Hệ thống hỗ trợ AI giúp drone duy trì mục tiêu
Một máy bay không người lái (drone) tự động mang nước đến giúp dập lửa trong một vụ cháy rừng có thể gặp phải những cơn gió xoáy, đẩy nó khỏi lộ trình. Việc thích nghi nhanh chóng với những tác động bất ngờ này trong suốt quá trình bay là một thách thức lớn đối với hệ thống điều khiển của drone.
Để giúp drone duy trì lộ trình, các nhà nghiên cứu tại MIT đã phát triển một thuật toán điều khiển thích nghi mới dựa trên học máy, có thể giảm thiểu độ lệch của drone so với lộ trình dự định khi đối mặt với các lực như gió mạnh. Khác với các phương pháp thông thường, kỹ thuật mới này không yêu cầu người lập trình drone phải biết trước cấu trúc của những tác động không chắc chắn này mà thay vào đó, mô hình trí tuệ nhân tạo (AI) trong hệ thống điều khiển học được tất cả những gì nó cần từ một lượng dữ liệu quan sát thu thập trong 15 phút bay.
Quan trọng là, kỹ thuật này tự động xác định thuật toán tối ưu sử dụng để thích nghi với các tác động, từ đó cải thiện hiệu suất theo dõi.
Các nhà nghiên cứu huấn luyện hệ thống làm cả hai nhiệm vụ này cùng lúc thông qua kỹ thuật meta- learning. Nói một cách tổng quát, kỹ thuật này sẽ giúp hệ thống điều khiển thích nghi đạt được sai số theo dõi quỹ đạo thấp hơn 50% so với các phương pháp cơ bản và ứng phó tốt hơn với các tốc độ gió mới mà drone chưa gặp trong quá trình huấn luyện. Trong tương lai, hệ thống này sẽ giúp vận chuyển hàng hóa trong điều kiện gió mạnh hoặc giám sát các khu vực dễ cháy.
Trong hệ thống, các nhà nghiên cứu đã thay thế hàm chứa một số cấu trúc của các nhiễu tiềm ẩn bằng một mô hình mạng nơ-ron học để xấp xỉ các nhiễu này từ dữ liệu. Bằng cách này, họ không cần phải có trước một cấu trúc cụ thể về tốc độ gió mà drone có thể gặp phải.
Phương pháp của họ cũng sử dụng một thuật toán để tự động lựa chọn hàm mirror-descent phù hợp trong quá trình học mô hình mạng nơ-ron từ dữ liệu, thay vì giả định rằng người dùng đã chọn sẵn được hàm lý tưởng. Các nhà nghiên cứu cung cấp cho thuật toán này một phạm vi các hàm để lựa chọn, và nó sẽ tìm ra hàm phù hợp nhất với bài toán đang xử lý.
Khi tốc độ gió mà drone gặp phải có thể thay đổi, mạng thần kinh và hàm gương của bộ điều khiển phải giữ nguyên để không cần phải tính toán lại mỗi lần. Để bộ điều khiển linh hoạt hơn, các nhà nghiên cứu sử dụng meta-learning, dạy nó thích nghi bằng cách cho nó xem một loạt các họ tốc độ gió trong quá trình đào tạo.
Sunbochen Tang, đồng tác giả của nghiên cứu giải thích: “Phương pháp của chúng tôi có thể đối phó với các mục tiêu khác nhau bởi vì meta-learning giúp hệ thống học một biểu diễn chung thông qua các kịch bản khác nhau từ dữ liệu một cách hiệu quả.”□
Diễm Quỳnh lược dịch
Bài đăng Tia Sáng số 12/2025
