Anticiperen op onzekerheid in de omgeving
Hoe anticipeer je op onzekerheid? In het geval van het bezorgprobleem door de drone, gaan bestaande modellen uit van sterke aannames op de kansverdelingen van externe factoren. ‘Maar in de praktijk zijn deze voorspellingen meestal niet realistisch’, vertelt Radboud onderzoeker Nils Jansen. ‘Denk bijvoorbeeld aan de wind: je zou precies moeten kunnen inschatten met welke kans er op welk moment een windvlaag komt en hoe hard deze is.’
In tegenstelling tot bestaande methoden, gaan de onderzoekers daarom niet uit van een exacte kansverdeling voor deze voorspelling van externe factoren, maar kijken ze naar eerdere metingen of simulaties van deze factoren. Hierdoor kunnen ze garanties geven op de kans dat de drone veilig op de plaats van bestemming aankomt, nog voor deze is begonnen met vliegen. Nils Jansen: ‘Onze aanpak is gebaseerd op historische data van onzekere factoren, zoals de wind. We combineren ideeën uit de meet- en regeltechniek, kunstmatige intelligentie en formele verificatie om de controllers voor autonome systemen te programmeren. Onze methode kan gebruikt worden om steeds weer van de werkelijkheid te leren, zodat de onzekerheid kan worden gereduceerd.’
Vooraf vastgestelde veiligheidsdrempel
In de casus van de drone die veilig een pakketje moet bezorgen, gaan de onderzoekers uit van een vooraf vastgestelde veiligheidsdrempel, bijvoorbeeld: de kans dat de drone veilig zijn bestemming bereikt, moet hoger zijn dan 98%.
De windkracht kan variëren, dus de optimale route van de drone kan ook verschillen. ‘Met onze methode kunnen we hier rekening mee houden. Als er weinig wind is, kan de drone de korte, maar smalle, route nemen. Als de windkracht sterk is, dan is het veiliger om de lange route te nemen die langs minder obstakels gaat’, vertelt Thom Badings. ‘Met onze methode kunnen we controllers programmeren die met al deze zaken rekening houden. Hiermee zijn ze veiliger dan de controllers die met de huidige methodes worden geprogrammeerd.’
