Autonomía en la Aviación: Diseño de Sistemas más Seguros con IA/ML y Simulación

Junto con la electrificación, la autonomía es una tendencia importante en diversas industrias, desde la fabricación y los equipos industriales hasta la automoción y la aviación. De hecho, el mercado mundial de aviones autónomos se estimó en 4.560 millones de dólares en 2019 y se prevé que supere los 16.000 millones de dólares en 2027 . En consecuencia, las empresas de movilidad aérea avanzada (AAM) están desarrollando diseños de aviones autónomos para transportar personas y carga entre lugares de forma más eficaz. Aunque los términos se utilizan a menudo indistintamente, la movilidad aérea urbana (UAM) y la movilidad aérea regional (RAM) son subconjuntos de AAM, que se centran en el transporte aéreo a altitudes más bajas en áreas urbanas y suburbanas, respectivamente.

Como era de esperar, la construcción de sistemas AAM autónomos y seguros requiere capacitación, ingeniería, desarrollo y diseño complejos. La inteligencia artificial/aprendizaje automático (AI/ML) brinda una ayuda significativa a estas áreas al ayudar a los ingenieros y diseñadores a desarrollar funciones críticas de percepción y toma de decisiones, que son fundamentales para la autonomía. Sin embargo, surgen desafíos (y preocupaciones) en torno a la incapacidad de AI/ML para proporcionar situaciones representativas realistas en la capacitación y validación de estas funciones autónomas.

La simulación ofrece un valor increíble para ayudar a generar confianza en los sistemas AAM autónomos, garantizar su confiabilidad y validar su seguridad. En las primeras etapas, la simulación proporciona información crítica, precisión predictiva y análisis exhaustivos para informar la capacitación y el desarrollo. En etapas posteriores, la simulación proporciona entornos y escenarios realistas para validar y probar estas funciones. Al integrar las soluciones de Ansys, las empresas de AAM pueden adoptar un flujo de trabajo fluido de extremo a extremo para optimizar la capacitación y la validación utilizando herramientas de simulación e ingeniería de misión digital para análisis de seguridad, software integrado, pruebas de sensores y más. 

Existen aplicaciones tanto nuevas como clásicas de la autonomía en la aviación. Las nuevas aplicaciones se centran en el transporte AAM de próxima generación, que consiste en vehículos que suelen ser pequeños, altamente automatizados y transportan pasajeros o carga a altitudes más bajas. Generalmente, estos sistemas, particularmente los sistemas UAM, se basan en tecnologías como helicópteros o tecnologías emergentes como el despegue y aterrizaje vertical eléctrico (eVTOL).

Por el contrario, las aplicaciones clásicas se implementan en los sistemas existentes. Por ejemplo, los fabricantes de aviones comerciales podrían incorporar autonomía para aumentar el conocimiento de la situación de los pilotos, aliviar las responsabilidades y la carga de trabajo de los pilotos u optimizar la eficiencia de varias fases de vuelo. De manera similar, los proveedores de aeronaves militares pueden considerar la autonomía para ayudar a los pilotos a manejar cambios inesperados durante una misión, como nuevos objetivos o condiciones degradadas.

Normalmente, una aplicación de autonomía debe comprender tres capacidades principales, que se influyen entre sí de la siguiente manera:

• Percepción: observar el entorno, incluidos los obstáculos que se aproximan (por ejemplo, otras aeronaves, desafíos relacionados con el clima u otros obstáculos en la trayectoria de vuelo). Esto se logra más comúnmente mediante sensores colocados en cámaras, lidares o radares.
• Toma de decisiones: determinar las mejores y más seguras maniobras de vuelo en función de la percepción y detección de dichos obstáculos.
• Actuación: para realizar las maniobras de vuelo deseadas establecidas anteriormente.

De hecho, un sistema autónomo necesita establecer capacidades confiables de percepción y toma de decisiones antes de poder ejecutar con éxito la actuación. La simulación aporta un valor significativo a ambas áreas. Para el entrenamiento de la percepción, la simulación basada en la física proporciona datos de sensores sin procesar e información real sobre el terreno, lo que elimina la necesidad de un procesamiento complejo de imágenes, reduce el tiempo de entrenamiento y aumenta la precisión. Para el entrenamiento en la toma de decisiones, la simulación ofrece análisis de sensibilidad, robustez y confiabilidad, que ayudan a fortalecer el desempeño del vuelo, la seguridad de las maniobras de vuelo y la prevención de colisiones.

La simulación también mejora el aprendizaje por refuerzo (RL), que es una técnica de entrenamiento de IA/ML que permite que un modelo aprenda por sí solo mediante prueba y error. En otras palabras, a diferencia del aprendizaje supervisado o no supervisado, RL permite que el agente de IA/ML aprenda de forma interactiva a través de la retroalimentación de su entorno, incluidas sus propias acciones y experiencias dentro de ese entorno. Por esta razón, la simulación respalda en gran medida la capacitación en RL al brindar la oportunidad de crear diversos y casi innumerables entornos simulados, lo que a su vez mejora la calidad de la percepción y la capacitación en la toma de decisiones.

