Prateći najnovija istraživanja, MIT-ov tim razvio je napredno AI‑poticajno adaptivno upravljanje koje omogućuje dronovima da automatski ostanu na planiranoj putanji, i kada se susretnu s nepredvidljivim poremećajima poput jakih udara vjetra. Sustav samostalno uči iz podataka prikupljenih tijekom samo 15 minuta leta i odabire optimalni algoritam za prilagodbu, što rezultira napretkom u točnosti praćenja čak za 50 % u odnosu na standardne metode .

Kako funkcionira novi AI‑upravljani sustav

Tradicionalni sustavi kontrole oslanjaju se na unaprijed definirani model bespilotne letjelice i očekivani model okolišnih ometanja. Međutim, u stvarnim uvjetima poput planinskih područja ili urbanih koridora, ručno modeliranje svakog mogućeg utjecaja često nije izvedivo. Novo rješenje s MIT‑a zamjenjuje predodžbu strukture ometanja nepoznatim funkcionalnostima, zamjenjujući ih neuronskom mrežom koja nošenjem na minimalnoj količini podataka gradi razumijevanje o neočekivanim silama .

Automatski izbor algoritma: mirror descent

Umjesto ograničenog pristupa temeljenog na gradient descent‑u, MIT‑ovi istraživači uveli su mirror descent, obitelj optimizacijskih algoritama bolje prilagođenu geometriji mogućih ometanja. Sustav u realnom vremenu procjenjuje koja funkcija iz obitelji najbolje odgovara trenutačnom poremećaju i primjenjuje nju – bez potrebe za ručnom konfiguracijom parametara .

Meta‑učenje u fokusu

Primjenom meta‑učenja, sustav istodobno uči i neuronsku mrežu za prepoznavanje ometanja, ali i optimalan mirror descent koji će biti korišten tijekom prilagodbe. U procesu obuke sustav prolazi kroz različite varijante vjetra te uči generirati zajedničke reprezentacije, što mu omogućuje brzo prilagođavanje i u novim, nevidjenim uvjetima .

Rezultati – 50 % manje pogreške

U simulacijama i eksperimentima sustav je postigao i do 50 % manju pogrešku tijekom praćenja putanje u odnosu na konvencionalne metode prilagodbe. Štoviše, razlika u izvedbi je rasla s jačanjem vjetra, što pokazuje sposobnost sustava da se efikasno nosi s ekstremnijim uvjetima .

Primjene u stvarnom svijetu

• Dostava teških tovara u uvjetima jakih vjetrova – primjerice u planinskim područjima ili pri gaseću požara.


• Kontrola dronova nad područjima sklonom požarima, poput nacionalnih parkova ili šumskih rezervata.

Sljedeći koraci – iz simulatora na nebo

MIT‑ovi istraživači planiraju eksperimentalne testove na stvarnim dronovima u različitim uvjetima vjetra. Također razvijaju dodatne modulacije, uključujući kombinaciju ometanja iz više izvora istovremeno – primjerice fluktuacija težine kad dron nosi vodu ili tekuće terete.

Ciljevi proširenja sposobnosti

1. Kontinualno učenje: Sustav će nadograđivati model novih ometanja tijekom operacija, bez potrebe ponovnog treniranja na cijelom skupu podataka.
2. Viševrstna ometanja: Prepoznavanje i prilagodba na kombinirane utjecaje – recimo vjetar + dinamična težina.

Stručna ocjena i partnerstva

Caltech‑ov profesor Babak Hassibi ističe: “Ključ njihove metode je integracija meta‑učenja s adaptivnim kontrolama temeljenim na mirror descent‑u, što omogućuje automatsko iskorištavanje geometrije problema – to je zaista revolucionarno za autonomne sustave” .

Istraživanje je realizirano uz podršku značajnih partnera poput MathWorks, MIT‑IBM Watson AI Lab, MIT‑Amazon Science Hub i MIT‑Google programom za inovacije u računarstvu.

Što nas očekuje dalje

Rad će uskoro biti proširen na više modela dronova, raznolike klase nemirnih vjetrova i tereti. U planu je i hardware integracija – prelazak iz laboratorija i simulacija u stvarne misije, poput gašenja požara ili dostave medicinske pomoći.

I dalje u fokusu

Tehnologija obećava da će revolucionirati kako dronovi rade u nepredvidivim uvjetima – a posebno u situacijama gdje je stabilnost leta ključna za sigurnost, učinkovitost i operativnu pouzdanost.

Izvor: Massachusetts Institute of Technology