Onderzoekers van de TU Delft hebben samen met biologen van Wageningen University & Research en de Carl von Ossietzky Universität Oldenburg een navigatiestrategie voor drones ontwikkeld die is geïnspireerd op honingbijen. De methode, Bee-Nav, maakt het mogelijk dat zeer kleine robots zelfstandig wegvliegen en weer terugkeren, met een geheugenbelasting van slechts 42 kilobyte. De resultaten zijn gepubliceerd in Nature.
Autonome navigatie is een belangrijk vraagstuk voor drones die moeten werken in omgevingen waar GPS niet beschikbaar of niet betrouwbaar is, zoals kassen, magazijnen, industriële locaties of binnenruimtes. Veel bestaande navigatiesystemen bouwen gedetailleerde kaarten van de omgeving. Dat vraagt om relatief veel rekenkracht, geheugen en energie. Voor kleine drones is dat een beperking, omdat extra hardware het gewicht, de kosten en het energieverbruik verhoogt.
De onderzoekers keken daarom naar honingbijen. Die kunnen met een klein brein relatief grote afstanden afleggen en toch naar hun korf terugkeren. Ze gebruiken daarbij onder meer odometrie: het inschatten van afgelegde afstand en richting op basis van visuele bewegingsinformatie. Dat systeem is echter niet perfect. Naarmate een bij verder vliegt, stapelen kleine meetfouten zich op. Daarom gebruiken insecten ook visueel geheugen, bijvoorbeeld herkenning van de omgeving rond hun nest.
Bee-Nav combineert deze principes in een robotnavigatiestrategie. De drone maakt eerst een korte leerroute in de buurt van het startpunt, vergelijkbaar met de eerste leeruitstapjes van honingbijen rond hun korf. Tijdens die vlucht verzamelt de robot panoramische beelden van de omgeving. Vervolgens leert een klein neuraal netwerk om uit die beelden de richting en afstand naar het startpunt af te leiden.
“We waren gefascineerd door het feit dat honingbijen ver van huis kunnen vliegen langs kronkelende routes, en toch bijna rechtstreeks terugkeren,” zegt Guido de Croon, hoogleraar Bio-inspired AI for drones aan de TU Delft. Volgens hem is bekend dat bijen voor de terugweg gebruikmaken van odometrie en dichter bij huis sterker op visueel geheugen vertrouwen. “Maar wat zij precies leren voor hun visuele geheugen, en hoe dat leerproces werkt, is nog niet volledig begrepen. Dat was de kloof die we moesten overbruggen om een praktische navigatiestrategie voor robots te ontwikkelen.”
Een belangrijk onderdeel van het onderzoek was de vraag of een robot iets bruikbaars kan leren uit odometriegegevens die zelf onnauwkeurig worden naarmate de vlucht langer duurt. Volgens Dequan Ou, promovendus aan de TU Delft en eerste auteur van het artikel, is dat relevant omdat de thuisbasis voor een robot niet altijd direct zichtbaar is. “De thuisbasis kan te klein zijn om te zien, of verscholen liggen achter bomen. Daarom trainden we het neurale netwerk met odometrieschattingen van de richting en afstand naar huis, ook al worden die na verloop van tijd minder nauwkeurig.”
De experimenten laten zien dat deze aanpak werkt. In kleinschalige indoorproeven wist de drone met een neuraal netwerk van slechts 3,4 kilobyte de weg terug te vinden. Het netwerk interpreteerde panoramische beelden en schatte zowel de richting als de resterende afstand tot het startpunt. Daardoor kon de drone sneller bewegen wanneer hij verder weg was en vertragen naarmate hij dichter bij huis kwam.
Daarna testten de onderzoekers de volledige Bee-Nav-strategie in grotere binnen- en buitenomgevingen. Op het Nederlandse dronetestveld Unmanned Valley in Valkenburg vloog de drone meer dan 600 meter en keerde terug naar het startpunt met een neuraal netwerk van 42 kilobyte. In grote binnenruimtes, zoals hangars, slaagde het systeem in alle tests. In winderige buitenomstandigheden daalde het succespercentage naar 70 procent. Een oorzaak was dat wind de drone deed kantelen, waardoor de beelden lastiger bruikbaar waren voor navigatie.
“De experimenten zijn zeer bemoedigend,” zegt Ou. “Maar ze laten ook zien dat ons huidige systeem robuuster moet worden voor omstandigheden in de echte wereld.”
Een mogelijke toepassing ligt in de glastuinbouw. Kleine, lichte drones kunnen daar gewassen inspecteren en vroegtijdig signalen van ziekten of plagen detecteren. Dat kan bijdragen aan hogere opbrengsten en minder verspilling. Voor zulke toepassingen is een navigatiesysteem met weinig geheugen en laag energieverbruik relevant, omdat de drones veilig, licht en goedkoop genoeg moeten zijn om tussen planten en mensen te opereren.
Het onderzoek heeft daarnaast betekenis voor de biologie. Door een werkend robotmodel te bouwen op basis van het gedrag van honingbijen krijgen onderzoekers ook meer inzicht in de vraag hoe insecten visuele informatie gebruiken om hun weg terug te vinden.
Foto: Delft University of Technology, Micro Aerial Vehicles Lab
