Come salgono gli uccelli? I ricercatori sviluppano un aliante autonomo AI da scoprire

Gli uccelli hanno ispirato a lungo gli umani a creare i propri modi di volare. Sappiamo che le specie di uccelli in volo che migrano su lunghe distanze usano correnti ascensionali per rimanere nell'aria senza consumare energia sbattendo le ali. Allo stesso modo, i piloti di alianti usano correnti termiche e altre aree di aria in ascesa per rimanere in volo più a lungo.

Eppure, mentre abbiamo imparato a navigare attraverso queste correnti ascensionali usando vari strumenti, i meccanismi esatti che permettono agli uccelli di librarsi sono ancora sconosciuti. Ma un team di ricercatori californiani e italiani ha fatto alcuni passi significativi per rispondere a questa domanda usando l'intelligenza artificiale (A.I.). E potrebbe portare a nuovi sviluppi nei sistemi di navigazione per aeromobili, con particolari implicazioni per la creazione di droni che possono rimanere in volo per periodi di tempo molto lunghi.

Lo scopo dello studio, pubblicato in Natura, doveva addestrare un piccolo aliante autonomo di due metri per volare in termica, proprio come farebbe un vero uccello. L'aliante è stato programmato con una specie di A.I. noto come machine learning che ha permesso di capire come utilizzare le correnti d'aria per rimanere in aria più a lungo.

Vedi anche: I droni sono programmati per affollarsi esattamente come gli uccelli nel nuovo studio rivoluzionario

L'apprendimento automatico è un approccio alternativo alla programmazione di un computer per svolgere un compito complesso. Piuttosto che alimentare un computer (o aliante autonomo in questo caso) un insieme di istruzioni che dicono come fare qualcosa, devi dire al computer come vorresti che rispondesse e ricompensarlo quando fa la cosa giusta.

Col passare del tempo, imparerà quali sono le cose premiate e tenderà a fare questi comportamenti. Questa tecnica è il modo in cui i programmi per computer come AlphaGo di Google possono imparare a giocare al gioco da tavolo Go e quindi a battere i giocatori professionisti, un'impresa semplicemente impossibile con le tecniche di programmazione convenzionali.

Questo tipo di apprendimento automatico è chiamato apprendimento di rinforzo e si basa su una grande quantità di dati di input che vengono inviati al computer in modo che apprenda quali azioni forniranno i premi. Per i ricercatori che programmano l'aliante autonomo, i dati di input consistevano in strumenti specializzati in grado di leggere il cambiamento della forza del vento verso l'alto (verticale). Gli strumenti sono stati in grado di determinare questi cambiamenti lungo la lunghezza della vela (longitudinalmente) e da una punta dell'ala all'altra (lateralmente). I sensori sono stati in grado di effettuare queste misurazioni dieci volte al secondo.

Questi dati sono stati poi utilizzati per effettuare le regolazioni di volo di ciò che è noto come l'angolo di banchina dell'aliante. Un aereo ben bilanciato con il suo livello alare ha un angolo di bank zero e volerà in linea retta. Inclinando le ali e aumentando l'angolo del banco, l'aereo girerà. Nello studio, l'aliante è stato premiato se il cambiamento nella velocità del vento verso l'alto lungo la sua traiettoria di volo è aumentato. In altre parole, se l'aliante stava volando in un updraft.

Gli aggiornamenti sono fondamentali per aumentare la quantità di tempo in cui una vela può rimanere in volo.A differenza di un aereo a motore, un aliante che non è in grado di trovare alcuna corrente ascendente cadrà gradualmente verso il terreno. La caduta o il rialzo dell'aliante dipende direttamente dalla quantità di aria che si muove verso l'alto. In una corrente ascensionale, l'aumento del movimento verticale dell'aria può essere sufficiente per fermare la caduta dell'aliante e, se il vento verticale è abbastanza forte, permettergli di salire.

Nel corso di un certo numero di voli (circa 16 ore di volo in totale), l'aliante dello studio ha imparato a volare allenandosi sotto una certa combinazione di ingressi (angolo del banco, cambio longitudinale e laterale, velocità del vento verticale) per decidere quale la prossima modifica dell'angolo di inclinazione dovrebbe essere. Il risultato fu che alla fine di tutto ciò che volava, l'aereo aveva imparato da solo come volare in corrente ascendente, permettendogli di rimanere nell'aria più a lungo.

Come bonus, i ricercatori hanno usato un modello numerico per mostrare che questo approccio avrebbe giovato ancora di più ai parapendii più grandi, poiché la loro apertura alare più lunga fornirà una misurazione più accurata della variazione della velocità del vento verso l'alto da una punta all'altra.

Rendere gli aerei più intelligenti

I risultati sollevano la questione di quali possibili alianti futuristici autonomi potremmo vedere scorrere intorno e per che cosa sarebbero usati. Di recente gli ingegneri del MIT si sono ispirati all'aerodinamica dell'albatros per disegnare un aliante autonomo.

Airbus ha sviluppato un aliante a energia solare che può rimanere in volo per lunghi periodi di tempo come alternativa ai satelliti di sorveglianza o di comunicazione, ad esempio, che potrebbero trasmettere segnali Internet a postazioni remote sul terreno. Si dice che Microsoft stia lavorando su aerei autonomi con sistemi di navigazione intelligenti artificiali allo stato dell'arte.

Ma forse le tecniche sviluppate in questo studio potrebbero un giorno condurre a una nuova generazione di sistemi di navigazione "intelligenti" e di autopiloti per aerei convenzionali. Questi potrebbero utilizzare i dati raccolti in migliaia di ore di volo per prendere decisioni sul modo più efficiente per andare in giro. Ciò si baserebbe su sensori precisi e su un ulteriore sviluppo che consentirebbe a un aereo di identificare e quindi saltare da una corrente termica a un'altra. Al momento, il metodo consente solo di scivolare all'interno di una singola termica.

I metodi e le tecniche di programmazione sviluppate dai ricercatori ci porteranno senza dubbio un passo avanti verso l'obiettivo di un veicolo volante autonomo con tempi di volo di giorni, settimane o mesi che svolgono questi compiti. Ma è l'uso dell'apprendimento rinforzato che dimostra ancora una volta quanto questi algoritmi siano flessibili nell'adattarsi a una vasta gamma di compiti complessi, dal controllo di un aliante a un umano al Go.

Questo articolo è stato originariamente pubblicato su The Conversation di Nicholas Martin. Leggi l'articolo originale qui.