⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Drone vliegt bijna 25 meter op pure 'verbeelding' — sensoren worden 66% van de tijd genegeerd

Drone vliegt bijna 25 meter op pure 'verbeelding' — sensoren worden 66% van de tijd genegeerd

Een drone die vliegt zonder naar zijn sensoren te kijken. Het klinkt onmogelijk, maar onderzoekers Luca Zanatta, Grzegorz Malczyk en Kostas Alexis hebben het gedemonstreerd. Hun quadrotor navigeert met een 'wereldmodel': een intern simulatiemodel van de omgeving. Het onderzoek is gepubliceerd via arxiv.org.

🧠 Even simpel uitgelegd
Een wereldmodel is als een innerlijke simulator in het hoofd van de drone. De drone leert eerst hoe zijn omgeving werkt: 'als ik vooruit vlieg, dan zie ik dit, en dan komt dáár een obstakel'. Daarmee kan hij in gedachten vooruit spelen: hij simuleert wat er gaat gebeuren en kiest de beste actie — zonder op dat moment nieuwe metingen te doen. Net zoals jij blind door je eigen kamer kunt lopen, omdat je 'weet' waar alles staat.

Vliegen op verbeelding

De krachtigste demonstratie uit het onderzoek: een vlucht van 24,7 meter, aangestuurd door 'imagined state and depth' — voorspelde positie en diepte in plaats van echte metingen. De drone verbleef tijdens die vlucht 66% van de vliegtijd en 76% van de afgelegde afstand in zogenaamde 'sensor-free imagination windows'.

In die intervallen van vijf seconden negeerde de quadrotor zijn actuele sensordata volledig. Hij rolde de latente dynamiek van zijn wereldmodel vooruit en vertrouwde op de voorspellingen die daaruit kwamen.

Er zit wel een grens aan. De kwaliteit van de voorspellingen nam af tijdens elk open-loop interval. Zodra de drone opnieuw werd 'gegrond' met verse sensorinformatie, herstelde de nauwkeurigheid zich. Dat samenspel tussen verbeelding en re-grounding blijkt essentieel voor stabiele vluchten over langere afstand.

De trainingsomgeving maakt het verschil

De onderzoekers testten hoe de trainingsomgeving de prestaties beïnvloedt — het zogenaamde 'environment distribution shift'. Ze bestudeerden vier regimes voor navigatie op basis van dieptegegevens:

  1. Een vaste lay-out.
  2. Een beperkte set van verschillende lay-outs.
  3. Continue obstacle sampling met lage discrepantie.
  4. Uniforme i.i.d. sampling.

De uitkomst is duidelijk: variatie in training bepaalt de robuustheid. Bij de overdracht naar echte hardware (closed-loop hardware transfer) slaagden alle policies in een omgeving die nauw aansloot bij de gesimuleerde geometrie. Maar de policy die alleen op één vaste lay-out was getraind, faalde zodra het type obstakels verschoof of de corridor-topologie veranderde. De andere drie trainingsmethodes hielden stand onder die gewijzigde omstandigheden.

Van simulatie naar echte drone

De validatie verliep in twee stappen. Eerst voerden de auteurs een kruislingse evaluatie uit van de reconstructies, zowel vóór als na het finetunen met Reinforcement Learning. Daarna werden de policies in simulatie getest en overgezet naar een fysieke quadrotor — zonder extra finetuning in de echte wereld.

Dat bewijst dat wereldmodellen een levensvatbaar pad zijn voor visuele navigatie van luchtrobots. Met één belangrijke voorwaarde: de training moet divers genoeg zijn om om te gaan met onvoorziene veranderingen in de omgeving. Precies dat punt — hoe deze modellen zich gedragen buiten hun trainingsdata — is cruciaal voor de betrouwbaarheid van autonome systemen.

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!