MIT profesoriaus Jonathano Howo mokslinių tyrimų interesai apima autonominių transporto priemonių spektrą – nuo lėktuvų ir erdvėlaivių iki nepilotuojamų orlaivių (UAV arba dronų) ir automobilių. Jis ypač daug dėmesio skiria paskirstytų tvirtų planavimo algoritmų, skirtų kelių autonominių transporto priemonių, galinčių naršyti dinamiškoje aplinkoje, kūrimui ir įgyvendinimui.
Maždaug pastaruosius metus Richardas Cockburnas Maclaurinas aeronautikos ir astronautikos profesorius ir mokslininkų komanda iš MIT Aerospace Controls Laboratory kūrė trajektorijos planavimo sistemą, leidžiančią bepiločių orlaivių parkui veikti toje pačioje oro erdvėje nesusiduriant su vienas kitą. Kitaip tariant, tai kelių transporto priemonių susidūrimų vengimo projektas, turintis realių pasekmių, susijusių su sąnaudų taupymu ir efektyvumu įvairiose pramonės šakose, įskaitant žemės ūkį ir gynybą.
Projekto bandymų objektas yra Kresa autonominių sistemų centras, 80 x 40 pėdų erdvė su 25 pėdų lubomis, pritaikyta MIT darbui su autonominėmis transporto priemonėmis, įskaitant How’o UAV būrį, nuolat zujantį aplink aukštą centro įlanką. . Kad išvengtų susidūrimo, kiekvienas UAV turi apskaičiuoti savo kelio planavimo trajektoriją laive ir bendrinti ją su likusiomis mašinomis, naudodamas belaidžio ryšio tinklą.
Tačiau, pasak How, vienas iš pagrindinių iššūkių dirbant su keliomis transporto priemonėmis yra komunikacijos vėlavimas, susijęs su keitimu informacija. Šiuo atveju, norėdami išspręsti problemą, How ir jo mokslininkai į savo sistemą įdėjo „suvokimo suvokimo“ funkciją, kuri leidžia transporto priemonei naudoti borto jutiklius, kad surinktų naują informaciją apie kitas transporto priemones ir pakeistų savo planuojamą trajektoriją. Bandymų metu jų algoritminis pataisymas lėmė 100 procentų sėkmės rodiklį, užtikrinant, kad jų grupės dronų skrydžiai nesusidurtų. Kitas žingsnis, sako „How“, yra išplėsti algoritmus, išbandyti didesnėse erdvėse ir galiausiai išskristi į lauką.
Anglijoje gimęs Jonathanas Howas lėktuvais susižavėjo dar vaikystėje, nes daug laiko praleido oro bazėse su tėvu, kuris ilgus metus tarnavo Karališkosiose oro pajėgose. Tačiau, kaip prisimena How, nors kiti vaikai norėjo būti astronautais, jo smalsumas buvo labiau susijęs su skrydžio inžinerija ir mechanika. Po daugelio metų, būdamas Toronto universiteto bakalauras, jis susidomėjo taikomąja matematika ir kelių transporto priemonių tyrimais, kai tai buvo taikoma aeronautikos ir astronautikos inžinerijoje. Jis baigė ir baigė doktorantūros studijas MIT, kur prisidėjo prie NASA finansuojamo eksperimento su pažangiomis valdymo technikomis, skirtomis didelio tikslumo nukreipimui ir vibracijos kontrolei erdvėlaiviuose. Ir po to, kai dirbo su paskirstytais kosminiais teleskopais Stanfordo universiteto jaunesniuoju fakulteto nariu, 2000 m. jis grįžo į Kembridžą, Masačusetso valstijoje, kad prisijungtų prie MIT fakulteto.
