I en tidning som ska publiceras i Obemannade system , en grupp forskare har upptäckt att en navigeringsalgoritm föreslagen av Baddeley et al. kan tillåta MAV att hitta tillbaka till en tidigare besökt plats ganska snabbt och effektivt, så att den fungerar mer lik en flygande insekt.

Här är en gåta som en obemannad systemingenjör kanske frågar dig en dag:hur liknar ett mikroflygfordon (även känd som en MAV) en flygande insekt? Väl, du kan säga som svar, både MAV och flygande insekter måste navigera i okända komplexa miljöer. Men en insekts hjärna är liten, och en MAV kan inte utföra tunga beräkningar och har ofta inte ett bra sensorsystem. Som ett resultat, både insekten och MAV måste förlita sig på enkla, effektiva navigeringsmekanismer som inte överbelastar deras kapacitet. När man utvecklar en MAV, utmaningen är därför att skriva en navigeringsalgoritm som fungerar bra utan att kräva mycket datorkraft.

En sådan algoritm, föreslagit av Baddeley et al., använder kameror för att avgöra om en vy är bekant för en MAV. Om utsikten är bekant, MAV måste ha passerat på det sättet tidigare. Genom att utvärdera många sådana synpunkter för bekantskap, MAV kan bestämma rätt riktning till en tidigare besökt plats. Ett litet neuralt nätverk används också för att lagra och rekapitulera en rutt så att den ursprungliga platsen kan hittas. Baddeley et al. hävda att denna algoritm skulle göra det onödigt för MAV att konstruera en karta över sin omgivning - en process som ofta är energikrävande.

Ett team av forskare bestående av Gerald J.J. van Dalen, Kimberly N. McGuire, och Guido C. H. E. de Croon har satt denna algoritm på prov genom att använda den i mer realistiska miljöer än de som skapats av Baddeley et al. för sina egna experiment med algoritmen. Teamet testade också algoritmen på olika bildrepresentationer (råpixlar, färger och rumsligt invariant information) för att se effekten av olika bildparametrar. Dessutom, två metoder för synrepresentation testades för att fastställa vilken som gav överlägsna resultat:en lagrad uppsättning bildrepresentationer (kallas perfekt minne) eller ett oövervakat neuralt nätverk (känd som Infomax). Algoritmens känslighet testades även under både rotation och translation.

I rotationstillstånd, MAV gjordes för att utföra en 360° sväng på en fast plats i miljön, i steg om 5°. Vyerna "sedda" av MAV under denna övning jämförs med en tidigare lagrad bild som ritats från den platsen. Teamets hypotes är att förtrogenhet bör förbättras när den aktuella vyn börjar likna den lagrade bilden.

I översättningsvillkoret, MAV gjordes för att flytta från en given punkt längs en given väg mot en plats i miljön. På nytt, vyerna "sedda" av MAV under denna övning jämförs med en tidigare lagrad bild som ritats från den platsen. Teamets hypotes är att förtrogenhet bör förbättras när avståndet mellan MAV och vyn i den lagrade bilden blir mindre. För att testa algoritmens känslighet, teamet har experimenterat med att öka avståndet mellan MAV och vyn i den lagrade bilden, samt att öka kursvinkeln vid vilken MAV närmar sig nämnda vy.

Resultaten av denna studie tyder på att algoritmen är lovande. När den testades, MAV:arna presterade bra på flera sätt:de kunde exakt hitta tillbaka till en tidigare besökt plats, de kunde göra det ganska snabbt, och de använde inte särskilt mycket datorkraft för att uppnå detta. Detta har spännande konsekvenser. Eftersom denna algoritm är beräkningseffektiv, det skulle förmodligen kunna appliceras på de flesta MAV för att ge dem målsökningsmöjligheter. Du skulle kunna skicka ut dina MAV för att samla in data, trygga i vetskapen om att vart de än går, de kommer att kunna komma tillbaka direkt till dig efteråt.

Tidningen i fråga kommer att publiceras i nästa nummer av Obemannade system .