Un dataset di riferimento aperto per il machine learning e l’ottimizzazione intelligente di traiettorie in sistemi aerei senza pilota ad ala fissa

Perché voli di droni più intelligenti contano

Dalle ricognizioni agricole alle operazioni di ricerca e soccorso, i droni ad ala fissa stanno svolgendo sempre più lavoro silenziosamente sopra le nostre teste. Rendere questi velivoli più affidabili e meno dipendenti da piloti umani potrebbe sbloccare consegne più sicure, un monitoraggio ambientale più accurato e operazioni più resilienti in emergenze o zone di conflitto. Ma il progresso è sempre più limitato non dalle idee brillanti, bensì dalla mancanza di dati reali. Questo articolo presenta un nuovo dataset aperto di centinaia di voli autonomi di droni, pensato in modo che ingegneri e studenti ovunque possano sviluppare e testare algoritmi di volo più intelligenti su una base ricca e condivisa.

Un laboratorio volante per missioni reali

Gli autori hanno costruito il loro dataset usando un aereo robusto in stile motore‑aliante chiamato Volantex Ranger 2400. Con un’apertura alare di due metri e mezzo, una forma alare efficiente e un abitacolo capiente, il velivolo può ospitare elettronica moderna restando in volo per missioni lunghe e stabili. È spinto da un motore elettrico posteriore e da un pacco batterie agli ioni di litio personalizzato tarato per l’endurance più che per lo sprint. Il team ha fatto volare questa piattaforma in modalità completamente autonoma, usando rotte pre‑pianificate che coprivano le fasi chiave del volo: decollo, tratte diritte in crociera, virate strette, manovre dinamiche e atterraggi automatici. Questo assetto controllato ma realistico trasforma il Ranger in un laboratorio volante che si comporta come piccoli droni operativi impiegati in ambito civile e difesa.

Due cervelli, un aereo

Per catturare un’ampia gamma di casi d’uso, i ricercatori hanno equipaggiato lo stesso telaio con due “cervelli” molto diversi. Una configurazione utilizza un compatto ed economico controller di volo SpeedyBee F405, simile per spirito all’elettronica che gli hobbisti potrebbero montare su un drone autocostruito. L’altra combina un autopilota professionale Pixhawk 6X con un potente computer Jetson Orin NX, capace di eseguire a bordo software di intelligenza artificiale esigenti. Entrambi i sistemi registrano telemetria dettagliata, comprese le rilevazioni di movimento dai sensori inerziali, posizione e velocità GPS, quota, velocità aerodinamica, comandi alle superfici di controllo, stato della batteria e modalità di volo, a frequenze sufficientemente alte da ricostruire il moto dell’aereo con grande precisione. Mantenendo costante il telaio e variando l’elettronica, il dataset permette agli studiosi di analizzare come diversi livelli di calcolo e sensoristica a bordo influenzino il comportamento di volo.

Che cosa contiene il dataset

La collezione risultante, IDF‑DS, consiste di 240 voli autonomi, per circa 32 ore di tempo in volo e decine di milioni di campioni registrati. Ogni volo è archiviato con una struttura di cartelle coerente in modo che gli utenti possano trovare rapidamente il log principale, il piano di missione, le impostazioni del controller e una traccia GPS pronta da visualizzare. Una famiglia di missioni segue un pattern a zigzag su un campo rettangolare, ideale per confronti ripetibili o per addestrare modelli predittivi. Un’altra traccia un circuito simile a una pista da gara ispirata a un noto circuito MotoGP, introducendo curve strette, ampie pieghe e tratti diritti che mettono alla prova l’autopilota. Per ogni configurazione e missione, i log catturano come il velivolo ha effettivamente volato, non solo come avrebbe dovuto volare.

Trasformare voli grezzi in conoscenze

Per mostrare cosa si può fare con questo tesoro di dati, gli autori esaminano diversi esempi di analisi. Verificano la qualità dei sensori di movimento a bordo confrontandoli con accelerazioni e rotazioni inferite dalla traiettoria basata su GPS, confermando che le misure sono sufficientemente affidabili da fungere da “verità di riferimento” per l’addestramento dei modelli. Studiano quanto bene l’autopilota stima la velocità nelle tre direzioni, quanto fedelmente il velivolo segue la rotta pianificata e quanta energia elettrica assorbe durante salite, virate e crociere costanti. Combinando velocità aerodinamica, velocità al suolo e assetto, ricostruiscono persino il vento che il velivolo ha incontrato lungo il percorso, costruendo un quadro di raffiche e venti trasversali basato esclusivamente su letture a bordo. Un altro caso d’uso descrive come gli stessi flussi di dati potrebbero addestrare un modello di intelligenza artificiale a stimare la posizione quando la navigazione satellitare non è disponibile.

Come questa risorsa aiuta i voli futuri

In termini concreti, questo lavoro consiste nel dare alla comunità una “scatola nera” condivisa di centinaia di voli che chiunque può aprire. Invece di costringere ogni team a raccogliere i propri costosi dati di prova—e a tenerli privati—ricercatori e studenti possono scaricare questo dataset aperto e cominciare immediatamente a esplorare nuovi modi per mantenere i droni sulla rotta quando il GPS fallisce, individuare guasti prima che diventino pericolosi o prolungare la vita della batteria scegliendo percorsi più efficienti. L’articolo stesso non costruisce questi sistemi intelligenti; costruisce le fondamenta di cui hanno bisogno. Per il lettore, la conclusione è che il progresso nell’autonomia aerea dipende ormai tanto da registrazioni di volo aperte e documentate con cura quanto da algoritmi brillanti—e questo dataset è un passo sostanziale verso quel futuro.

Citazione: García-Gascón, C., Bas-Bolufer, J., Castelló-Pedrero, P. et al. An open benchmark dataset for machine learning and intelligent trajectory optimization in fixed-wing unmanned aerial systems. Sci Data 13, 364 (2026). https://doi.org/10.1038/s41597-026-06716-3

Parole chiave: droni ad ala fissa, telemetria di volo, navigazione autonoma, dataset per machine learning, ottimizzazione di traiettoria