蟲群無人機要如何避免互相撞到呢？

近年來，無人機的應用越來越廣泛，我們可以在影視作品中看到一群無人機一同飛行、執行偵查任務，也可以在燈會看到由上千台無人機組成壯觀的表演；當如此龐大數量的無人機聚集在一起，若路徑規劃稍有不慎，勢必很容易撞到彼此，來自中國的團隊開發出了一種自我學習機制，能讓無人機在快要相撞時，自動調整路徑，避免發生撞機的慘劇。

圖一、每台無人機都會進行偵測，若是有相撞的可能性，便會調整路徑來避免相撞；若前方安全則按原路徑繼續飛行。

研究團隊結合了Spiking neuron network (SNN)以及reward-modulated spike-timing-dependent plasticity (R-STDP)成為RSNN，RSNN會透過飛行經驗來訓練自己何時做出不同的判斷。每台無人機都有一個獨立的決策中心，會偵測與其他無人機的距離以及方位，經過裡面RSNN的計算來做出是否要改變路徑的判斷。在圖二A可以看到，隨著固定活動範圍中的無人機數量增多，碰撞的機率也越高，而在圖二B可以看到RSNN可以快速學會何時該做出改變路徑的決定，並大幅減少碰撞的次數。

圖二、在虛擬模擬環境中的測試結果

接著，研究團隊把測試搬到現實環境中，分別使用了2~5台無人機在3X3公尺的區域內飛行。當只有2或3台無人機時，RSNN可以快速的學習如何避免相撞，在50次5分鐘的飛行時測中，只有發生不到5次的撞擊，然而當無人機來到4或5台時，撞擊的次數就大幅上升，當然，有一部份的原因是由於傳輸延遲，導致無人機的定位不夠精準，使得RSNN學習到錯誤的策略，進而判斷失準。因此，研究團隊在電腦模擬出跟現實環境一樣的空間，並讓RSNN透過模擬世界進行學習，再將之用到現實環境裡的無人機上，成功的讓所有無人機都沒有相撞。

圖三、在現實環境中的測試結果，不同顏色的箭頭顯示了無人機的飛行方向，圈圈表示偵測到相撞的可能性，進而改變飛行路徑。

最後，研究團隊將他們設計的RSNN與其他的線上學習方法進行比較，包括long short-term memory (LSTM)以及fully connected network (FCN)，RSNN在不同無人機數量或是閃避條件下的表現都優於其他兩種方法，有著更少的撞擊次數。研究團隊認為這是因為LSTM有著過大的架構，而本實驗中，提供的學習樣本不足以使它完成學習；而FCN則是有著相似於RSNN的架構，不同之處在於RSNN採用了脈衝來傳輸訊號和reward-modulated learning mechanism，相較於傳統的 back-propagation-optimized ANN更能達成這樣的任務。

圖四、A圖橘線為RSNN，相較LSTM和FCN有著明顯更低的撞擊次數。圖B則是在不同閃避條件下的表現，可以看到綠及藍線為RSNN，對比其他兩種方法有著更低的撞擊次數。

撰文: 高振翔

原文: Feifei Zhao, Yi Zeng, Bing Han, Hongjian Fang, Zhuoya Zhao, Nature-inspired self-organizing collision avoidance for drone swarm based on reward-modulated spiking neural network, Patterns, Volume 3, Issue 11, 2022, 100611, ISSN 2666-3899, https://www.sciencedirect.com/science/article/pii/S2666389922002367