Les véhicules aériens autonomes (VAA) ont révolutionné diverses industries, de la logistique à l’agriculture, en permettant des services de livraison efficaces et des inspections d’infrastructures. Cependant, la tâche complexe de contrôler les VAA pose encore des défis, nécessitant une coordination précise entre plusieurs contrôleurs et une adaptation aux perturbations imprévisibles.
Pour simplifier le processus de contrôle et fournir une solution plus généralisée, des chercheurs ont exploré le potentiel de l’apprentissage par renforcement profond. Bien que cette approche montre des promesses dans les simulations informatiques, sa transposition à des scénarios réels a été difficile en raison de facteurs tels que les imprécisions du modèle et les perturbations.
Récemment, une équipe d’ingénieurs de l’Université de New York a proposé une solution innovante qui pourrait permettre un contrôle fiable des VAA grâce à des algorithmes d’apprentissage par renforcement. Ils ont développé un réseau neuronal entraîné pour traduire directement les mesures des capteurs en politiques de contrôle des moteurs. Étonnamment, ce nouveau système a démontré des capacités de contrôle précises après seulement 18 secondes d’entraînement sur un ordinateur portable ordinaire. De plus, l’algorithme entraîné pourrait s’exécuter en temps réel sur un microcontrôleur à faible consommation d’énergie.
L’équipe a utilisé un schéma acteur-critique pour former l’agent d’apprentissage par renforcement. L’acteur sélectionne des actions en fonction de l’état actuel de l’environnement, tandis que le critique évalue ces actions et fournit des commentaires. Ce processus itératif permet à l’acteur d’améliorer efficacement ses capacités de prise de décision.
Bien que le modèle ait été entraîné dans un environnement simulé, les chercheurs ont pris des mesures supplémentaires pour relever les défis de la mise en œuvre réelle. Ils ont injecté du bruit dans les mesures des capteurs pour tenir compte des imperfections du monde réel et ont utilisé l’apprentissage par curriculum pour gérer des scénarios complexes. En fournissant à l’architecture acteur-critique des informations supplémentaires, telles que les vitesses réelles des moteurs, ils ont amélioré la précision du modèle.
Pour valider leur approche, les chercheurs ont déployé le modèle formé sur un Crazyflie Nano Quadcopter avec un microcontrôleur à bord. L’algorithme basé sur l’apprentissage par renforcement a réussi à fournir un plan de vol stable, démontrant son utilité dans le monde réel.
Les chercheurs ont rendu l’intégralité du code source du projet disponible pour d’autres équipes de recherche, dans le but de faire avancer davantage la technologie des VAA. Avec cette nouvelle approche, le contrôle des VAA peut devenir plus rationalisé et adaptable, libérant ainsi tout le potentiel des vols autonomes.
Questions fréquemment posées (FAQ)
The source of the article is from the blog xn--campiahoy-p6a.es