Drony se učí létat bez GPS a kamer: Nový AI systém je navede i v tunelech s přesností pod metr

Drony se nyní mohou navigovat bez potřeby GPS signálu nebo kamer, a to díky novému rámci umělé inteligence, který se spoléhá výhradně na palubní senzory.

Drony se nyní mohou navigovat bez potřeby GPS signálu nebo kamer, a to díky novému rámci umělé inteligence, který se spoléhá výhradně na palubní senzory. Výzkumný tým z Prince Sultan University vyvinul systém nazvaný CLAK, který umožňuje bezpilotním letounům odhadovat svou polohu pomocí dat z LiDARu, barometrické výšky a inerciálních senzorů.

Tento inovativní přístup je zaměřen na prostředí, kde jsou satelitní signály slabé nebo nedostupné, jako jsou tunely, hustě zastavěná města, lesy nebo konfliktní zóny. Přesné určení polohy je pro autonomní let klíčové, avšak globální navigační satelitní systémy (GNSS) často selhávají kvůli blokování signálu, rušení nebo spoofingu. Vizuální navigační metody sice mohou pomoci, ale jsou závislé na osvětlení, texturách a vyžadují značný výpočetní výkon, což je činí nespolehlivými v podmínkách špatné viditelnosti nebo omezených zdrojů.

Nový systém CLAK odstraňuje tyto závislosti tím, že se učí z nevizuálních senzorových dat. Zpracovává prostorové a časové informace k odhadu zeměpisné šířky, délky a nadmořské výšky, což dronům umožňuje udržet orientaci i v případě selhání tradičních systémů. Model CLAK kombinuje více technik umělé inteligence do jednoho procesu, včetně konvolučních vrstev pro extrakci vzorů, obousměrných LSTM sítí pro pochopení pohybu v čase, mechanismu pozornosti pro výběr relevantních datových bodů a Kolmogorov-Arnoldovy sítě pro finální predikci polohy.

Systém byl trénován pomocí simulovaných letových dat generovaných nástroji založenými na ROS2, jako jsou Gazebo, PX4 a QGroundControl. Pro replikaci reálných podmínek byla do tréninku zahrnuta i terénní data z oblasti Taif v Saúdské Arábii. Při testování model výrazně překonal základní metody, snížil průměrnou absolutní chybu z více než tří metrů na méně než jeden metr a dosáhl vysoké přesnosti napříč různými simulovanými letovými dráhami. V některých případech se chyby snížily o více než 75 procent.

Výzkumníci zdůrazňují, že model poskytuje vysokou přesnost a zároveň zůstává dostatečně lehký pro reálné nasazení, což ho činí vhodným pro drony s přísnými hardwarovými omezeními. Díky tomu, že se systém nespoléhá na kamery ani satelitní signály, může fungovat v prostředích, kde jiné metody selhávají, včetně vnitřních prostor, podzemních tunelů, hornatého terénu a městských oblastí s omezeným signálem. Spoléhání na široce dostupné senzory navíc snižuje závislost na drahém hardwaru, což zvyšuje jeho dostupnost pro komerční a výzkumné účely. To by mohlo urychlit jeho přijetí v odvětvích hledajících spolehlivou navigaci tam, kde GPS a vizuální systémy selhávají.

Kromě navigace by tato technologie mohla podpořit aplikace v oblastech, jako je reakce na katastrofy, inspekce infrastruktury a vojenské operace, kde je spolehlivé určení polohy zásadní, ale často ohrožené. Tým nyní zkoumá způsoby, jak model dále optimalizovat, včetně snížení výpočetní zátěže a zlepšení adaptability napříč různými terény a typy misí. Budoucí práce se může týkat i kolaborativní navigace mezi více drony pro zvýšení přesnosti a odolnosti.