En la naturaleza, los animales voladores perciben los cambios que se avecinan en su entorno, incluida la aparición de turbulencias repentinas, y se adaptan rápidamente para mantenerse a salvo.A los ingenieros que diseñan aviones les gustaría dotar a sus vehículos de la misma capacidad para predecir perturbaciones entrantes y responder adecuadamente.

De hecho, desastres como el fatal vuelo de Singapore Airlines en mayo pasado, en el que más de 100 pasajeros resultaron heridos después de que el avión sufriera turbulencias severas, podrían evitarse si los aviones tuvieran capacidades automáticas de detección y predicción combinadas con mecanismos para estabilizar el vehículo.

Ahora, un equipo de investigadores del Centro de Tecnologías y Sistemas Autónomos (CAST) de Caltech y Nvidia han dado un paso importante hacia tales capacidades.en un nuevopapelen el diarionpj robótica, el equipo describe una estrategia de control que han desarrollado para vehículos aéreos no tripulados, o UAV, llamada FALCON (Fourier Adaptive Learning and CONtrol).

La estrategia utilizaaprendizaje por refuerzo, una forma de inteligencia artificial, para aprender de forma adaptativa cómo el viento turbulento puede cambiar con el tiempo y luego utiliza ese conocimiento para controlar un UAV en función de lo que está experimentando en tiempo real.

"Las turbulencias espontáneas tienen consecuencias importantes para todo, desde los vuelos civiles hasta los drones. Concambio climático, los fenómenos meteorológicos extremos que causan este tipo de turbulencia están en aumento", dice Mory Gharib, profesor Hans W. Liepmann de Aeronáutica e Ingeniería Médica, presidente de liderazgo Booth-Kresa de CAST y autor del nuevo artículo.

"Las turbulencias extremas también surgen en la interfaz entre dos flujos de corte diferentes, por ejemplo, cuando los vientos de alta velocidad se estancan alrededor de un edificio alto. Por lo tanto, los vehículos aéreos no tripulados en entornos urbanos deben poder compensar esos cambios repentinos. FALCON ofrece estosvehículos una forma de comprender las turbulencias que se avecinan y hacer los ajustes necesarios".

FALCON no es la primera estrategia de control de UAV que utiliza el aprendizaje por refuerzo.Sin embargo, las estrategias anteriores no han intentado aprender el modelo subyacente que realmente representa cómo funcionan los vientos turbulentos.En cambio, todos han sido métodos libres de modelos.Dichos métodos se centran en maximizar una función de recompensa que no se puede utilizar para abordar diferentes entornos, como diferentes condiciones de viento o configuraciones del vehículo, sin volver a entrenar porque se centran en un solo entorno.

"Eso no es tan bueno en el mundo físico, donde sabemos que las situaciones pueden cambiar drásticamente y rápidamente", dice Anima Anandkumar, profesora Bren de Computación y Ciencias Matemáticas en Caltech y autora del nuevo artículo."Necesitamos que la IA aprenda bien el modelo subyacente de turbulencia para que pueda tomar medidas en función de cómo cree que cambiará el viento".

"Los avances en la IA fundamental cambiarán la faz de la industria de la aviación, mejorando la seguridad, la eficiencia y el rendimiento en una variedad de plataformas, incluidos aviones de pasajeros, vehículos aéreos no tripulados y aviones de transporte. Estas innovaciones prometen hacer que los viajes y las operaciones aéreas sean más inteligentes, más seguros y más seguros.y más simplificado", afirma Kamyar Azizzadenesheli, coautor de Nvidia.

Como dice el acrónimo FALCON, la estrategia se basa en métodos de Fourier, lo que significa que se basa en el uso de sinusoides u ondas periódicas para representar señales, en este caso, las condiciones del viento.Las olas proporcionan una buena aproximación de los movimientos estándar del viento, manteniendo al mínimo los cálculos necesarios.Dentro de esas ondas, cuando surge una turbulencia extrema, la inestabilidad se manifiesta como un cambio notable en la frecuencia.

"Si puedes aprender a predecir esas frecuencias, entonces nuestro método puede darte una predicción de lo que se avecina", dice Gharib, quien también es director de los Laboratorios Aeroespaciales de Graduados de Caltech.

"Los métodos de Fourier funcionan bien aquí porque las ondas turbulentas se modelan mejor en términos de frecuencias, con la mayor parte de su energía en bajas frecuencias", dice el coautor principal Sahin Lale, ahora ingeniero de investigación senior en Neural Propulsion Systems, Inc.quien completó el trabajo mientras estaba en Caltech."El uso de este conocimiento previo simplifica tanto el aprendizaje como el control de dinámicas turbulentas, incluso con una cantidad limitada de información".

Para probar la eficacia de la estrategia FALCON, los investigadores crearon una configuración de prueba extremadamente desafiante en el túnel de viento John W. Lucas en Caltech.Utilizaron un sistema de ala totalmente equipado como su UAV representativo, equipándolo con sensores de presión y superficies de control que podían realizar ajustes en línea a cosas como la altitud y la orientación del sistema.Luego colocaron un cilindro grande con un accesorio móvil en el túnel de viento.Cuando el viento fluyó sobre el cilindro, creó grandes fluctuaciones aleatorias en lavientollegando al perfil aerodinámico."Entrenar un algoritmo de aprendizaje por refuerzo en un entorno físico turbulento presenta todo tipo de desafíos únicos", dice Peter I. Renn, coautor principal del artículo y ahora estratega cuantitativo en Virtu Financial.

"No podíamos confiar en señales perfectamente claras ni en simulaciones de flujo simplificadas, y todo tenía que hacerse en tiempo real".

Después de unos nueve minutos de aprendizaje, el sistema asistido por FALCON pudo estabilizarse en este entorno extremo.

"Con cada nueva observación, el programa mejora porque tiene más información", afirma Anandkumar.

"El futuro realmente depende de cuán potente sea el software en términos de necesitar cada vez menos capacitación", afirma Gharib."La adaptación rápida será el desafío y vamos a presionar, presionar, presionar".

Mirando hacia el futuro, añade que los investigadores prevén dar a los vehículos aéreos no tripulados e incluso a los aviones de pasajeros la capacidad de compartir entre sí información detectada y aprendida sobre las condiciones.Este intercambio de mediciones de sensores y aprendizaje basado en inteligencia artificial entre aviones, especialmente cuando se está cerca de una perturbación, podría ayudar a mantener la seguridad de los aviones.

"Creo que eso va a suceder", dice Gharib."De lo contrario, las cosas se pondrán bastante peligrosas, ya queeventos climáticos extremosaumento de frecuencia."

Más información:Sahin Lale et al, FALCON: Aprendizaje y control adaptativo de Fourier para el rechazo de perturbaciones en condiciones de turbulencia extrema,npj robótica(2024).DOI: 10.1038/s44182-024-00013-0