Zelf een drone bouwen is al jaren geen hogere wiskunde meer. Maar een autonome drone maken die op basis van AI zelfstandig waarneemt, beslissingen neemt en daadwerkelijk vliegt, is andere koek. Tot nu toe bleef die technologie grotendeels voorbehouden aan bedrijven die hun autonomie-oplossingen als gesloten systemen aanbieden. Met Langostino verschijnt een open-source droneplatform dat juist inzet op volledige transparantie. Het complete traject, van sensordata en AI-integratie tot motorsturing, is openbaar gedocumenteerd en bedoeld om te worden geanalyseerd, nagebouwd en verder ontwikkeld.
Inhoudsopgave
Autonomie zonder black box
Langostino is opgezet als referentieplatform voor ontwikkelaars, dronebouwers en onderzoekers die willen experimenteren met autonome vlucht in de echte wereld. In plaats van een kant-en-klaar product biedt het project een complete blauwdruk van hoe een autonome drone kan worden opgebouwd, zowel hardwarematig als softwarematig.
De software draait op ROS 2, een veelgebruikt framework binnen robotica. De architectuur is modulair opgezet, waarbij afzonderlijke processen verantwoordelijk zijn voor het uitlezen van sensoren, het combineren van data, het uitvoeren van AI-inferentie en het omzetten van uitkomsten naar concrete vluchtcommando’s. Het AI-model ontvangt een uitgebreide set meetwaarden uit de sensoren en genereert op basis daarvan snelheidscommando’s in drie dimensies.
Belangrijk is dat er naast het AI-model een aparte veiligheidslaag actief is. Deze monitort continu het gedrag van het systeem en kan ingrijpen wanneer de gegenereerde commando’s buiten vooraf gedefinieerde grenzen vallen. Daarmee wordt voorkomen dat experimentele AI rechtstreeks en ongecontroleerd invloed uitoefent op de hardware.
Betaalbare hardware
De hardwarekeuze is bewust pragmatisch gehouden. Als vluchtcomputer fungeert een Raspberry Pi 5, waarop het volledige ROS2-systeem en het AI-model draaien. Dat betekent dat alle verwerking lokaal plaatsvindt, zonder afhankelijkheid van cloudinfrastructuur of externe servers. Sensorinformatie wordt dus direct aan boord geanalyseerd en vertaald naar motorcommando’s.
Voor positiebepaling en obstakeldetectie maakt de drone gebruik van GPS en LiDAR-afstandssensoren. De combinatie van relatief gangbare FPV-componenten met een compacte single-board computer maakt het systeem technisch toegankelijk en in principe door iedereen reproduceerbaar.
Wereldwijde training
Het AI-model dat op de drone draait, is getraind met reinforcement learning in een gesimuleerde omgeving. Ontwikkelaars over de hele wereld werken aan het verbeteren van vluchtpolicies, die vervolgens onafhankelijk worden gevalideerd. De infrastructuur voor deze competitie is gebaseerd op Bittensor, een gedecentraliseerd netwerk waarin AI-modellen worden beoordeeld en economisch beloond op basis van hun prestaties.
Het model dat uiteindelijk op Langostino wordt ingezet, is dus het resultaat van een gedistribueerd ontwikkelproces. Na training in simulatie wordt het overgezet naar fysieke hardware, waarmee de stap van virtuele naar echte vlucht wordt gemaakt.
Open documentatie
Wat Langostino onderscheidt, is niet zozeer de gebruikte hardware, maar de keuze om het volledige systeem open te publiceren. De repository bevat gedetailleerde informatie over de onderdelen, de assemblage, de firmwareconfiguratie en de complete ROS2-architectuur, inclusief de integratie van het AI-model en het veiligheidssysteem. Daarmee wordt het hele pad van sensor tot motor inzichtelijk gemaakt.
Het project positioneert zich als infrastructuur voor verdere ontwikkeling. Door het volledige traject openbaar te maken, kunnen anderen het systeem analyseren, aanpassen en verbeteren. In plaats van autonomie als eindproduct te presenteren, laat Langostino zien hoe zo’n systeem daadwerkelijk is opgebouwd en hoe een neuraal netwerk op een betaalbare computer een fysieke drone zelfstandig kan aansturen.
