Comience a utilizar las tecnologías Wolfram, o trabaje con nosotros para aplicar conocimientos computacionales a sus proyectos.
¿Tiene preguntas o comentarios? Contáctenos: 1-800-WOLFRAM, o envíenos un correo electrónico
Ahorrando tiempo para salvar vidas: Astronauta crea copiloto virtual mediante Raspberry Pi y redes neuronales de Wolfram
Mike Foale, Director ejecutivo de FOALE AEROSPACE, Inc. y exastronauta de la NASA
"Hay magia blanca en ese algoritmo de redes neuronales..."
Fotografía de la NASA
La ventaja Wolfram
- Programación nativa de Wolfram Language en Raspberry Pi para un módulo portátil e independiente
- Aprendizaje automático altamente automatizado para una implementación rápida, sencilla y resultados precisos
- Compatibilidad incorporada con sensores de bajo nivel y dispositivos de comunicación
A pesar de los avances en la tecnología aeronáutica, los pilotos a menudo luchan por anticipar entradas en pérdida, barrenas y otras situaciones peligrosas a tiempo para evitar accidentes fatales. Pero con la ayuda de Wolfram Language, una computadora de mano, un módulo de sensores y unos cuantos vuelos arriesgados, Mike Foale y su hija Jenna crearon Solar Pilot Guard (SPG): una sonda integrada que actúa como copiloto virtual, proporcionando advertencias tempranas para ayudar a salvar vidas.
Foale sabe algo sobre usar Wolfram Language para resolver problemas complejos de vuelo. Como astrofísico y astronauta de la NASA que ha pasado más de un año en el espacio, Foale estuvo en la estación espacial Mir durante una colisión con un transbordador de carga no tripulado. Usó Mathematica para resolver el problema de la pérdida de control de actitud de la estación, ganándose la distinción de ser la única persona (hasta ahora) en llamar al soporte técnico de Wolfram desde el espacio.
Así que cuando la Experimental Aircraft Association (EAA) anunció una competencia para descubrir soluciones al problema de la pérdida inminente de control de una aeronave, Foale pensó inmediatamente en Wolfram Language.
Un enfoque más humano
La idea de Foale fue usar el concepto de comportamiento "dentro de familia" (un término de ingeniería para algo esperado o normal) y comportamiento "fuera de familia" (algo inesperado o preocupante) para determinar cuándo una aeronave se acerca a una situación de pérdida de control en función de su exhibición de un comportamiento fuera de familia. Sin embargo, lo que cuenta como fuera de familia depende de una larga lista de contingencias, y predecir un comportamiento de vuelo peligrosamente anormal requiere un enfoque analítico complicado.
Según teorizaron los Foale, el aprendizaje automático podría ofrecer un enfoque más humano. Podrían entrenar una red neuronal para identificar esas situaciones peligrosas de la misma forma en que lo haría un piloto de acrobacias, solo que mucho más rápido, y emitir un comando de voz para indicar al piloto qué acción correctiva tomar. Esos pocos segundos adicionales podrían darle al piloto el tiempo suficiente para prevenir un accidente.
De la idea al prototipo en menos de un mes
Al colocar una Raspberry Pi con un módulo de sensores en el ala del avión de Foale, registraron datos de una serie de vuelos, con Foale intentando recrear una variedad de situaciones comunes. "Midamos y registremos cuáles son los parámetros mientras volamos en condiciones normales, dentro de familia. Luego hagamos una entrada en pérdida, y a medida que nos acercamos a la pérdida, veamos qué les ocurre a todos los parámetros que estamos midiendo. A medida que pasamos por la pérdida, marcaremos ese momento como fuera de familia".
Basándose en esos datos de vuelo, crearon una "superlista" de miles de reglas que indican qué acciones debería tomar un piloto en cualquier situación fuera de familia. Luego alimentaron esa lista en la función Classify de Wolfram Language. "En cuestión de segundos, Classify anunció que había aprendido todas las reglas. El aprendizaje automático no necesita conocer la ingeniería involucrada, solo que hay un cambio en la regla".
Como Classify utiliza métodos de entrenamiento integrados, todo lo que un usuario debe proporcionar son los parámetros y los datos. Gracias a esta velocidad, el equipo pudo generar un prototipo de su predictor de pérdida de control en menos de un mes.
"Hay magia blanca en ese algoritmo de redes neuronales..."
Ganando el bronce y más allá
El SPG ganó la medalla de bronce en la competencia EAA Founder's Innovation Prize de 2017. Desde entonces, el equipo ha trabajado para mejorar el sistema automatizando la creación de los datos de entrenamiento.
El nuevo proceso del equipo comienza usando FindClusters para identificar y eliminar grandes cantidades de datos de vuelo dentro de familia. Al ejecutar nuevamente este conjunto de datos reducido mediante FindClusters, el equipo identifica grupos distintos de comportamientos fuera de familia. Ahora el equipo puede asignar las acciones de piloto apropiadas a cada grupo de datos en lugar de revisar miles de puntos individuales.
Además de reducir el tiempo de entrenamiento de días a horas, este proceso mejorado permite que el sistema defina con mayor precisión la línea entre el vuelo normal y la pérdida de control, mejorando enormemente la velocidad y precisión de las predicciones, y reduciendo el número de falsos positivos del SPG.
Como siguiente paso, el equipo está considerando usar datos de entrenamiento indexados por tiempo para detectar mejor las señales de advertencia tempranas de un comportamiento fuera de familia.
Foale atribuye a la robusta funcionalidad de aprendizaje automático de Wolfram Language el haber podido desarrollar el SPG de manera tan rápida y eficaz. Desde la idea hasta el prototipo y el despliegue final, el software ha sido la parte más sencilla del proceso.