Разработка эффективных беспилотных летательных аппаратов традиционно разделена на два изолированных этапа: инженеры создают механическую платформу, а затем специалисты по автоматизации пытаются заставить её стабильно летать. На семинаре Стэнфордского университета профессор из Калифорнийского университета в Беркли представил радикально иной подход — совместное проектирование механики и систем управления (hardware/controls co-design). В центре внимания докладчика оказались конкретные механизмы, алгоритмы адаптации и даже использование больших языковых моделей для автоматизации проектирования роботов нового поколения.
🛰️ Навигация в сложных средах: три стратегии выживания дронов 3:43
При проектировании беспилотников для работы в загроможденных и сложных пространствах инженеры обычно сталкиваются с жесткими компромиссами между безопасностью, автономностью и уровнем шума. Докладчик выделил три принципиальных подхода к решению этой проблемы: сделать робота «умнее», уменьшить его габариты или «жульничать», полностью переосмыслив правила игры.
Традиционный модульный стек робототехники разделяет оценку состояния и планирование на узкие изолированные блоки, что делает систему хрупкой: ошибка в карте неизбежно приводит к аварии. Чтобы преодолеть это ограничение, исследовательская группа сфокусировалась на переносе критически важных для безопасности вычислительных функций в самый нижний, высокочастотный контур управления. Для тестов использовался квадрокоптер массой 1,4 кг, оснащенный бортовым компьютером RB5 (без использования решений от NVIDIA по требованию заказчика в лице армии США), полетным контроллером PX4 и легкими глубинными камерами Intel. Алгоритмы OpenVINS обеспечивали локальную визуально-инерциальную одометрию.
Эксперименты в эвкалиптовом лесу показали, что главным ограничением скорости полета становится не динамика аппарата, а сбои в системе восприятия. Чтобы решить эту проблему, ученые разработали планировщик с учетом качества восприятия (perception-aware planner). Система не просто ищет кратчайший путь, но и минимизирует неопределенность алгоритма навигации, прогнозируя размытие картинки (motion blur) на основе скорости затвора камеры, линейной и угловой скоростей дрона. Каждые 100 миллисекунд (на частоте 10 Гц) система генерирует безопасные примитивы движения. В ходе тестов дрон, которому приказали пролететь 30 метров по прямой, самостоятельно отклонялся в сторону контрастных объектов, жертвуя скоростью ради сохранения точной ориентации в пространстве.
🦅 Трансформация в воздухе: биомиметический морфинг без лишних деталей 14:20
Второй подход к навигации в узких пространствах — динамическое изменение формы аппарата. Профессор признался, что вдохновением для этой работы послужили слова биолога о том, что птицы справляются с полетом гораздо лучше современных роботов. Наблюдая за полетом ястреба-тетеревятника в густом лесу, инженеры заметили, как птица прижимает крылья, временно уменьшая свои габариты.
Разработанная в лаборатории конструкция квадрокоптера способна изменять форму (shapeshifting) без использования дополнительных тяжелых актуаторов. Дрон задействует исключительно свои четыре основных мотора.
Особенности конструкции:
- Каждый из четырех лучей снабжен шарниром, позволяющим складываться на 90 градусов вверх или вниз.
- На краях ходов установлены механические ограничители.
- Пропеллеры являются двунаправленными (bidirectional).
Когда пропеллеры создают обратную тягу, лучи автоматически складываются вниз, уменьшая габариты дрона в два раза, что позволяет ему успешно преодолевать узкие туннели. По мнению докладчика, эта конфигурация крайне неэффективна с энергетической точки зрения из-за двукратного уменьшения площади воздушного диска, высокого требуемого крутящего момента и плохой аэродинамики винтов в режиме реверса. Тем не менее, такой механизм дает аппарату уникальные возможности: от захвата легких пустых коробок до посадки на провода. При приземлении на провод лучи опускаются, смещая центр масс ниже точки контакта, что обеспечивает стабильное удержание без затрат энергии.
🪵 Стратегия «эффективного жульничества»: тенсегрити и контролируемые аварии 17:42
Третий и самый радикальный метод выживания в сложных средах — полный отказ от попыток избежать столкновений. В рамках проекта для конкурса DARPA Subterranean Challenge команда создала дрон, заключенный в сферическую защитную оболочку на основе принципов тенсегрити. Конструкция состоит из жестких стержней, подвешенных в системе натянутых тросов. При ударе внешняя нагрузка мгновенно распределяется по всей структуре в виде растяжения нитей или сжатия балок, полностью исключая опасные изгибающие моменты, ломающие лучи обычных квадрокоптеров.
Профессор продемонстрировал испытания робота на территории кампуса в Беркли. Из-за строгих ограничений юристов дрон не летал в полную силу, а совершал прыжки. Аппарат не имеет внешних сенсоров и ориентируется исключительно по внутреннему инерциальному измерительному блоку (IMU). Столкнувшись с препятствием, робот падает, автоматически восстанавливает вертикальную ориентацию за счет тяги моторов и продолжает движение вперед. Робот выдерживает многократные удары о бетонную стену на скорости до 7 метров в секунду, а при скорости 10 метров в секунду ломается лишь после нескольких столкновений.
Для навигации в условиях слепоты инженеры применили метод счисления пути (dead reckoning) на базе акселерометра и гироскопа. Ключевым решением стало использование моментов фиксации робота на земле для коррекции ошибок:
- При падении или ударе алгоритм распознает стационарное состояние робота.
