TU Delft ontwikkelt ‘s werelds kleinste autonome racedrone

Onderzoekers verbonden aan het Micro Air Vehicle Laboratory (MAVLab) van de TU Delft zijn erin geslaagd om een miniatuur racedrone te ontwikkelen die geheel autonoom kan vliegen. Dat werd gerealiseerd middels een onboard camera waarvan de beelden door extreem efficiënte algoritmen worden verwerkt. De miniracedrone haalt snelheden die vergelijkbaar zijn met die van veel grotere autonome racedrones.

Goedkoop en lichtgewicht als uitdaging

Drone racing is wereldwijd een populaire tak van e-sports geworden. In navolging van handmatig bestuurde drones proberen onderzoekers wereldwijd ook zelfvliegende racedrones te maken, daarbij gebruik makend van ontwikkelingen zoals kunstmatige intelligentie. De snelste autonoom vliegende racedrones van dit moment halen snelheden tot 2 m/s (ca. 7 km/uur). Daarvoor zijn dan wel krachtige processors, meerdere camera’s en soms zelfs laserscanners (lidar) nodig, waardoor dergelijke drones relatief zwaar en duur zijn.

De uitdaging die de onderzoekers van het MAVLab zichzelf gesteld hebben is om een pocketformaat racedrone te ontwikkelen die juist licht van gewicht en goedkoop om te maken is. Het eerste prototype voldoet zeker aan die eisen: de drone heeft een diameter van 10 cm en weegt 72 gram. Het toestel beschikt over één camera en kan dankzij de onboard beeldverwerking autonoom door een parcours vliegen met een snelheid die de snelste, grotere autonome racedrones evenaart.

Efficiënte algoritmen

De belangrijkste innovatie die aan deze prestatie ten grondslag ligt, is het creëren van uiterst efficiënte en toch robuuste algoritmen. “De draadloze beeldverbinding die menselijke droneracers hebben is vaak vol met ruis en valt soms zelfs helemaal weg”, zegt MAVLab-oprichter Christophe De Wagter. “Piloten zijn dus sterk afhankelijk van hun voorspellingen over hoe de drone gaat bewegen op het moment dat ze een stuurcommando geven.”

Hoewel de beelden van een autonome drone niet door de lucht hoeven te worden overgedragen, kan de interpretatie van de beelden soms ook even haperen. Om deze reden staat een voorspellingsmodel centraal in de aanpak. Omdat de drone zeer weinig rekenkracht heeft, houdt het model alleen rekening met essentiële parameters zoals stuwkracht en de luchtweerstand die wordt uitgeoefend op het droneframe.

De ‘Cyberzoo’ van de TU Delft

Raceprestaties

De drone gebruikte de nieuw ontwikkelde algoritmen om te racen op een racecircuit met 4 gates in de Cyberzoo van de TU Delft. Het kan meerdere rondes vliegen met een gemiddelde snelheid van 2 m/s, gelijk aan wat de grotere, geavanceerde autonome racedrones halen. Door de manier waarop gates herkend worden door de algoritmen kan de drone ook het hoofd bieden aan verplaatsingen van de gates.

“We zijn momenteel nog ver verwijderd van de snelheden die worden behaald door ervaren menselijke drone-racers. De volgende stap vereist nog betere voorspellende controlemechanismen, positieschatting en computervisie”, aldus De Wagter. “Efficiënte algoritmen om deze mogelijkheden te bereiken zijn essentieel, omdat ze de drone in staat stellen om snel te kunnen detecteren en reageren. Bovendien kunnen kleine drones hun traject vrijer kiezen, omdat de racepoortjes relatief gezien groter zijn.”

Probleem met verkleinen

De drone zelf is een gemodificeerde versie van de Eachine Trashcan Crazybee, waarvan de camera werd vervangen door een JeVois smart machine vision camera. De autopilot software werd vervangen door de door de open source Paparazzi UAV autopilot.

