Um grupo de 30 drones sobe simultaneamente no ar, e as partes inferiores do chassi brilham em 30 tons diferentes - elas parecem doces fluorescentes espalhados por um céu nublado e cinzento. Então eles congelam suspensos no ar. Depois de alguns segundos, todos começam a se mover, como um.
Quando o rebanho recém-formado se move, as barrigas luminosas de seus membros mudam para uma cor - verde. Eles decidem ir para o leste. Os primeiros drones estão se aproximando da barreira e seus barrigas ficam azul-esverdeados ao virar para o sul. Logo, a cor dos últimos membros do pacote muda para a mesma.
Isso é bonito e, à sua maneira, surpreendente: esses drones organizaram independentemente um rebanho coeso e voam sem colidir um com o outro e - mais surpreendentemente - sem nenhum módulo de controle central.
Isso os diferencia fundamentalmente dos bandos de drones que você pode ver em algum lugar na abertura do Super Bowl ou das Olimpíadas. Sim, essas frotas de quadrocopters podem numerar milhares de unidades, mas o movimento e a localização de cada uma delas são programados com antecedência. E cada um desses 30 drones rastreia independentemente sua localização, velocidade e, ao mesmo tempo, compartilha essas informações com todos os outros membros do rebanho. Eles não têm líder; juntos, eles decidem para onde ir - e fazem isso, literalmente, em tempo real.
Nesse sentido, eles se parecem com pássaros. Ou abelhas, ou gafanhotos. Ou em qualquer criatura capaz de se organizar de forma independente, majestosa e misteriosa em grupos conectados - essa é a
propriedade emergente das ações de indivíduos individuais. Vários anos atrás, os pesquisadores conseguiram isso com 10 drones. Hoje esse número triplicou.
Mas fazer isso não foi apenas três vezes mais difícil. Os drones são capazes de criar uma formação graças ao modelo realista de flocagem descrito na última edição da Science Robotics. "Os números por si só não podem expressar o quão complicado foi", diz
Gabor Vásárhelyi , diretor do Laboratório de Robótica, Departamento de Física Biológica da Universidade de Budapeste e o primeiro autor do estudo. “Pais com três filhos percebem o quanto é mais difícil gerenciá-los do que com um filho. E se você tem 20 a 30 filhos, a complexidade aumenta em ordens de magnitude. Eu já sei que tenho três filhos.
A equipe de Vasarely desenvolveu um modelo baseado em milhares de simulações que usavam algoritmos evolutivos com centenas de gerações. "O fato de eles terem conseguido organizar isso de uma maneira descentralizada é muito legal", disse Karthik Dantu, especialista em robótica da SUNY Buffalo, especialista em coordenação de vários robôs que não está envolvido neste estudo. "Cada robô faz suas próprias coisas e um comportamento maciço aparece."
Em sistemas coordenados, um aumento no número de participantes leva a um aumento no potencial de erros. Uma rajada de vento pode derrubar um drone, e o resto se seguirá. O quadcopter pode determinar incorretamente sua localização ou perder contato com seus vizinhos. Esses erros estão em cascata em todo o sistema; um pequeno atraso pode ser exacerbado pela pista voadora - como um engarrafamento, começando por causa de um único carro com freios. Uma pequena falha pode criar rapidamente o caos.
Mas a equipe de Vasarely criou um modelo de agrupamento que poderia prever o maior número possível de falhas. Portanto, seus drones podem enxamear não apenas em simulações, mas também no mundo real. "Isso é impressionante", diz o especialista em robôs Tonnes Nigaard, não relacionado à pesquisa. Nigaard é um pesquisador do projeto Engineering Predictability With Embodied Cognition da Universidade de Oslo e está trabalhando para diminuir a distância entre simulações de robôs ambulantes e reais de quatro patas artificiais. “As simulações, é claro, são ótimas”, diz ele, “porque facilitam a simplificação das condições de trabalho de seus robôs e você pode isolar e investigar problemas.” Mas o problema é que os pesquisadores podem deslizar rapidamente para a simplificação excessiva, eliminando os recursos do mundo real de suas simulações, e isso pode depender se o modelo é bem-sucedido ou não.
Em vez de remover as complexidades de seu modelo de agrupamento, Vasarely e a equipe as adicionam. Onde outros modelos podem impor duas ou três restrições à operação de drones, eles impõem 11. Juntos, eles determinam, por exemplo, a rapidez com que o drone deve alinhar-se com outros membros da frota, até onde deve manter seus vizinhos e com que intensidade ele deveria tentar apoiá-lo.
Para encontrar os melhores valores para todos os 11 parâmetros, Vasarely e sua equipe usaram uma estratégia evolutiva. Eles criaram versões aleatórias do modelo com 11 parâmetros no supercomputador e observaram como 100 bandos de drones se comportariam com cada uma das opções. Depois, selecionaram os modelos dos bandos de maior sucesso, ajustaram os parâmetros e iniciaram as simulações novamente.
Às vezes, um conjunto promissor de parâmetros era desconcertante. Eles deram alguns passos para trás, possivelmente combinando as propriedades de dois diferentes conjuntos de regras promissores, e novamente realizaram simulações. Após vários anos de trabalho, 150 gerações e 15.000 simulações, eles chegaram a um conjunto de parâmetros que, com certeza, deveriam funcionar com drones reais.
E enquanto esses drones fazem um excelente trabalho; testes de seu modelo no mundo real ainda não levaram a uma única colisão. Os voos foram realizados não apenas de maneira brilhante, mas também em cores diferentes - a cor do chassi da aeronave indicava a direção de seu movimento. Inicialmente, isso foi feito para shows de luzes envolvendo drones, mas, no último momento, os pesquisadores decidiram adicionar essa oportunidade para testar dispositivos. Vazarely diz que isso facilitou muito a tarefa de visualizar o estado do drone, e também ficou mais fácil para eles perceberem erros e corrigi-los no sistema.
E também é muito bonito - visualização roboluminescente de coordenação de sistemas complexos.