AI i ML w nawigacji dronowej – praktyczne zastosowania w dostawach – #EN34

TL;DR:

• Drony to tylko wierzchołek góry lodowej – prawdziwa siła tkwi w analizie danych i systemach
• Firma Mana dostarcza jedzenie dronami w Dublinie w średnio 8:43 minuty
• Metabase jest rekomendowany jako proste narzędzie do analizy danych
• Mniejsze, wyspecjalizowane modele AI działają lepiej niż jeden duży model
• AI do analizy wibracji zaoszczędziło 41 godzin miesięcznie eliminując ręczne przeglądy
• System 4D z prognozowaniem pogody umożliwił nielimitowaną liczbę dronów w powietrzu
• „Wszystkie modele są błędne, ale niektóre są użyteczne”

W 34. odcinku mojej serii przybliżam prezentację o wykorzystaniu sztucznej inteligencji w nawigacji dronowej firmy Mana – bez buzzwordów, za to z konkretnymi rezultatami biznesowymi.

Mana: dostawa dronami w praktyce

Mana to firma realizująca dostawy jedzenia dronami w Dublinie. Ich drony o średnicy 1,5 metra latają z prędkością do 85 km/h i mogą działać nawet po utracie jednego silnika. Firma obsługuje 45 000 gospodarstw współpracując z 25 restauracjami, wykonując już 11,5 tysiąca dostaw rocznie. To obecnie największa operacja dronowa w Europie.

Proces zamówienia jest identyczny jak w innych aplikacjach dostawczych, ale realizacja trwa średnio 8:43 minuty od złożenia zamówienia, z czego sam lot to około 2:48 minuty.

Podejście do danych

„Drony to tylko niewielka część naszego biznesu. W rzeczywistości chodzi o aplikacje, systemy i dane” – podkreśla prezenter. Każdy lot generuje trzy pliki logów (około 50 MB), które są analizowane za pomocą Metabase i zapytań SQL.

Przy planowanej skali (49 000 dronów do pokrycia Wielkiej Brytanii) tradycyjna analiza danych nie wystarczy. Główne wyzwania to:

• Brak odpowiedniego zbierania danych
• Nieetykietowanie zgromadzonych danych

Eksperymenty z uczeniem nienadzorowanym wykazały, że zamiast jednego dużego modelu, lepiej sprawdzają się mniejsze, wyspecjalizowane modele skupione na konkretnych aspektach.

Case study 1: Eliminacja przeglądów przedstartowych

Przed wdrożeniem AI każdy dron przechodził 30-40 sekundową inspekcję przed lotem. Analiza danych wykazała, że profil wibracji w pierwszych 2 sekundach rozruchu silników ujawnia stan śmigieł.

Zbudowano model wykrywający problemy ze śmigłami, którego skuteczność potwierdzono przez korelację z zapisami konserwacji. Efekt: eliminacja ręcznych przeglądów, oszczędzając 41 godzin miesięcznie przy obecnej skali operacji.

Case study 2: System 4D i model pogodowy

Początkowo firma rezerwowała całą trasę lotu w wirtualnej siatce, ograniczając liczbę jednoczesnych lotów do pięciu. Nowe podejście „4D” wykorzystuje „przesuwające się okno” – dron jest gwarantowany tylko w określonym miejscu i czasie, umożliwiając nieograniczoną liczbę dronów w powietrzu.

Wyzwaniem okazała się pogoda, szczególnie wiatr wpływający na prędkość. Rozwiązaniem jest model łączący dane z trzech źródeł o różnych częstotliwościach aktualizacji (od 10 minut do 5 sekund), umożliwiając dronom pozostanie w wyznaczonych „korytarzach” 4D.

Przyszłość AI w Mana

Plany rozwoju obejmują:

1. Tworzenie kolejnych wyspecjalizowanych modeli do wykrywania anomalii
2. Przejście od reagowania na problemy do ich przewidywania z wyprzedzeniem
3. Skalowanie modeli do obsługi tysięcy dronów
4. Wdrożenie konserwacji predykcyjnej z dwutygodniowym wyprzedzeniem

Dodatkowe informacje z Q&A

Z sesji pytań i odpowiedzi dowiadujemy się również kilku interesujących faktów:

• Firma jest w stanie latać w 97% warunków pogodowych w Irlandii
• Drony nie lądują przy dostawie – obniżają się do około 15 metrów nad ziemią i opuszczają ładunek na lince
• Maksymalna waga startowa drona to 25 kg, a obecna pojemność ładunku to 2,5 kg (planowane zwiększenie do 3,5 kg)
• Firma współpracuje z innymi operatorami dronów, jak Google Wing, nad standardami zarządzania ruchem (UTM)
• Dostawa dronem jest już teraz tańsza niż tradycyjna dostawa drogowa
• Drony Mana są cichsze niż samochody dostawcze i przebywają przy domu klienta krócej

Prezentacja kończy się cytatem: „Wszystkie modele są błędne, ale niektóre są użyteczne”. To przypomnienie, że w pracy z AI nie chodzi o teoretyczną doskonałość, ale o praktyczne korzyści biznesowe.

Źródło:

AI and ML in Drone Navigation Insights for Product Development