Autonome Innovationen in einer unsicheren Welt

Jan 21, 2024

Vorheriges Bild Nächstes Bild

Die Forschungsinteressen von MIT-Professor Jonathan How umfassen die gesamte Bandbreite autonomer Fahrzeuge – von Flugzeugen und Raumfahrzeugen bis hin zu unbemannten Luftfahrzeugen (UAVs oder Drohnen) und Autos. Sein besonderer Schwerpunkt liegt auf dem Entwurf und der Implementierung verteilter robuster Planungsalgorithmen zur Koordinierung mehrerer autonomer Fahrzeuge, die in dynamischen Umgebungen navigieren können.

Seit etwa einem Jahr entwickeln der Richard Cockburn Maclaurin-Professor für Luft- und Raumfahrttechnik und ein Forscherteam des Aerospace Controls Laboratory am MIT ein Flugbahnplanungssystem, das es einer Drohnenflotte ermöglicht, im selben Luftraum zu operieren, ohne mit ihm zu kollidieren gegenseitig. Anders ausgedrückt handelt es sich um ein Projekt zur Vermeidung von Kollisionen mit mehreren Fahrzeugen, das reale Auswirkungen auf Kosteneinsparungen und Effizienz für eine Vielzahl von Branchen hat, darunter Landwirtschaft und Verteidigung.

Die Testanlage für das Projekt ist das Kresa Center for Autonomous Systems, ein 80 x 40 Fuß großer Raum mit 25 Fuß hohen Decken, der speziell für die Arbeit des MIT mit autonomen Fahrzeugen konzipiert wurde – einschließlich des How-Schwarms von UAVs, die regelmäßig in der Hochhalle des Zentrums herumschwirren . Um Kollisionen zu vermeiden, muss jedes UAV seine Flugbahn an Bord berechnen und diese über ein drahtloses Kommunikationsnetzwerk mit den übrigen Maschinen teilen.

Eine der größten Herausforderungen bei der Arbeit mit mehreren Fahrzeugen sind laut How jedoch Kommunikationsverzögerungen im Zusammenhang mit dem Informationsaustausch. Um das Problem anzugehen, haben How und seine Forscher in diesem Fall eine „wahrnehmungsbewusste“ Funktion in ihr System integriert, die es einem Fahrzeug ermöglicht, mithilfe der Bordsensoren neue Informationen über die anderen Fahrzeuge zu sammeln und dann seine eigene geplante Flugbahn zu ändern. Bei Tests führte ihre algorithmische Lösung zu einer 100-prozentigen Erfolgsquote und garantierte kollisionsfreie Flüge ihrer Drohnengruppe. Der nächste Schritt, sagt How, besteht darin, die Algorithmen zu skalieren, in größeren Räumen zu testen und schließlich nach draußen zu fliegen.

Jonathan How wurde in England geboren und seine Faszination für Flugzeuge begann bereits in jungen Jahren, da er viel Zeit mit seinem Vater auf Luftwaffenstützpunkten verbrachte, der viele Jahre in der Royal Air Force diente. Doch wie sich How erinnert, galt seine Neugier, während andere Kinder Astronauten werden wollten, eher der Technik und Mechanik des Fliegens. Jahre später, als Student an der University of Toronto, entwickelte er ein Interesse für angewandte Mathematik und Mehrfahrzeugforschung im Zusammenhang mit der Luft- und Raumfahrttechnik. Anschließend absolvierte er seine Abschluss- und Postdoktorandenarbeit am MIT, wo er zu einem von der NASA finanzierten Experiment zu fortschrittlichen Steuerungstechniken für hochpräzise Ausrichtung und Vibrationskontrolle an Raumfahrzeugen beitrug. Und nachdem er als Junior-Fakultätsmitglied an der Stanford University an verteilten Weltraumteleskopen gearbeitet hatte, kehrte er im Jahr 2000 nach Cambridge, Massachusetts, zurück, um der Fakultät am MIT beizutreten.

