マサチューセッツ工科大学（MIT）のジョナサン・ハウ教授の研究対象は、飛行機や宇宙船から、操縦のない航空機（UAV、ドローン）、自動車に至るまで、自律操縦機のあらゆる分野に及ぶ。特に、ダイナミックな環境で航行可能な複数の自律型ビークルを調整するための、分散型ロバスト・プランニング・アルゴリズムの設計と実装に力を入れている。
ここ1年ほど、リチャード・コックバーン・マクローリン教授（航空宇宙学）とMITの航空宇宙制御研究所の研究チームは、ドローンの艦隊が互いに衝突することなく同じ空域で活動できるようにする軌道計画システムを開発してきた。別の言い方をすれば、これは多車両衝突回避プロジェクトであり、農業や防衛を含むさまざまな産業にとって、コスト削減や効率化をめぐる現実的な意味を持つ。
このプロジェクトのテスト施設は、クレサ自律システムセンター（Kresa Center for Autonomous Systems）で、80×40フィートのスペースに25フィートの天井がある。衝突を避けるため、各UAVはオンボードで進路計画の軌道を計算し、無線通信ネットワークを使って他のマシンと共有しなければならない。
しかし、ハウ氏によれば、複数車両による作業における重要な課題のひとつは、情報交換に伴う通信遅延であるという。この問題に対処するため、ハウ氏と彼のチームの研究者たちは、車両が車載センサーを使って他の車両に関する新しい情報を収集し、自身の計画した軌道を変更することを可能にする「知覚認識」機能をシステムに組み込んだ。
テストでは、アルゴリズムによる修正で100％の成功率を達成し、ドローンのグループ間で衝突のない飛行が保証された。次のステップは、アルゴリズムをスケールアップし、より大きなスペースでテストし、最終的には屋外で飛行させることだとハウ氏は言う。
イギリスで生まれたジョナサン・ハウ氏の飛行機への憧れは、長年イギリス空軍に所属していた父親と空軍基地で過ごした時間のおかげで、幼い頃から始まった。しかし、ハウ氏が回想するように、他の子供たちが宇宙飛行士になりたがっていたのに対し、彼の好奇心は飛行の工学や力学のほうに向いていたという。
数年後、トロント大学の学部生だった彼は、航空・宇宙工学に応用される応用数学と多車両研究に興味を持つようになった。その後、マサチューセッツ工科大学（MIT）で大学院生とポスドクを務め、NASAが資金提供した宇宙船の高精度ポインティングと振動制御のための高度な制御技術に関する実験に貢献。そして、スタンフォード大学の若手教員として分散型宇宙望遠鏡の研究に従事した後、マサチューセッツ州ケンブリッジに戻り、2000年にMITの教員となった。
ハウ氏は、次のようにコメントしている。
ハウ氏：自律操縦機にとって重要な課題のひとつは、周囲の環境にある他のものにどう対処するかということです。
自律操縦機にとってそれは、とりわけ歩行者の識別と追跡を意味する。ハウと彼のチームが、歩行者を追跡するように設計されたセンサーを搭載した自律操縦機からリアルタイムのデータを収集し、その情報を使ってモデルを生成し、例えば交差点での歩行者の行動を理解する。
ハウ氏：世界の不確実性を考えると、これは非常にノイズの多い予測プロセスです。本当の目標は知識を向上させることです。完璧な予測はできない。不確実性を理解し、それをできる限り減らそうとしているだけです。
別のプロジェクトでは、ハウ氏は航空機のリアルタイム意思決定の限界に挑戦している。このようなシナリオでは、車両は環境のどこに位置し、周囲に何があるかを判断し、最適な経路を計画しなければならない。
さらに、十分な敏捷性を確保するためには、通常、1秒間に約10～50回、航空機に搭載されたセンサーからの新しい情報が利用可能になるとすぐに、これらのソリューションを再生成できる必要がある。強力なコンピューターは存在するが、そのコスト、サイズ、重量、電力要件から、小型で機敏な航空機への配備は現実的ではない。では、機敏な飛行体に簡単に搭載できるコンピューターで、性能を犠牲にすることなく、必要な計算をすべて素早く実行するにはどうすればいいのだろうか。
Howの解決策は、計算コストの高いオプティマイザーの反応を「模倣」するように訓練された、高速なニューラルネットワークを航空機に搭載することである。訓練はオフライン（ミッション前）の段階で行われ、彼と研究者たちはオプティマイザを繰り返し（数千回）実行し、タスクを解決する方法を「実証」する。
ネットワークが訓練されると、オプティマイザーの代わりにニューラルネットワークを航空機上で作動させる。飛行中、ニューラルネットワークは、オプティマイザーが下すのと同じ決定を下す。このアプローチは、あらゆるサイズのUAVで成功することが証明されており、搭載カメラの画像など、ノイズの多い感覚信号を直接処理できる（エンド・ツー・エンド学習と呼ばれる）ニューラルネットワークの生成にも使用できる。
ここでのエキサイティングな技術革新は、飛行エージェントを非常に効率的に訓練するために開発された新しい技術にあるという。このプロジェクトにおける重要な次のステップのひとつは、これらの学習されたコントローラーが安全であると認証されるようにすることである。
長年にわたり、ハウ氏はBoeing、Lockheed Martin、Northrop Grumman、Ford、Amazonなどの企業と緊密に協力してきた。産業界との協力は、現実の問題を解決することに研究の焦点を絞るのに役立つとハウ氏は言う。
ハウ氏：私たちは、産業界が抱える難しい問題を取り上げ、核心的な問題へと凝縮し、問題の特定の側面に対する解決策を作成し、私たちの実験施設でそれらのアルゴリズムを実証し、それを産業界へと還元するのです。非常に自然で相乗的なフィードバック・ループになる傾向があります。