- В этот момент выполняется фильтрация Калмана с допущением о нулевой скорости (zero velocity update).
- Это позволяет уменьшить ошибку счисления пути с катастрофической экспоненциальной зависимости $t^5$ до линейного порядка $t$.
⚡ Энергоэффективность и концепция бесконечного полета 21:07
Второй глобальный вызов для воздушной робототехники — ограниченный запас энергии аккумуляторов. Эффективность винтомоторной группы зависит от множества факторов: скорости вращения, набегающего потока воздуха, аэродинамического сопротивления корпуса и веса полезной нагрузки. Попытки построить точную математическую модель не увенчались успехом, поэтому команда перешла на чисто эмпирический подход.
Для оптимизации расхода энергии в реальном времени ученые применили метод поиска экстремума (extremum seeking control) — технологию, известную еще с 1930-х годов. В процессе полета по кругу алгоритм накладывает искусственную синусоидальную волну на скорость движения и угол скольжения (sideslip angle) аппарата относительно ветра. Анализируя изменения в потреблении тока, система вычисляет градиент и автоматически сдвигает рабочую точку к минимуму затрат джоулей на метр. Этот метод позволяет эффективно летать без предварительных данных о массе или форме нового груза.
Другим решением стал бистабильный пружинный механизм наклона пропеллеров. При движении на высокой скорости обычный дрон сильно наклоняется вперед, подставляя потоку большую площадь корпуса, что создает огромное сопротивление и парадоксальную отрицательную подъемную силу. Пружинный механизм позволяет наклонять моторы вперед без дополнительных приводов, просто при превышении определенного порога тяги. Модификация позволила увеличить максимальную скорость полета на 12% и снизить энергопотребление на 10–15% при сохранении прежней скорости.
Однако у классических батарей есть предел: добавление веса аккумулятора в какой-то момент начинает сокращать время полета, так как батареи не становятся легче по мере разряда. Чтобы обойти это фундаментальное ограничение, ученые создали систему «летающих батарей». Основной дрон имеет минимальный вес и несет заряд лишь для взлета и посадки. В процессе работы к нему подлетают маленькие дроны-заправщики с тяжелыми аккумуляторами, стыкуются и отдают энергию через простую диодную схему распределения тока. Эксперимент подтвердил возможность непрерывного полета системы в течение 80 минут с возможностью масштабирования до бесконечности.
🛠️ Автоматизация проектирования: от симуляции до кода из нейросетей 32:52
Чтобы избавить инженеров от необходимости полагаться исключительно на случайные вспышки творческого вдохновения, исследовательская группа разрабатывает инструменты для автоматизации совместного проектирования. Профессор подчеркнул, что они не стремятся к созданию полностью автономного дизайнера, так как пространство проектирования слишком сложно, а функции ценности размыты; цель — предоставить высокоуровневый инструмент генерации жизнеспособных эскизов.
Первым решением стал инструмент для закрытого контура оптимизации размещения актуаторов при транспортировке нестандартных грузов (например, на строительных площадках). Задача — определить точки крепления подъемных дронов на периметре М-образного объекта так, чтобы минимизировать вероятность насыщения моторов при гауссовских ветровых возмущениях. Используя H2-контроль и расстояние Махаланобиса, система за несколько секунд вычисляет оптимальную конфигурацию. Для М-образного тела алгоритм выдал асимметричное, контринтуитивное расположение точек крепления, которое в реальном тесте показало значительно более высокую устойчивость к возмущениям, чем стандартный симметричный вариант.
Второй шаг — создание универсального низкоуровневого контроллера на базе нейросети, способного подстраиваться под любой квадрокоптер без знания его массы, размеров и параметров двигателей. В основе лежит архитектура RMA (Rapid Motor Adaptation), популяризированная группой Джитендры Малика для шагающих роботов.
Фазы обучения универсального контроллера:
- В симуляции нейросеть (экстринсик-энкодер) обучается управлять дронами с доступом к точным физическим параметрам: масса варьируется почти в 10 раз, а моменты инерции — на два порядка.
- Контроллер замораживается, а модуль адаптации учится предсказывать внешние характеристики только по сигналам доступных бортовых датчиков (IMU) и истории команд.
Полученный чип можно буквально прикрепить горячим клеем к произвольной раме. Нейросетевой контроллер продемонстрировал поразительную устойчивость: при ручном добавлении тяжелого груза прямо в полете он мгновенно стабилизировал дрон. Более того, при программной имитации критического отказа (снижение эффективности переднего пропеллера на 20%) стандартный полетный контроллер лаборатории потерпел крушение, тогда как обучаемая модель успешно выполнила взлет и удержала аппарат в режиме ховеринга.
Наконец, наиболее экспериментальным направлением стал синтез читаемых алгоритмов управления с помощью больших языковых моделей (LLM). Нейросеть StarCoder 2 используется для проведения генетического алгоритма непосредственно над текстом программного кода на языке Python. LLM отвечает за этап скрещивания (crossover) двух родительских программ-контроллеров, показавших хорошие результаты в симуляторе. Методика тестировалась на классических задачах перевернутого маятника и удержания шарика в подвижной чаше (bowling cup). На обучение уходят десятки часов работы одной локальной GPU. Сгенерированный код полностью прозрачен для анализа. Когда базовая версия алгоритма удержания шарика показала успешность в 80%, застревая в верхнем углу, профессор вручную добавил две строчки логических условий, что мгновенно подняло эффективность системы до 99%.
