Navegación autónoma de globos estratosféricos mediante el aprendizaje por refuerzo

Área de la Ciencia:

• Inteligencia artificial
• Ingeniería Aeroespacial
• Sistemas autónomos

Sus antecedentes:

• La navegación en globo estratosférico enfrenta desafíos como la variabilidad del viento, los errores de pronóstico y los datos escasos.
• Los métodos de control convencionales son insuficientes para la toma de decisiones en tiempo real en entornos estratosféricos dinámicos.

Objetivo del estudio:

• Desarrollar un controlador de vuelo de alto rendimiento para globos de superpresión utilizando el aprendizaje por refuerzo.
• Abordar el desafío del aprendizaje por refuerzo con datos imperfectos en sistemas físicos.

Principales métodos:

• Utilizó el aprendizaje por refuerzo (RL) con aumento de datos y un diseño de autocorrección.
• Implementado el controlador RL en globos de sobrepresión Loon a nivel mundial.
• Realizó un experimento controlado de 39 días sobre el Océano Pacífico.

Principales resultados:

• El controlador RL demostró un rendimiento superior en comparación con el algoritmo anterior de Loon.
• El controlador demostró ser robusto contra diversas condiciones de viento estratosférico.
• Superó con éxito el obstáculo de aplicar RL a datos imperfectos del mundo real.

Conclusiones:

• El aprendizaje por refuerzo ofrece una solución efectiva para el control autónomo en escenarios complejos del mundo real.
• Este enfoque es adecuado para sistemas que requieren una interacción continua con entornos dinámicos.
• Abre el camino para los agentes avanzados de IA en navegación y control autónomos.