„Vienas iš pagrindinių iššūkių bet kokiai autonominei transporto priemonei yra tai, kaip išspręsti tai, kas dar yra ją supančioje aplinkoje“, – sako jis. Autonominiams automobiliams tai, be kita ko, reiškia pėsčiųjų atpažinimą ir sekimą. Štai kodėl Howas ir jo komanda renka duomenis realiuoju laiku iš autonominių automobilių su jutikliais, skirtais sekti pėstiesiems, ir tada jie naudoja šią informaciją kurdami modelius, kad suprastų jų elgesį, pavyzdžiui, sankryžoje, o tai įgalina autonominį. trumpalaikių prognozių ir geresnių sprendimų, kaip elgtis toliau, priemonė. „Tai labai triukšmingas numatymo procesas, atsižvelgiant į pasaulio netikrumą“, – pripažįsta How. „Tikrasis tikslas yra tobulinti žinias. Jūs niekada nesulauksite tobulų prognozių. Jūs tiesiog bandote suprasti netikrumą ir kiek galite jį sumažinti.
Kitame projekte „How stumia orlaivių sprendimų priėmimo realiuoju laiku ribas“. Pagal šiuos scenarijus transporto priemonės turi nustatyti, kur jos yra aplinkoje, kas dar yra aplinkui, ir tada planuoti optimalų kelią į priekį. Be to, norint užtikrinti pakankamą judrumą, paprastai reikia sugebėti atkurti šiuos sprendimus maždaug 10–50 kartų per sekundę, kai tik gaunama nauja informacija iš orlaivio jutiklių. Galingi kompiuteriai egzistuoja, tačiau dėl jų kainos, dydžio, svorio ir galios poreikio juos naudoti mažuose, judriuose orlaiviuose nepraktiška. Taigi, kaip greitai atlikti visus būtinus skaičiavimus – neprarandant našumo – kompiuteriuose, kurie lengvai telpa judrioje skraidančioje transporto priemonėje?
Išeitis – orlaivyje panaudoti greitai pateikiamus neuroninius tinklus, kurie yra išmokyti „imituoti“ skaičiavimo požiūriu brangių optimizatorių atsaką. Mokymai vyksta neprisijungus (prieš misiją), kai jis ir jo mokslininkai pakartotinai (tūkstančius kartų) paleidžia optimizavimo priemonę, kuri „parodo“, kaip išspręsti užduotį, ir tada jie įterpia tas žinias į neuroninį tinklą. Kai tinklas yra apmokytas, jie paleidžia jį (vietoj optimizatoriaus) orlaivyje. Skrydžio metu neuroninis tinklas priima tuos pačius sprendimus, kuriuos būtų priėmęs optimizatorius, tačiau daug greičiau, žymiai sumažindamas laiką, reikalingą naujiems sprendimams priimti. Šis metodas pasirodė esąs sėkmingas naudojant visų dydžių UAV, be to, jis gali būti naudojamas generuoti neuroninius tinklus, galinčius tiesiogiai apdoroti triukšmingus jutimo signalus (vadinamą mokymąsi nuo galo iki galo), pvz., vaizdus iš laive esančios kameros. , leidžianti orlaiviui greitai nustatyti savo vietą arba išvengti kliūties. Įdomios naujovės yra naujos technologijos, sukurtos tam, kad skraidantys agentai būtų mokomi labai efektyviai – dažnai naudojant tik vienos užduoties demonstravimą. Vienas iš svarbių tolesnių šio projekto žingsnių – užtikrinti, kad šie išmokti valdikliai būtų sertifikuoti kaip saugūs.
Bėgant metams How glaudžiai bendradarbiavo su tokiomis įmonėmis kaip Boeing, Lockheed Martin, Northrop Grumman, Ford ir Amazon. Jis sako, kad darbas su pramone padeda sutelkti savo tyrimus į realaus pasaulio problemų sprendimą. „Mes paimame sudėtingas pramonės problemas, sutrumpiname jas iki pagrindinių problemų, kuriame konkrečių problemos aspektų sprendimus, demonstruojame tuos algoritmus savo eksperimentinėse patalpose ir grąžiname juos į pramonę. Tai paprastai yra labai natūralus ir sinergetiškas grįžtamojo ryšio ciklas“, – sako How.