Inteligência Artificial em sistemas aéreos não tripulados

Na atualidade, estamos a viver imersos numa revolução tecnológica na qual a Inteligência Artificial constitui uma das peças chave de como será a tecnologia no futuro. Neste sentido, o cinema já se encarregou de construir uma mitologia em seu redor e criou expetativas que divergem do estado atual dos algoritmos disponíveis. Esta evolução da tecnologia é contínua desde a Segunda Guerra Mundial, quando o matemático britânico Alan Turing estabeleceu as bases da computação moderna. Para além disso, através do artigo Computing Machinery and Intelligence, propôs a chamada Prova Turing, que propõe um método para discernir se uma máquina é ou não inteligente por si mesma. Desde então, os avanços foram-se sucedendo um após outro até à entrada no novo milénio, onde a combinação do cloud computing (computação na nuvem), o big data e os grandes avanços no machine learning (aprendizagem automática - ML) permitiram um incremento exponencial do desenvolvimento e aplicação da tecnologia do nosso futuro.

O que é a Inteligência Artificial? Basicamente, conhecemos como IA as rotinas ou comportamentos das máquinas ou operações informáticas que simulam a inteligência humana. Na GMV estamos a trabalhar para converter este conceito etéreo em projetos e produtos concretos, como por exemplo, o projeto SAFE-Term, financiado pela Agência Europeia de Defesa (EDA) e desenvolvido pela GMV em conjunto com a AERTEC.

SAFE-Term procura a terminação segura do voo para um sistema aéreo não tripulado (Unmanned Aircraft System – UAS), a partir do momento em que o piloto perde o controlo da aeronave e esta sofre uma emergência que impede realizar as contingências com êxito, sendo impossível chegar às Áreas de Terminação do Voo predefinidas (Flight Termination Area - FTA). Neste caso, o UAS deverá decidir autonomamente que área das que se abrem diante de si é a mais propícia para estabelecer uma área de Terminação do Voo Alternativa (Alternative Flight Termination Area - AFTA). Este projeto desenvolve um sistema de classificação de emergência para lidar com esta eventualidade em UAS de tipo MALE (Altitude Média e Grande Autonomia), permitindo incorporar um nível superior de segurança nas suas operações.

Este projeto iniciou-se no final de 2019 e, durante todo este tempo, a equipa trabalhou arduamente para desenvolver um sistema capaz de analisar o contexto mediante visão por computador e através de redes neuronais profundas, discernir as zonas mais seguras para uma operação de aterragem de emergência.

O desenvolvimento divide-se em três fases, a segunda das quais já chegou ao fim, com resultados notáveis. A equipa conseguiu desenhar e testar um sistema a bordo, cujo desenho é marcado pela possibilidade da sua certificação, seguindo os guias que se estão a discutir em vários grupos de trabalho. Pretende-se que SAFE-Term seja não apenas mais um sistema dos UAS do futuro, mas estabelecer as bases para o desenvolvimento e incorporação de sistemas baseados em IA para o campo da aviação.

Entre os resultados mais destacáveis da segunda fase do projeto encontra-se o desenho e implementação de um sistema de aviónica real, implementado num hardware que cumpre todos os requisitos para poder ir a bordo de uma aeronave, que consegue isolar de forma realista os componentes de IA/ML.

Foi também desenhado e implementado um contexto de simulação sintético realista, permitido mediante a aplicação de provas Hardware-In-The –Loop (HITL). Isto permite que SAFE-Term trabalhe como trabalharia se estivesse embarcado numa aeronave. A única diferença relativamente a uma operativa real é que os dados que entram nos sensores Eletro-óticos (EO) e Infra Vermelhos (IR) estão baseados numa base de dados sintética. No entanto, esta base de dados foi construída sobre o Centro de Voos Experimentais ATLAS (Jaén). Desta forma, procura-se o máximo realismo para os resultados obtidos.

Atualmente, o sistema resultado da fase dois dá precisões de 90%, com rácios de menos de 5% de falsos positivos, localizados em zonas não críticas, uma vez que se centram sobretudo nas áreas de caminhos e estradas regionais rodeadas por arvoredos. Este tipo de erros não põem em perigo a operativa da aeronave em situação de emergência, uma vez que contribuem para evitar povoações. Foram propostos, para além disso, meios de pós-processamento para reduzir mais o rácio de falsos positivos, mediante consolidação espacial e temporária dos resultados de classificação do terreno. Estas métricas foram obtidas mediante datasets que foram submetidos a um tratamento de ruído gaussiano e desenfoque, para não apenas simular uma operativa normal, mas também entender como afetam as falhas mais comuns que as câmaras poderiam sofrer. A equipa pode afirmar que os resultados foram satisfatórios e que o sistema é suficientemente robusto no âmbito do contexto de simulação.

Para a fase 3 do projeto, está previsto otimizar o sistema para melhorar tempos e resultados. Da mesma forma, pretende-se treinar e testar o SAFE-Term com dados obtidos de campanhas de voo reais, de forma que se complemente o processo já conseguido mediante o treino com dados sintéticos e os testes no contexto de simulação, com informação real, do mundo real através de sensores reais, com as suas deformações e perda de qualidade.

No final da fase 3, o demonstrador poderá ser utilizado como exemplo viável de sistema a bordo e certificável para a melhora da segurança nas operações autónomas de UAS. Falta muito por fazer, mas na GMV estamos preparados para continuar a avançar e a proporcionar soluções inovadoras.

Autor: Javier Ferrero Micó