Universitetet i Zürich
Eksperte menneskelige dronepiloter har vist seg utrolig dyktige til å pilotere UAV gjennom komplekse kurs i høye hastigheter som fortsatt er uten sidestykke av autonome systemer. Men forskere ved Universitetet i Zürich og Intel Labs samarbeider for å endre det, og arbeidet deres, nylig presentert i tidsskriftet Science Robotics, kan ha vidtrekkende implikasjoner for fremtiden til kommersielle droner.
“Autonomous navigasjon i miljøer der forholdene stadig endrer seg er begrenset til svært lave hastigheter,” forklarer Matthias Müller, leder for Embodied AI Lab ved Intel Labs. “Dette gjør at droner ikke kan operere effektivt i situasjoner i den virkelige verden der noe uventet kan blokkere veien deres og tiden betyr noe.”
Det er åpenbart et stort hinder for å trygt rulle ut droner for kommersiell bruk. Løsningen ser ut til å være å utnytte beslutningsevnen til ekspertpiloter for å trene droner til å fungere autonomt.
“I samarbeid med Universitetet i Zürich var vi i stand til å vise hvordan en drone som er trent utelukkende i simulering ved å imitere en ekspertpilot er i stand til å prestere i utfordrende scenarier og miljøer i den virkelige verden som ikke ble brukt under treningen av konvolusjonsnettverket “, sier Müller. “Den trente autonome dronen var i stand til å fly gjennom tidligere usynlige miljøer, for eksempel skoger, bygninger og tog, og holdt hastigheter opp til 40 km/t, uten å krasje inn i trær, vegger eller andre hindringer – alt mens han kun var avhengig av kameraene ombord. og beregning.”
Resultatene ble oppnådd ved å la dronens nevrale nettverk lære av en simulert ekspertpilot som fløy en virtuell drone gjennom et simulert miljø fullt av komplekse hindringer. Eksperten hadde tilgang til hele 3D-miljøet mens dronens nevrale nettverk bare hadde tilgang til kameraobservasjonene med realistisk sensorstøy og ufullkommen tilstandsestimat.
Denne input-ubalansen (det forskere kaller en “privilegert ekspert”) tvang dronen til å lære seg å handle med eksepsjonell fingerferdighet under mindre enn ideelle forhold. Kvadrotoren demonstrerte en reduksjon i latensen mellom persepsjon og handling, samtidig som den demonstrerte spenst i møte med persepsjonsartefakter, som bevegelsesuskarphet, manglende data og sensorstøy.
“Eksisterende systemer bruker sensordata for å lage et kart over miljøet og deretter planlegge baner i kartet – disse trinnene krever sammensatte tid og feil, noe som gjør det umulig for dronene å fly i høye hastigheter,” sier Müller. “I motsetning til nåværende systemer, kan fremtidige droner lære navigasjon ende-til-ende i et simulert miljø før de går ut i den virkelige verden. Denne forskningen viser betydelig løfte om å distribuere disse nye systemene i en lang rekke scenarier, inkludert katastrofehjelp, byggeplasser , søk og redning, landbruk og logistikk og mer.”
En av fordelene med dette systemet er dets anvendelighet til et bredt utvalg av virkelige miljøer. Tilnærmingen som ble demonstrert i forskningen involverte eksperimenter som ble testet i et sett av menneskeskapte miljøer (f.eks. simulert katastrofesone og urbane bygater) og også forskjellige naturmiljøer (skoger av forskjellige typer og tettheter og bratte snødekte fjellterreng). Fremtidige bruksområder for teknologien kan være katastrofehjelpsscenarier, byggeplasser, søk og redning, landbruk og logistikk og levering.
Robotikk
New Age of Sail kombinerer roboter og seilbåter Bli kjent med Amazons Astro De beste robotstøvsugere i 2021 Hva er AI? Her er alt du trenger å vite om kunstig intelligens
Beslektede emner:
Hardware CXO Innovation Artificial Intelligence 