Un groupe de 30 drones s'élève simultanément dans l'air, et les parties inférieures du châssis de leur châssis brillent dans 30 teintes différentes - elles ressemblent à des bonbons fluorescents dispersés à travers un ciel gris et nuageux. Puis ils gèlent en suspension dans l'air. Après quelques secondes, ils commencent tous à bouger, comme un seul.
Lorsque le troupeau nouvellement formé se déplace, le ventre lumineux de ses membres change en une couleur - vert. Ils décident de se diriger vers l'est. Les premiers drones approchent de la barrière et leurs bedons deviennent bleu verdâtre lorsqu'ils tournent vers le sud. Bientôt, la couleur des derniers membres du pack change de même.
C'est beau et surprenant à sa manière: ces drones ont organisé indépendamment un troupeau cohérent et volent sans entrer en collision les uns avec les autres et, plus surprenant, sans aucun module de contrôle central.
Cela les distingue fondamentalement des troupeaux de drones que vous pouviez voir quelque part à l'ouverture du Super Bowl ou des Jeux olympiques. Oui, ces flottes de quadrocoptères peuvent compter des milliers d'unités, mais le mouvement et l'emplacement de chacun d'entre eux sont programmés à l'avance. Et chacun de ces 30 drones suit indépendamment son emplacement, sa vitesse et partage en même temps ces informations avec tous les autres membres du troupeau. Ils n'ont pas de chef; ensemble, ils décident où aller - et ils le font, littéralement, à la volée.
En ce sens, ils ressemblent à des oiseaux. Ou des abeilles ou des sauterelles. Ou sur toutes les créatures capables de s'organiser indépendamment, majestueusement et quelque peu mystérieusement en groupes connectés - telle est la
propriété émergente des actions des individus. Il y a plusieurs années, les chercheurs ont pu atteindre cet objectif à partir de 10 drones. Aujourd'hui, ce nombre a triplé.
Mais ce n'était pas seulement trois fois plus difficile. Les drones sont capables de créer une formation grâce au modèle de flocage réaliste décrit dans le dernier numéro de Science Robotics. «Les chiffres ne peuvent à eux seuls exprimer à quel point c'était compliqué», explique
Gabor Vásárhelyi , directeur du laboratoire robotique, Département de physique biologique, Université de Budapest et premier auteur de l'étude. «Les parents de trois enfants réalisent à quel point il est plus difficile de les gérer qu’avec un seul enfant. Et si vous avez 20 à 30 enfants, la complexité augmente par ordre de grandeur. Je sais déjà que j'ai trois fils. »
L’équipe de Vasarely a développé un modèle basé sur des milliers de simulations utilisant des algorithmes évolutifs sur des centaines de générations. «Le fait qu'ils aient réussi à organiser cela de manière décentralisée est vraiment cool», a déclaré Karthik Dantu, spécialiste de la robotique SUNY Buffalo, un expert en coordination multi-robots qui n'est pas impliqué dans cette étude. "Chaque robot fait sa propre chose, et un comportement massif apparaît."
Dans les systèmes coordonnés, une augmentation du nombre de participants entraîne une augmentation du potentiel d'erreurs. Une rafale de vent peut faire tomber un drone, et le reste suivra. Le quadcopter peut déterminer incorrectement son emplacement ou perdre le contact avec ses voisins. Ces erreurs sont répercutées en cascade sur l'ensemble du système; un léger retard peut être exacerbé par la piste de vol - comme un embouteillage, commençant à cause d'une seule voiture freinée. Un petit problème peut rapidement créer le chaos.
Mais l'équipe de Vasarely a créé un modèle de flocage qui pourrait prédire autant de problèmes que possible. Par conséquent, leurs drones peuvent pulluler non seulement dans des simulations, mais aussi dans le monde réel. «C'est assez impressionnant», déclare le spécialiste des robots Tonnes Nigaard, sans rapport avec la recherche. Nigaard est chercheur au projet Engineering Predictability With Embodied Cognition de l'Université d'Oslo et travaille à réduire l'écart entre les simulations de robots marcheurs et les vrais artificiels à quatre pattes. «Les simulations, bien sûr, sont excellentes», dit-il, «car elles facilitent la simplification des conditions de travail de vos robots et vous permettent d'isoler et d'étudier les problèmes.» Mais le problème est que les chercheurs peuvent rapidement glisser vers une simplification excessive, éliminant les caractéristiques du monde réel de leurs simulations, et cela peut dépendre du succès ou non de leur modèle.
Au lieu de supprimer les complexités de leur modèle de flocage, Vasarely et l'équipe les ajoutent. Là où d'autres modèles peuvent imposer deux ou trois restrictions au fonctionnement des drones, ils en imposent 11. Ensemble, ils déterminent, par exemple, la vitesse à laquelle le drone doit s'aligner avec les autres membres de la flotte, la distance qu'il doit garder avec ses voisins et le degré d'activité il devrait essayer de le soutenir.
Pour trouver les meilleures valeurs pour les 11 paramètres, Vasarely et son équipe ont utilisé une stratégie évolutive. Ils ont créé des versions aléatoires du modèle avec 11 paramètres sur le supercalculateur et ont observé comment 100 troupeaux de drones se comporteraient avec chacune des options. Ils ont ensuite sélectionné les modèles des troupeaux les plus performants, ajusté les paramètres et recommencé les simulations.
Parfois, un ensemble de paramètres prometteur laisse perplexe. Ils ont pris quelques pas en arrière, combinant éventuellement les propriétés de deux ensembles de règles prometteurs différents, et ont de nouveau effectué des simulations. Après plusieurs années de travail, 150 générations et 15 000 simulations, ils sont arrivés à un ensemble de paramètres qui, ils étaient sûrs, devraient fonctionner avec de vrais drones.
Et tandis que ces drones font un excellent travail; les tests de leur modèle dans le monde réel n'ont pas encore conduit à une seule collision. Les vols ont été effectués non seulement avec brio, mais aussi dans différentes couleurs - la couleur du châssis de l’avion indiquait la direction de son mouvement. Initialement, cela a été fait pour les spectacles de lumière impliquant des drones, mais au dernier moment, les chercheurs ont décidé d'ajouter une telle opportunité pour tester les appareils. Vazarely dit que cela a grandement facilité la tâche de visualiser l'état du drone, et qu'il est également devenu plus facile pour eux de remarquer les erreurs et de les corriger dans le système.
Et c'est aussi très beau - visualisation roboluminescente de la coordination de systèmes complexes.