Eine Gruppe von 30 Drohnen steigt gleichzeitig in die Luft und die unteren Teile des Chassis leuchten in 30 verschiedenen Farben - sie sehen aus wie fluoreszierende Süßigkeiten, die über einen grauen, bewölkten Himmel verstreut sind. Dann frieren sie in der Luft. Nach ein paar Sekunden beginnen sich alle als eine zu bewegen.
Wenn sich die neu gebildete Herde bewegt, ändern sich die leuchtenden Bäuche ihrer Mitglieder in eine Farbe - grün. Sie beschließen, nach Osten zu fahren. Die ersten Drohnen nähern sich der Barriere und ihre Bauchmuskeln werden grünlich-blau, wenn sie nach Süden abbiegen. Bald ändert sich die Farbe der letzten Mitglieder des Rudels in dieselbe.
Das ist schön und auf seine Weise überraschend: Diese Drohnen organisierten unabhängig voneinander eine zusammenhängende Herde und fliegen, ohne miteinander zu kollidieren, und - am überraschendsten - ohne zentrales Steuermodul.
Dies unterscheidet sie grundlegend von Herden von Drohnen, die man irgendwo bei der Eröffnung des Super Bowl oder der Olympischen Spiele sehen konnte. Ja, diese Flotten von Quadrocoptern können Tausende von Einheiten zählen, aber die Bewegung und Position jeder von ihnen ist im Voraus programmiert. Und jede dieser 30 Drohnen verfolgt unabhängig ihren Standort, ihre Geschwindigkeit und teilt diese Informationen gleichzeitig mit allen anderen Mitgliedern der Herde. Sie haben keinen Anführer; Gemeinsam entscheiden sie, wohin sie gehen sollen - und das buchstäblich im laufenden Betrieb.
In diesem Sinne sehen sie aus wie Vögel. Oder Bienen oder Heuschrecken. Oder auf Kreaturen, die sich unabhängig, majestätisch und auf mysteriöse Weise in verbundenen Gruppen organisieren können - so ist die
emergente Eigenschaft der Handlungen einzelner Individuen. Vor einigen Jahren konnten Forscher dies mit 10 Drohnen erreichen. Heute hat sich diese Zahl verdreifacht.
Dies zu tun war jedoch nicht nur dreimal schwieriger. Drohnen können dank des realistischen Beflockungsmodells, das in der neuesten Ausgabe von Science Robotics beschrieben wird, eine Formation bilden. „Die Zahlen allein können nicht ausdrücken, wie kompliziert es war“, sagt
Gabor Vásárhelyi , Direktor des Roboterlabors, Abteilung für Biologische Physik, Universität Budapest und Erstautor der Studie. „Eltern mit drei Kindern erkennen, wie viel schwieriger es ist, mit ihnen umzugehen, als mit einem Kind. Und wenn Sie 20 bis 30 Kinder haben, steigt die Komplexität um Größenordnungen. Ich weiß bereits, dass ich drei Söhne habe. “
Vasarelys Team entwickelte ein Modell, das auf Tausenden von Simulationen basiert und evolutionäre Algorithmen mit Hunderten von Generationen verwendet. "Die Tatsache, dass sie es geschafft haben, dies dezentral zu organisieren, ist wirklich cool", sagte SUNY Buffalo-Robotikspezialist Karthik Dantu, ein Multi-Roboter-Koordinationsexperte, der nicht an dieser Studie beteiligt ist. "Jeder Roboter macht sein eigenes Ding und es tritt massives Verhalten auf."
In koordinierten Systemen führt eine Erhöhung der Teilnehmerzahl zu einer Erhöhung des Fehlerpotentials. Ein Windstoß kann eine Drohne vom Kurs abbringen, der Rest wird folgen. Der Quadcopter kann seinen Standort falsch bestimmen oder den Kontakt zu seinen Nachbarn verlieren. Solche Fehler werden im gesamten System kaskadiert. Eine leichte Verzögerung kann durch die Flugbahn noch verstärkt werden - wie ein Stau, der durch ein einzelnes gebremstes Auto verursacht wird. Ein kleiner Fehler kann schnell zu Chaos führen.
Aber Vasarelys Team hat ein Beflockungsmodell entwickelt, das so viele Störungen wie möglich vorhersagen kann. Daher können ihre Drohnen nicht nur in Simulationen, sondern auch in der realen Welt schwärmen. "Das ist ziemlich beeindruckend", sagt Robots Specialist Tonnes Nigaard, der nichts mit der Forschung zu tun hat. Nigaard ist Forscher am Projekt Engineering Predictability With Verkörperte Kognition der Universität Oslo und arbeitet daran, die Lücke zwischen Laufrobotersimulationen und echten künstlichen Vierbeinern zu schließen. "Simulationen sind natürlich großartig", sagt er, "weil sie es einfacher machen, die Arbeitsbedingungen Ihrer Roboter zu vereinfachen, und Sie Probleme isolieren und untersuchen können." Das Problem ist jedoch, dass Forscher schnell zu einer übermäßigen Vereinfachung übergehen und die Merkmale der realen Welt aus ihren Simulationen entfernen können. Dies kann davon abhängen, ob ihr Modell erfolgreich ist oder nicht.
Anstatt die Komplexität aus ihrem Beflockungsmodell zu entfernen, fügen Vasarely und das Team sie hinzu. Wenn andere Modelle den Betrieb von Drohnen zwei oder drei Einschränkungen auferlegen können, legen sie 11 fest. Gemeinsam bestimmen sie beispielsweise, wie schnell sich die Drohne mit anderen Mitgliedern der Flotte aufstellen soll, wie weit sie sich an ihre Nachbarn halten soll und wie aktiv er sollte versuchen, ihn zu unterstützen.
Um die besten Werte für alle 11 Parameter zu finden, verwendeten Vasarely und sein Team eine Evolutionsstrategie. Sie erstellten zufällige Versionen des Modells mit 11 Parametern auf dem Supercomputer und beobachteten, wie sich 100 Herden von Drohnen mit jeder der Optionen verhalten würden. Dann wählten sie die Modelle der erfolgreichsten Herden aus, passten die Parameter an und starteten die Simulationen erneut.
Manchmal war ein vielversprechender Parametersatz verwirrend. Sie traten ein paar Schritte zurück, kombinierten möglicherweise die Eigenschaften zweier vielversprechender Regelsätze und führten erneut Simulationen durch. Nach mehrjähriger Arbeit, 150 Generationen und 15.000 Simulationen kamen sie zu einer Reihe von Parametern, die mit echten Drohnen funktionieren sollten.
Und während diese Drohnen hervorragende Arbeit leisten; Tests ihres Modells in der realen Welt haben noch nicht zu einer einzigen Kollision geführt. Die Flüge wurden nicht nur brillant durchgeführt, sondern auch in verschiedenen Farben - die Farbe des Flugzeugchassis gab die Bewegungsrichtung an. Ursprünglich wurde dies für Lichtshows mit Drohnen durchgeführt, doch im letzten Moment beschlossen die Forscher, eine solche Möglichkeit zum Testen von Geräten hinzuzufügen. Laut Vazarely hat dies die Visualisierung des Zustands der Drohne erheblich erleichtert, und es wurde für sie auch einfacher, Fehler zu erkennen und im System zu korrigieren.
Und es ist auch sehr schön - robolumineszierende Visualisierung der komplexen Systemkoordination.