„Eine der größten Herausforderungen für jedes autonome Fahrzeug besteht darin, mit den anderen Umgebungsbedingungen umzugehen“, sagt er. Für autonome Autos bedeutet das unter anderem die Identifizierung und Verfolgung von Fußgängern. Aus diesem Grund sammeln How und sein Team Echtzeitdaten von autonomen Autos, die mit Sensoren zur Verfolgung von Fußgängern ausgestattet sind, und nutzen diese Informationen dann, um Modelle zu generieren, um ihr Verhalten – zum Beispiel an einer Kreuzung – zu verstehen, was das autonome Fahren ermöglicht Mittel, um kurzfristige Vorhersagen zu treffen und bessere Entscheidungen über das weitere Vorgehen zu treffen. „Angesichts der Unsicherheit in der Welt handelt es sich um einen sehr lauten Vorhersageprozess“, gibt How zu. „Das eigentliche Ziel ist die Verbesserung des Wissens. Sie werden nie perfekte Vorhersagen erhalten. Sie versuchen lediglich, die Unsicherheit zu verstehen und sie so weit wie möglich zu reduzieren.“

In einem anderen Projekt verschiebt How die Grenzen der Echtzeit-Entscheidungsfindung für Flugzeuge. In diesen Szenarien müssen die Fahrzeuge feststellen, wo sie sich in der Umgebung befinden, was sich sonst noch um sie herum befindet, und dann einen optimalen Weg nach vorne planen. Um eine ausreichende Agilität zu gewährleisten, ist es darüber hinaus typischerweise erforderlich, diese Lösungen etwa 10–50 Mal pro Sekunde regenerieren zu können, und zwar sobald neue Informationen von den Sensoren des Flugzeugs verfügbar sind. Es gibt leistungsstarke Computer, aber ihre Kosten, Größe, Gewicht und Leistungsanforderungen machen ihren Einsatz in kleinen, wendigen Flugzeugen unpraktisch. Wie können Sie also schnell und ohne Leistungseinbußen alle erforderlichen Berechnungen auf Computern durchführen, die problemlos in ein wendiges Flugfahrzeug passen?

Die Lösung von How besteht darin, an Bord des Flugzeugs schnell abzufragende neuronale Netze einzusetzen, die darauf trainiert sind, die Reaktion der rechenintensiven Optimierer zu „nachahmen“. Das Training wird während einer Offline-Phase (vor der Mission) durchgeführt, in der er und seine Forscher wiederholt (tausende Male) einen Optimierer ausführen, der „demonstriert“, wie eine Aufgabe gelöst werden kann, und dieses Wissen dann in ein neuronales Netzwerk einbetten. Sobald das Netzwerk trainiert wurde, führen sie es (anstelle des Optimierers) im Flugzeug aus. Im Flug trifft das neuronale Netzwerk die gleichen Entscheidungen wie der Optimierer, jedoch viel schneller, wodurch die Zeit, die für das Treffen neuer Entscheidungen erforderlich ist, erheblich verkürzt wird. Der Ansatz hat sich bei UAVs aller Größen als erfolgreich erwiesen und kann auch zur Generierung neuronaler Netze verwendet werden, die in der Lage sind, verrauschte sensorische Signale direkt zu verarbeiten (sogenanntes End-to-End-Lernen), beispielsweise die Bilder einer Bordkamera Dadurch kann das Flugzeug seine Position schnell lokalisieren oder einem Hindernis ausweichen. Die spannenden Neuerungen liegen hier in den neuen Techniken, die entwickelt wurden, um eine sehr effiziente Ausbildung der Flugagenten zu ermöglichen – oft mit nur einer einzigen Aufgabendemonstration. Einer der wichtigen nächsten Schritte in diesem Projekt besteht darin, sicherzustellen, dass diese erlernten Controller als sicher zertifiziert werden können.

Im Laufe der Jahre hat How eng mit Unternehmen wie Boeing, Lockheed Martin, Northrop Grumman, Ford und Amazon zusammengearbeitet. Er sagt, dass die Zusammenarbeit mit der Industrie dazu beiträgt, seine Forschung auf die Lösung realer Probleme zu konzentrieren. „Wir nehmen die schwierigen Probleme der Industrie, verdichten sie auf die Kernprobleme, entwickeln Lösungen für spezifische Aspekte des Problems, demonstrieren diese Algorithmen in unseren Versuchsanlagen und übertragen sie dann zurück auf die Industrie.“ Es handelt sich in der Regel um eine sehr natürliche und synergetische Feedbackschleife“, sagt How.

Vorheriger Artikel Nächster Artikel