A parte do voo de um helicóptero que mais exige habilidade do piloto é a decolagem e a aterrissagem. O veículo é capaz de voar porque as hélices geram um fluxo de ar turbulento que o empurra para cima. Mas perto de superfícies, esse fluxo gera uma zona de instabilidade que o piloto deve atentamente compensar para que o início e o fim da viagem sejam suaves.
Esse problema tem há algum tempo acompanhado o trabalho da comunidade de robótica aérea. Drones costumam ter vários rotores, o que exacerba as complicações. A solução comumente empregada, no caso da aterrissagem, é que o drone chega até poucos centímetros do solo, estabiliza sua posição, e os rotores são desligados para que o percurso final fique a cargo da gravidade. Essa abordagem serve para objetivos mais genéricos, mas fica comprometida se os robôs estiverem transportando objetos frágeis ou sensíveis a acelerações/desacelerações bruscas.
Foi visando essas aplicações mais refinadas que pesquisadores da Caltech desenvolveram um trabalho publicado em fevereiro e apresentado no último dia 22 na Conferência Internacional de Robótica e Automação (ICRA), em Montreal. O trabalho foi um exemplo de esforço multidisciplinar, envolvendo experts em sistemas de controle e inteligência artificial. Partindo de trabalhos anteriores onde as soluções apresentadas envolviam modelos matemáticos de turbulência e sensores que informavam controladores em loops de feedback – um tipo clássico de automação -, os pesquisadores incluíram uma etapa dirigida por uma rede neural para otimização dos parâmetros em situações reais, que são muito mais complexas do que os modelos matemáticos são capazes de prever. Seu sistema, batizado de Neural Lander, melhora a precisão de pouso de drones com quatro rotores, garantindo a estabilidade da movimentação. A rede neural profunda é responsável por capturar os efeitos dinâmicos residuais que não são diretamente tratados pelo modelo matemático. As saídas da rede são normalizadas, para que não sofram alterações abrutas – o que resultariam em instabilidade no movimento do drone -, e são então integradas no feedback do controlador, que é responsável por ajustar a trajetória do voo e a velocidade dos rotores. O treinamento da rede neural é feito off-line, e a dinâmica aprendida é aplicada no controlador do drone em tempo real.
Quando comparado com um controlador comum, o sistema foi capaz de reduzir o erro vertical de pouso de 13 cm para zero – ou seja, o veículo não precisava mais desligar os rotores há 13 cm do solo. As derivas horizontais sobrevoando uma superfície foram reduzidas em 90% na direção x e 34% na direção y, o que garante voos mais estáveis próximos ao solo. Ainda foi possível economizar no consumo de bateria, já que os pousos são mais rápidos. O vídeo abaixo mostra o desempenho de drones funcionando com e sem o sistema, no pouso vertical, no pouso em movimentação tridimensional, e sobrevoando uma superfície com bordas. O efeito de alguns parâmetros do modelo no desempenho também são comparados.
Nos próximos passos, os pesquisadores sugerem testar as capacidades do Neural Lander em estados onde o modelo ainda não tenha sido treinado – superfícies irregulares para pouso, por exemplo -, e em condições mais instáveis, como na presença de vento. Um sistema com alto desempenho em situações reais seria muito bem-vindo no emergente mercado de transporte aéreo não-pilotado.