“Het probleem met het verkleinen van zowel drone als sensoren is dat de data die afkomstig is van camera en versnellingssensoren hopeloos achteruit gaat in kwaliteit. Daarom negeren we deze data en vertrouwt de drone volledig op de binnenkomende camerabeelden voor het corrigeren van de hoogte en positie. Middels een nieuw ontwikkeld state estimation filter combineren we de ruisrijke optische input met de voorspellingen van het model”, aldus promovenda Shiu Li.

Toepassingen

De toepassing van de race-algoritmes strekken zich verder uit dan alleen snelle rondjes maken op een circuit. “Sneller kunnen vliegen betekent voor een gewone drone ook een groter bereik. Snelheid is daarom essentieel voor toepassingen als het bezorgen van pakketjes of search & rescue”, licht Guido de Croon, wetenschappelijk leider van het MAVLab, toe. “Onze focus op lichtgewicht en goedkope oplossingen betekent dat hogere vliegsnelheden voor een groot aantal verschillende drones in het verschiet liggen.”

TU Delft is niet de enige onderzoeksinstelling die experimenteert met autonoom vliegende racedrones. Ook NASA experimenteert volop met zelfsturende racers. Hun drones bereikten tijdens een wedstrijd die eind december 2017 plaatsvond vliegsnelheden van tientallen kilometers per uur. Daar dient bij aangetekend te worden dat die drones een 3D kaart van het parcours in het geheugen hadden en dus vooraf rekening konden houden met het parcours.

(Foto’s: TU Delft, CC BY-SA)

Wiebe de Jager

Wiebe de Jager

Wiebe de Jager (@wdejager) is oprichter van Dronewatch en auteur van de boeken Dronefotografie en Dronevideo's maken. Wiebe is gecertificeerd (RPA-L) dronepiloot en beschikt over het ROC-light. In het najaar van 2018 was Wiebe als coach&jurylid verbonden aan het tv-programma 'Drone Masters'.

3 gedachten over “TU Delft ontwikkelt ‘s werelds kleinste autonome racedrone

  • 28 mei 2019 om 10:14
    Permalink

    De ontwikkeling dat met zeer beperkte visuele middelen zo’n prestatie wordt geleverd is mooi. De behaalde snelheden van autonoom vliegende drones is nu 2 m/s gemiddeld en een topsnelheid van 2,6 m/s. De catch zit in de toevoeging ‘ autonooom’ vliegende drones. De gemiddelde wedstrijd drone bestuurd door de mens haalt 30 m/s met pieken van 70 m/s.

    Beantwoorden
  • 28 mei 2019 om 18:12
    Permalink

    @Meindert, de snelheden die je nu noemt zijn simpelweg onmogelijk op dit parcour. Daar is het simpelweg te klein voor, de gates staan lastiger dan je denkt en ze zijn niet heel groot. Ja, mensen zijn nu nog sneller maar het verschil is echt veel minder groot dan je nu schetst. De snelheid die de autonome racedrone vliegt komt denk aardig overeen met een ervaren menselijke piloot die het parcour aan het leren kennen is.

    Beantwoorden
  • 31 mei 2019 om 15:38
    Permalink

    Misschien een idee om een ervaren race-drone piloot eens een middagje te laten vliegen in ‘t lab? De data die je daarmee binnenkrijgt is bijzonder waardevol omdat je daarop je modellen en algoritmes kan fine-tunen. Ik wil met alle plezier eens een middag komen vliegen als ervaren race-drone piloot en kan als ingenieur in de micro-elektronica met 15 jaar ervaring in drone ontwikkeling ook constructieve feedback geven op de hard- en software challenges. Als er interesse is neem even contact op via ssassen(at)sassiness(punt)nl.

    Beantwoorden

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Meld je nu aan voor onze nieuwsbrief!

Vul hieronder je gegevens in en blijf op de hoogte.