Медоносные пчёлы регулярно улетают на расстояние до 3 км от своего улья в поисках пищи, а затем возвращаются домой с поразительной точностью. Если соотнести это с размером их тела, то это сравнимо с тем, как если бы человек пролетел сотни километров и нашёл дорогу обратно без карты, компаса, GPS или смартфона. Несмотря на то, что мозг пчёл меньше кунжутного семечка, они совершают этот подвиг с поразительной эффективностью. Теперь исследователи адаптировали те же биологические принципы для системы навигации дронов, которая может направлять лёгких летающих роботов домой, используя всего 42 КБ памяти.

Разработанная командой под руководством Делфтского технологического университета в Нидерландах система, получившая название Bee-Nav, позволяет дронам автономно ориентироваться и возвращаться к месту старта без использования GPS или вычислительно сложных систем картографирования. Исследователи продемонстрировали эту технологию как в помещении, так и на открытом воздухе, в том числе во время полёта на расстояние более 600 м, при этом используя нейронные сети, которые в тысячи раз меньше тех, что обычно применяются в современных системах искусственного интеллекта.

В работе, опубликованной в журнале Nature, рассматривается одна из самых фундаментальных задач в области робототехники — навигация. Будь то осмотр промышленной инфраструктуры, доставка посылок, мониторинг сельскохозяйственных культур или исследование зон бедствий, автономные роботы должны уметь определять своё местоположение и вычислять маршрут до места назначения.

Современные автономные дроны, как правило, полагаются на GPS и/или подробные карты окружающей среды. Ещё одним распространённым методом является одновременная локализация и картографирование (SLAM), которая непрерывно строит и обновляет трёхмерные модели окружающей среды, одновременно отслеживая положение робота в них. Несмотря на высокую эффективность, эти подходы требуют значительных вычислительных мощностей, памяти и энергии — ресурсов, которые бывает сложно адаптировать для небольших летательных роботов, в которых важен каждый грамм веса и каждый милливатт мощности.

Медоносные пчёлы, похоже, нашли гораздо более эффективное решение. В чём их секрет? В одометрии — процессе, при котором движение оценивается на основе сигналов, собираемых во время полёта. Проще говоря, насекомое отслеживает, какое примерно расстояние оно пролетело и в каком направлении, основываясь на движениях своего тела. Это похоже на то, как человек мысленно считает свои шаги, идя по тёмной комнате. Проблема заключается в том, что со временем в этих оценках накапливаются ошибки, что приводит к навигационному эквиваленту медленно сбивающегося компаса.

Чтобы компенсировать это, пчёлы, по-видимому, также полагаются на визуальные воспоминания об окружающей обстановке. Перед тем как отправляться в более длительные путешествия, они совершают короткие «ознакомительные полёты» вокруг своего улья, внимательно изучая близлежащие ориентиры и ландшафт. Это своего рода поездка «на разведку окрестностей». Позже эти визуальные воспоминания помогают им найти дорогу домой.

Система Bee-Nav пытается воспроизвести эту стратегию. Подобно медоносной пчеле, впервые покидающей улей, дрон начинает с короткого ознакомительного полёта вокруг своего дома. На этом этапе он делает панорамные снимки окружающей среды. Затем эти изображения обрабатываются небольшой нейронной сетью, обученной оценивать как направление, так и расстояние до точки отправления.

Вместо того чтобы полагаться на точные данные о своём положении, система обучается, используя оценки одометрии, которые сами по себе несовершенны и подвержены дрейфу. По словам исследователей, одним из ключевых вопросов было то, помешают ли эти погрешности дрону усвоить полезные визуальные ориентиры. Удивительно, но это ему не помешало.

В ходе одного из экспериментов в помещении команда продемонстрировала успешное возвращение к месту старта с помощью нейронной сети, занимающей всего 3,4 КБ памяти. Дрон анализировал панорамные изображения окружающей обстановки и определял как направление движения, так и расстояние до места старта. Оценка расстояния позволяла дрону корректировать своё поведение: он двигался быстрее, когда находился дальше, и замедлялся по мере приближения к месту назначения.

Затем исследователи расширили масштаб системы, применив её в более крупных помещениях и на открытом воздухе. В ходе испытаний, проведённых в голландском исследовательском центре по дронам Unmanned Valley, дрон преодолел более 600 м, прежде чем успешно вернуться домой, используя нейронную сеть, занимавшую всего 42 КБ памяти — примерно столько же, сколько занимает стикер в WhatsApp. В больших помещениях, таких как авиационные ангары, система успешно прошла все испытания. Работа на открытом воздухе оказалась более сложной, особенно в ветреных условиях, когда показатель успешности снизился до примерно 70 %.

Команда обнаружила, что наклон, вызванный ветром, изменял обзор дрона на окружающую обстановку, затрудняя визуальное распознавание. Повышение устойчивости к этим реальным воздействиям окружающей среды остаётся важным направлением для дальнейших разработок.

Одним из наиболее перспективных направлений применения может стать мониторинг сельскохозяйственных культур. Лёгкие дроны, оснащённые системой Bee-Nav, смогут автономно осматривать посевы в теплицах, выявляя болезни, вредителей или другие проблемы до того, как они распространятся. Поскольку система требует минимальных вычислительных мощностей и объёма памяти, она позволит создавать гораздо более компактные и безопасные дроны, способные работать рядом с людьми без необходимости установки у них на борту тяжёлых компьютеров.

Помимо сельского хозяйства, этот подход может найти применение в складской робототехнике, мониторинге окружающей среды, промышленном контроле и роях дронов. Эта технология может оказаться особенно привлекательной в ситуациях, когда сигналы GPS недоступны или ненадёжны, а вес и энергопотребление являются критическими ограничениями.

Эта работа также может дать новые представления и о насекомых. Хотя учёные изучают навигацию пчёл уже десятилетиями, успешное воссоздание их стратегии возвращения домой в машинах может помочь раскрыть, как существа с мозгом меньше рисового зерна регулярно совершают навигационные подвиги, которые по-прежнему остаются сложной задачей для современных роботов.