Śledząc najnowsze badania, zespół MIT opracował zaawansowane sterowanie adaptacyjne napędzane sztuczną inteligencją, które umożliwia dronom automatyczne utrzymanie zaplanowanej trasy, nawet gdy napotkają nieprzewidywalne zakłócenia, takie jak silne podmuchy wiatru. System uczy się samodzielnie na podstawie danych zebranych podczas zaledwie 15 minut lotu i wybiera optymalny algorytm adaptacji, co skutkuje poprawą dokładności śledzenia aż do 50% w porównaniu ze standardowymi metodami.

Jak działa nowy system sterowany AI

Tradycyjne systemy sterowania opierają się na zdefiniowanym wcześniej modelu bezzałogowego statku powietrznego oraz oczekiwanym modelu zakłóceń środowiskowych. Jednak w rzeczywistych warunkach, takich jak obszary górskie czy miejskie korytarze, ręczne modelowanie każdego możliwego wpływu często nie jest wykonalne. Nowe rozwiązanie MIT zastępuje pojęcie struktury zakłóceń nieznanymi funkcjonalnościami, zastępując je siecią neuronową, która na podstawie minimalnej ilości danych buduje zrozumienie nieoczekiwanych sił.

Automatyczny wybór algorytmu: mirror descent

Zamiast ograniczonego podejścia opartego na gradient descent, badacze z MIT wprowadzili mirror descent, rodzinę algorytmów optymalizacyjnych lepiej dostosowanych do geometrii możliwych zakłóceń. System w czasie rzeczywistym ocenia, która funkcja z rodziny najlepiej pasuje do bieżącego zakłócenia i ją stosuje – bez potrzeby ręcznej konfiguracji parametrów.

Meta-uczenie w centrum uwagi

Stosując meta-uczenie, system jednocześnie uczy sieć neuronową rozpoznawania zakłóceń oraz optymalny mirror descent, który będzie używany podczas adaptacji. W procesie treningu system przechodzi przez różne warianty wiatru i uczy się generować wspólne reprezentacje, co pozwala mu na szybkie dostosowanie się do nowych, niewidzianych warunków.

Wyniki – 50% mniej błędów

W symulacjach i eksperymentach system osiągnął nawet do 50% mniejszy błąd podczas śledzenia trasy w porównaniu do konwencjonalnych metod adaptacji. Co więcej, różnica w wydajności rosła wraz ze wzrostem siły wiatru, co pokazuje zdolność systemu do efektywnego radzenia sobie z bardziej ekstremalnymi warunkami.

Zastosowania w rzeczywistym świecie

• Dostawa ciężkich ładunków w warunkach silnych wiatrów – na przykład w obszarach górskich lub podczas gaszenia pożarów.


• Kontrola dronów nad obszarami zagrożonymi pożarami, takimi jak parki narodowe czy rezerwaty leśne.

Następne kroki – z symulatora na niebo

Badacze z MIT planują testy eksperymentalne na prawdziwych dronach w różnych warunkach wiatrowych. Ponadto rozwijają dodatkowe modulacje, w tym kombinację zakłóceń z wielu źródeł jednocześnie – na przykład fluktuacje ciężaru, gdy dron niesie wodę lub ładunki ciekłe.

Cele rozwoju

1. Uczenie ciągłe: System będzie aktualizować model nowych zakłóceń podczas działania, bez konieczności ponownego trenowania na całym zbiorze danych.
2. Zakłócenia wielotypowe: Rozpoznawanie i adaptacja do połączonych wpływów – na przykład wiatr + dynamiczna waga.

Ocena ekspertów i partnerstwa

Profesor Caltech Babak Hassibi podkreśla: „Kluczem ich metody jest integracja meta-uczenia z adaptacyjną kontrolą opartą na mirror descent, co umożliwia automatyczne wykorzystanie geometrii problemu – to naprawdę rewolucyjne dla systemów autonomicznych.”

Badania zostały zrealizowane przy wsparciu znaczących partnerów, takich jak MathWorks, MIT-IBM Watson AI Lab, MIT-Amazon Science Hub oraz program MIT-Google dla innowacji w informatyce.

Co nas czeka dalej

Prace wkrótce zostaną rozszerzone na wiele modeli dronów, różnorodne klasy turbulentnych wiatrów i ładunków. Planowana jest także integracja sprzętowa – przejście z laboratoriów i symulacji do rzeczywistych misji, takich jak gaszenie pożarów czy dostarczanie pomocy medycznej.

Wciąż w centrum uwagi

Technologia obiecuje zrewolucjonizować sposób, w jaki drony działają w nieprzewidywalnych warunkach – szczególnie w sytuacjach, gdy stabilność lotu jest kluczowa dla bezpieczeństwa, efektywności i niezawodności operacyjnej.

Źródło: Massachusetts Institute of Technology