Commencez par utiliser les technologies Wolfram ou travaillez avec nous pour appliquer l'expertise computationnelle à vos projets.
Vous avez des questions ou des commentaires ? Contactez-nous au 1-800-WOLFRAM, ou envoyez-nous un e-mail
Gagner du temps pour sauver des vies : un astronaute crée un copilote virtuel avec un Raspberry Pi et des réseaux neuronaux de Wolfram
Mike Foale, PDG de FOALE AEROSPACE Inc. et ancien astronaute de la NASA
« Il y a de la bonne magie dans cet algorithme de réseaux neuronaux... »
Photographie de la NASA
L'avantage Wolfram
- Codage natif de Wolfram Language sur Raspberry Pi pour un module portable et autonome.
- Apprentissage automatique hautement automatisé pour une mise en œuvre rapide et facile et des résultats précis.
- Compatibilité intégrée avec les capteurs de bas niveau et les dispositifs de communication.
Malgré les progrès de la technologie aéronautique, les pilotes ont souvent du mal à anticiper à temps les décrochages, les vrilles et autres situations dangereuses pour éviter les accidents mortels. Mais avec l'aide de Wolfram Language, d'un ordinateur de poche et d'un module de capteurs, et après quelques vols audacieux, Mike Foale et sa fille Jenna ont créé Solar Pilot Guard (SPG) : une sonde intégrée qui agit comme un copilote virtuel, donnant des alertes précoces pour aider à sauver des vies.
Foale en connaît un rayon sur l'utilisation de Wolfram Language pour résoudre des problèmes de vol complexes. Astrophysicien et astronaute de la NASA ayant passé plus d'un an dans l'espace, Foale se trouvait à bord de la station spatiale Mir lors d'une collision avec une navette de ravitaillement non habitée. Il a utilisé Mathematica pour résoudre le problème de la perte de contrôle de l'attitude de la station, ce qui lui a valu d'être la seule personne (à ce jour) à avoir fait appel à l'assistance technique de Wolfram depuis l'espace.
Aussi, lorsque l'Experimental Aircraft Association (EAA) a annoncé un concours visant à trouver des solutions au problème de la perte de contrôle imminente d'un avion, Foale a immédiatement pensé à Wolfram Language.
Une approche plus humaine
L'idée de Foale était d'utiliser le concept de comportement « en famille » (un terme technique pour désigner quelque chose d'attendu ou de normal) et de comportement « hors famille » (quelque chose d'inattendu ou d'inquiétant) pour déterminer si un aéronef s'approche d'une situation de perte de contrôle en fonction de son comportement hors famille. Cependant, ce qui est considéré comme hors famille dépend d'une longue liste de contingences, et la prévision d'un comportement de vol dangereusement anormal nécessite une approche analytique compliquée.
Selon la théorie des Foale, l'apprentissage automatique pourrait offrir une approche plus humaine. Ils pourraient entraîner un réseau neuronal à identifier ces situations dangereuses comme le ferait un pilote de voltige aérienne, mais beaucoup plus rapidement, et émettre une commande vocale pour indiquer au pilote les mesures correctives à prendre. Ces quelques secondes supplémentaires pourraient donner au pilote juste assez de temps pour éviter un accident.
De l'idée au prototype en moins d'un mois
En fixant un Raspberry Pi équipé d'un capteur sur l'aile de l'avion de Foale, ils ont enregistré les données d'une série de vols, Foale essayait de recréer une variété de situations courantes. « Mesurons et enregistrons les paramètres pendant que nous volons dans des conditions normales, en famille. Ensuite, nous ferons un décrochage et, à mesure que nous nous approchons du décrochage, nous verrons ce qu'il advient de tous les paramètres que nous mesurons. Lorsque nous passerons en décrochage, nous signalerons ce moment comme étant hors famille. »
Sur la base de ces données de vol, ils ont créé une « super liste » de milliers de règles indiquant les mesures à prendre par un pilote dans une situation extra-familiale donnée. Ils ont ensuite introduit cette liste dans la fonction Classify de Wolfram Language. « En quelques secondes, Classify a annoncé qu'il avait appris toutes les règles. L'apprentissage automatique n'a pas besoin de connaître l'ingénierie impliquée, il suffit de savoir qu'il y a un changement dans la règle. »
Comme Classify utilise des méthodes de formation intégrées, l'utilisateur n'a qu'à fournir les paramètres et les données. Grâce à cette rapidité, l'équipe a pu créer un prototype de son prédicteur de perte de contrôle en moins d'un mois.
« Il y a de la bonne magie dans cet algorithme de réseaux neuronaux... »
Après avoir remporté la médaille de bronze
Le SPG a remporté la médaille de bronze lors du concours du prix de l'innovation du fondateur de l'EAA en 2017. Depuis, l'équipe a travaillé à l'amélioration du système en automatisant la création de données d'entraînement.
Le nouveau processus de l'équipe commence par l'utilisation de FindClusters pour identifier et supprimer de grandes quantités de données de vols en famille. En repassant cet ensemble de données réduit par FindClusters, l'équipe identifie des groupes distincts de comportements extra-familiaux. L'équipe peut alors assigner les actions de pilotage appropriées à chaque groupe de données plutôt que de trier des milliers de points de données individuels.
En plus de réduire le temps d'entraînement de quelques jours à quelques heures, ce processus amélioré permet au système de définir plus précisément la limite entre un vol normal et une perte de contrôle, améliorant considérablement la vitesse et la précision des prédictions, et réduisant le nombre de faux positifs du SPG.
Dans une prochaine étape, l'équipe envisage d'utiliser des données d'entraînement indexées dans le temps pour mieux détecter les signes précurseurs d'un comportement extra-familial.
Foale attribue à la robuste fonctionnalité d'apprentissage automatique de Wolfram Language le mérite d'avoir pu développer le SPG aussi rapidement et efficacement. De l'idée au prototype et au déploiement final, le logiciel a été la partie la plus facile du processus.