Universiteit van Zürich
Deskundige menselijke dronepiloten hebben bewezen ongelooflijk bedreven te zijn in het besturen van UAV door complexe cursussen met hoge snelheden die nog steeds ongeëvenaard zijn door autonome systemen. Maar onderzoekers van de Universiteit van Zürich en Intel Labs werken samen om dat te veranderen, en hun werk, onlangs gepresenteerd in het tijdschrift Science Robotics, zou verstrekkende gevolgen kunnen hebben voor de toekomst van commerciële drones.
“Autonoom navigatie in omgevingen waar de omstandigheden voortdurend veranderen, is beperkt tot zeer lage snelheden”, legt Matthias Müller, hoofd van Embodied AI Lab bij Intel Labs, uit. “Dit zorgt ervoor dat drones niet efficiënt kunnen werken in echte situaties waar iets onverwachts hun pad kan blokkeren en tijd belangrijk is.”
Dat is natuurlijk een grote belemmering om drones veilig uit te rollen voor commercieel gebruik. De oplossing lijkt de besluitvormingscapaciteiten van deskundige piloten te benutten om drones te trainen om autonoom te functioneren.
“In samenwerking met de Universiteit van Zürich hebben we kunnen laten zien hoe een drone die uitsluitend in simulatie is getraind door een deskundige piloot te imiteren, kan presteren in uitdagende realistische scenario's en omgevingen die niet werden gebruikt tijdens de training van het convolutionele netwerk ’, zegt Muller. “De getrainde autonome drone was in staat om door voorheen onzichtbare omgevingen te vliegen, zoals bossen, gebouwen en treinen, met snelheden tot 40 km/u, zonder tegen bomen, muren of andere obstakels te botsen – en dat alles terwijl hij alleen vertrouwde op zijn ingebouwde camera's en berekening.”
De resultaten werden bereikt door het neurale netwerk van de drone te laten leren van een gesimuleerde expertpiloot die met een virtuele drone door een gesimuleerde omgeving vol complexe obstakels vloog. De expert had toegang tot de volledige 3D-omgeving, terwijl het neurale netwerk van de drone alleen toegang had tot de camera-observaties met realistische sensorruis en onvolmaakte staatsschatting.
Die onbalans in de input (wat onderzoekers een “bevoorrechte expert” noemen) dwong de drone om te leren handelen met uitzonderlijke behendigheid in minder dan ideale omstandigheden. De quadrotor toonde een afname van de latentie tussen waarneming en actie, terwijl tegelijkertijd veerkracht werd getoond in het licht van waarnemingsartefacten, zoals bewegingsonscherpte, ontbrekende gegevens en sensorruis.
“Bestaande systemen gebruiken sensorgegevens om een kaart van de omgeving te maken en vervolgens trajecten binnen de kaart te plannen – deze stappen vergen tijd en fouten, waardoor het onmogelijk is voor de drones om met hoge snelheden te vliegen”, zegt Müller. “In tegenstelling tot de huidige systemen, zouden toekomstige drones end-to-end kunnen leren navigeren in een gesimuleerde omgeving voordat ze de echte wereld in gaan. Dit onderzoek toont een grote belofte aan bij het inzetten van deze nieuwe systemen in een breed scala aan scenario's, waaronder rampenbestrijding, bouwplaatsen , zoek- en reddingsacties, landbouw en logistiek, en meer.”
Een van de voordelen van dit systeem is de toepasbaarheid op een breed scala aan real-world omgevingen. De aanpak die in het onderzoek werd gedemonstreerd, omvatte experimenten die werden getest in een reeks door mensen gemaakte omgevingen (bijv. Gesimuleerde rampzone en stedelijke stadsstraten) en ook in verschillende natuurlijke omgevingen (bossen van verschillende typen en dichtheden en steile besneeuwde bergterreinen). Toekomstige toepassingsgebieden voor de technologie kunnen rampenbestrijdingsscenario's, bouwplaatsen, zoek- en reddingsacties, landbouw en logistiek en levering zijn.
Robotica
New Age of Sail combineert robots en zeilboten Amazon's Astro leren kennen De beste robotstofzuigers van 2021 Wat is AI? Hier is alles wat u moet weten over kunstmatige intelligentie
gerelateerde onderwerpen:
Hardware CXO-innovatie Kunstmatige intelligentie 