya ang maaaring makinabang mula sa pag-aaral sa MAS safety programming upang mapabuti ang kanilang UAV o EV offerings. Habang dumarami ang mga tagagawa ng autonomous craft, tataas ang mga kinakailangan sa kaligtasan para sa mga flota ng autonomous vehicles. Narito ang isang kumpanya na perpektong nakaposisyon upang gamitin ang datos na ito at mapabuti ang kanilang ROI.

Amazon

Pagdating sa pagpapatakbo ng mga swarm ng autonomous robots, ang Amazon (AMZN ) ang nangunguna sa pakete. Inintegrate ng kumpanya ang autonomous robots sa kanilang pabrika maraming taon na ang nakalilipas. Mula noon, pinalawak nila ang kanilang drone fleet upang isama ang UAVs at EVs. Habang lumalaki ang kanilang flota, tataas ang pangangailangan para sa mga safety parameter at control system tulad ng binuo ng mga MIT na mananaliksik.

Matagal nang binibigyan ng hint ang Amazon tungkol sa mga drone delivery fleet. Sa darating na taon, maaaring simulan ng kumpanya ang paglulunsad nito. Kapansin‑panuri, inaprubahan ng FAA ang MK30 drones na balak nilang gamitin para sa flight noong nakaraang Nobyembre.

Patuloy din ang Amazon sa paggawa ng mga pag‑unlad patungo sa kanilang 10‑taong layunin na mag‑deliver ng mga pakete gamit ang drone sa EU. Partikular, sinubukan ng kumpanya ang kanilang delivery system sa San Salvo, Italy, noong nakaraang Disyembre na may magagandang resulta.

Kung magtatagumpay, maaaring gamitin ng Amazon ang mga drone upang mag‑deliver sa mahigit +500M na customer bawat taon. Ang hakbang na ito ay makabuluhang magbabawas ng gastos sa delivery at pagnanakaw, na maaaring magdulot ng pagtaas sa presyo ng stock ng AMZN.

Hinaharap ng MAS Safety Programming

Ang hinaharap ng drone safety programming ay scalable high‑performance AI‑based systems. Ang mga sistemang ito ay magpapahintulot sa mga inhinyero na pasimplehin ang lahat mula sa paglikha hanggang sa pamamahala at pamamahagi ng mga safety protocol.

Sa hinaharap, ang iyong delivery drone ay magkakaroon ng ganap na pag‑unawa sa real‑time na kapaligiran nito, flight path, at lokasyon ng mga katrabaho nito. Dahil dito, patuloy na nilalapitan ng mga tao ang araw kung kailan maaaring maging masyadong mabagal ang 24‑hour delivery.

Alamin ang iba pang mga kawili‑wang pag‑unlad sa sektor ng robotics dito.

Sanggunian ng Pag-aaral:

^{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}