Ansys proporciona un flujo de trabajo completo de ingeniería de sistemas basado en modelos (MBSE) para ayudar en la capacitación y validación de funciones autónomas, incluida la simulación, la arquitectura del sistema, las pruebas de sensores, la evaluación de la seguridad y el dominio de diseño operativo (ODD), así como la creación de escenarios. variación y análisis de resultados.

Primero, conozcamos las herramientas clave utilizadas en este flujo de trabajo:

• Ansys medini analyse: una herramienta integrada basada en modelos que respalda el análisis de seguridad para sistemas eléctricos, electrónicos y controlados por software. Permite la aplicación consistente y eficiente de pautas industriales diseñadas específicamente para estándares industriales como ISO 26262, IEC 61508, ARP 4761, ISO 21448 y MIL-STD-882E.
• Ansys optiSLang: una herramienta de optimización de diseño e integración de procesos que resuelve los desafíos planteados por la optimización de diseño robusto (RDO) basada en ingeniería asistida por computadora (CAE).
• Ansys Systems Tool Kit (STK): un simulador de sistema de sistemas que le permite modelar sistemas complejos dentro de una simulación 3D realista y dinámica en el tiempo, que incluye terreno de alta resolución, imágenes, entornos de radiofrecuencia (RF) y más.
• Sensores Ansys AVxcelerate: prueba y validación de sensores que le permite utilizar escenarios realistas para investigar la percepción de sensores de radar, lidar y cámara en un modelo en el bucle (MIL), software en el bucle (SIL) o contexto humano en el circuito (HIL).
• Ansys SCADE Suite: un entorno de desarrollo basado en modelos para software integrado confiable, que proporciona vínculos con requisitos, administración, diseño basado en modelos, verificación, capacidades de generación de código certificado y más.

Ahora, exploremos una implementación de muestra de este flujo de trabajo en seis pasos:

1.  En Medini Analyse, defina la arquitectura del sistema, el entorno, el ODD (las condiciones en las que operará la función, incluidos los fenómenos relacionados con el clima) y un conjunto de escenarios funcionales para atravesar el ODD.
2. Utilizando optiSLang, defina escenarios funcionales en escenarios lógicos (parametrizados).
3. Altere escenarios lógicos en escenarios concretos utilizando un diseño de experimentos (DOE), en el que los valores de los parámetros siguen una distribución de probabilidad correspondiente a la realidad.
4. Utilice escenarios concretos para entrenar la función de autonomía basándose en una combinación de simulaciones ejecutadas en STK, modelando todo el sistema de sistemas en acción; Sensores AVxcelerate para probar y validar sensores; SCADE para software integrado crítico; y/o una herramienta de capacitación externa de AI/ML como YOLO u OpenAI.
5. Volviendo a optiSLang, evalúe la red neuronal resultante mediante análisis de sensibilidad y robustez.
6. Por último, integre la función de autonomía total (percepción, toma de decisiones y actuación) y evalúe los resultados de la simulación utilizando optiSLang para un análisis de confiabilidad basado en muestreo adaptativo para explorar eficientemente el espacio de diseño.

Al integrar algunas (o todas) partes del flujo de trabajo de muestra de Ansys descrito anteriormente, los ingenieros y diseñadores de la industria de la aviación están desarrollando y validando sistemas autónomos más seguros y confiables.

En un caso de estudio, un fabricante de aviones está integrando soluciones Ansys para garantizar la prevención de colisiones de vehículos aéreos no tripulados (UAV). Un eVTOL automatizado debe volar a un punto de referencia evitando colisiones con obstáculos. Este equipo, que ya confía en las capacidades de percepción de la aeronave, está más preocupado por las habilidades de toma de decisiones del eVOTL para determinar su mejor trayectoria de vuelo.

En otro ejemplo, una unidad de aviación está adoptando un flujo de trabajo Ansys similar para realizar vuelos en formación. Una flota de cuatro eVTOL automatizados debe volar en formación siguiendo a un eVTOL pilotado. Este ejemplo se ocupa tanto de la percepción (detectar el eVTOL líder y otros vehículos) como de la toma de decisiones (seguir el eVTOL líder y evitar colisiones).

Las soluciones de simulación de Ansys permiten a los clientes entrenar, probar y validar de forma segura aplicaciones AAM críticas, generando confianza en torno al software asistido por IA/ML y autonomía en los sistemas integrados. Además, al combinar la simulación de alta fidelidad de Ansys y las herramientas de ingeniería de misión digital, los clientes pueden desarrollar y validar estos sistemas dentro de un entorno 3D realista y dinámico en el tiempo.