Η σημερινή γενιά μη επανδρωμένων ιπτάμενων οχημάτων (UAV), τα γνωστά κι ως drones, χρησιμοποιούν συστήματα αυτόματης πλοήγησης και προγραμματισμού διαδρομής της πτήσης που είναι υπερβολικά ακριβή, απαιτώντας εκατοντάδες μετρήσεις έτσι ώστε το UAV να γνωρίζει ακριβώς πού βρίσκεται χωρικά σε οποιαδήποτε δεδομένη στιγμή. Επιπλέον, όλη αυτή η συλλογή δεδομένων είναι ιδιαίτερα απαιτητική σε υπολογιστικές δυνατότητες – ειδικά για μικρότερα drones όπου η χωρητικότητα και το βάρος τους είναι περιορισμένα.
Με πολλές εταιρείες, όπως η Amazon, να έχουν φιλόδοξα σχέδια για drones που θα παραδίδουν μόνα τους πακέτα στην πόρτα των καταναλωτών, έχει δημιουργηθεί η ανάγκη προγραμματισμού των drones, ώστε να πετούν αυτόνομα μέσα σε χαώδη μέρη γεμάτα απρόβλεπτα εμπόδια. Στην ανάγκη αυτή, έρχονται να δώσουν λύση για πρώτη φορά, μηχανικοί του Εργαστηρίου Επιστήμης των Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL) του Πανεπιστημίου ΜΙΤ των ΗΠΑ.
Το νέο σύστημα NanoMap επιτρέπει στα drones, παρόλο που ταξιδεύουν με ταχύτητα τουλάχιστον
Το σύστημα NanoMap, που επιτρέπει στα drones να πετάνε γρήγορα με σχετική (αλλά όχι ακόμη απόλυτη) ασφάλεια μόνα τους μέσα σε πόλεις, δάση και άλλα πολύπλοκα περιβάλλοντα, συνδυάζει αισθητήρες και αλγόριθμους για να υπολογίζει συνεχώς πόσο απέχουν τα αντικείμενα γύρω του. Χάρη στην τεχνητή νοημοσύνη του, μπορεί να κάνει ακόμη και προβλέψεις για τι το περιμένει στην επόμενη γωνία!
Σε αντίθεση με άλλα γνωστά συστήματα χαρτογράφησης, όπως αυτά της ταυτόχρονης Χαρτογράφησης και Εντοπισμού (SLAM), τα οποία είναι απαιτητικά από άποψη υπολογιστικών δεδομένων και είναι δύσκολο να αντεπεξέλθουν σε πραγματικό χρόνο, το NanoMap χρησιμοποιεί σύστημα ανίχνευσης βάθους για να μετρήσει μόνο το άμεσο περιβάλλον του drone. Αυτό επιτρέπει στο drone να καταλάβει γενικά το πού βρίσκεται σε σχέση με τα εμπόδια και να προβλέψει πώς θα χρειαστεί να αλλάξει πορεία για να τα αποφύγει.
“Η βασική διαφορά σε σχέση με τον προηγούμενο τρόπο εργασίας είναι ότι οι ερευνητές δημιούργησαν ένα χάρτη που αποτελείται από ένα σύνολο εικόνων με αβεβαιότητα θέσης και όχι απλά ένα σύνολο εικόνων και τις θέσεις και τον προσανατολισμό τους”, έγραψε ο Sebastian Scherer, επιστήμονας συστημάτων στο Ινστιτούτο Ρομποτικής του Πανεπιστημίου Carnegie Mellon University, σε μια έκθεση του MIT. “Η παρακολούθηση της αβεβαιότητας έχει το πλεονέκτημα ότι επιτρέπει τη χρήση προηγούμενων εικόνων ακόμα και αν το ρομπότ δεν ξέρει ακριβώς πού είναι και επιτρέπει σε βελτιωμένο σχεδιασμό”, προσθέτει
Αυτή η αβεβαιότητα είναι εκπληκτικά χρήσιμη. Τα τεστ έδειξαν ότι μέχρι στιγμής με το νέο σύστημα οι προσκρούσεις αυτόνομων drones σε αντικείμενα έχουν περιορισθεί στο 2% (από 25% χωρίς το νέο σύστημα). “Είναι σαν να αποθηκεύεις σε μια μεγάλη ταινία στο μυαλό σου όλες τις εικόνες που έχεις ήδη δει”, δήλωσε ο επικεφαλής ερευνητής Πιτ Φλόρενς.
Φυσικά, εκτός της εμπορικής του χρήσης το νέο σύστημα μπορεί να αξιοποιηθεί σε διαφόρων ειδών drones με αυτόνομη πλοήγηση: στρατιωτικά, ψυχαγωγικά, έρευνας και διάσωσης κτλ. Καθόλου τυχαία, άλλωστε, η σχετική έρευνα χρηματοδοτήθηκε από την Υπηρεσία Προωθημένων Αμυντικών Ερευνητικών Προγραμμάτων (DARPA) του Πενταγώνου των ΗΠΑ.
