Sampul terbaru dari alam: AI mengalahkan juara dunia manusia dan memecahkan rekor balap drone tercepat

Penulis: Yan Yimi, Editor: Akademik Jun

Kecerdasan buatan (AI) sekali lagi mengalahkan juara manusia.

Kali ini di ranah balap drone.

Tim Dr. Elia Kaufmann dari Grup Robotika dan Persepsi Universitas Zurich dan tim Intelnya bersama-sama merancang sistem penggerak otonom - Swift, yang memiliki kemampuan menerbangkan drone dalam satu kali Kalahkan lawan manusia dalam satu- pertandingan kejuaraan satu lawan satu.

Hasil penelitian penting ini baru saja dipublikasikan di Nature edisi terbaru dalam bentuk artikel sampul.

Gambar | Sampul edisi terbaru Nature. (Sumber: Alam)

Dalam artikel berita dan pandangan yang diterbitkan pada waktu yang sama di Nature, Profesor Guido de Croon, seorang peneliti di Universitas Teknologi Delft di Belanda, menulis, "Penelitian Kaufmann dkk. merupakan langkah maju yang besar bagi para ahli robotik untuk mengatasi kesenjangan realitas. Contoh yang baik. Meskipun Swift dilatih menggunakan kombinasi cerdas teknik pembelajaran AI dan algoritma rekayasa tradisional, sistem ini harus dikembangkan lebih lanjut dalam lingkungan yang lebih realistis dan bervariasi untuk membuka potensi penuh dari teknologi ini."

Meskipun demikian, tim peneliti menyatakan bahwa penelitian ini menandai tonggak sejarah dalam robotika seluler dan kecerdasan mesin serta dapat menginspirasi penerapan solusi berbasis pembelajaran hibrid dalam sistem fisik lainnya seperti kendaraan darat otonom, pesawat terbang, dan robot pribadi.

Pelatihan cerdas yang mengintegrasikan AI dan algoritma rekayasa

Saat ini, sistem kecerdasan buatan (AI) yang didasarkan pada pembelajaran penguatan mendalam telah mengungguli manusia yang unggul dalam permainan seperti permainan Atari, catur, StarCraft, dan Gran Turismo. Namun, semua pencapaian tersebut terjadi di lingkungan virtual, bukan dunia nyata.

Balapan drone merupakan tantangan bagi pilot berpengalaman dan AI, namun lebih menantang lagi bagi AI. Karena dalam lingkungan virtual, sumber daya hampir tidak terbatas, sedangkan berpindah ke dunia nyata berarti harus menggunakan sumber daya yang terbatas. Hal ini terutama berlaku untuk drone, di mana sensor dan perangkat komputasi yang menggantikan pilot manusia harus dibawa ke udara.

Ditambah lagi, dunia nyata jauh lebih tidak terduga dibandingkan dunia maya. Meskipun drone balap yang disimulasikan dapat bergerak dengan sempurna sesuai dengan lintasan yang telah diprogram sebelumnya, satu perintah yang diberikan pada drone mungkin memiliki banyak efek, dan dampaknya sulit diprediksi, yang khususnya menjadi rumit bagi drone yang dilatih melalui AI.

Metode pembelajaran end-to-end tradisional sulit untuk mentransfer pemetaan lingkungan virtual ke dunia nyata, terdapat kesenjangan realitas antara dunia maya dan realitas, dan kesenjangan realitas merupakan salah satu tantangan utama dalam dunia nyata. bidang robotika.

Dalam studi tersebut, sistem Swift mencapai pelatihan cerdas dengan menggabungkan teknik pembelajaran AI dengan algoritma teknik tradisional. Pertama, sistem memproses gambar yang diambil drone dari kamera melalui jaringan saraf tiruan untuk mendeteksi sudut pintu secara akurat. Kemudian, software binocular vision digunakan untuk menghitung kecepatan drone.

Inovasi sistem Swift adalah jaringan saraf tiruan lainnya yang memetakan status drone ke perintah untuk menyesuaikan daya dorong dan kecepatan putaran. Gunakan pembelajaran penguatan untuk mengoptimalkan imbalan yang Anda peroleh dari lingkungan melalui proses coba-coba dalam simulasi. Dalam algoritme ini, sistem menggunakan pembelajaran penguatan daripada pembelajaran ujung ke ujung, sehingga memungkinkannya menjembatani kesenjangan antara kenyataan dan simulasi melalui konsep abstrak.

Karena tingkat abstraksi pengkodean keadaan lebih tinggi daripada gambar asli, simulator pembelajaran penguatan tidak lagi memerlukan lingkungan visual yang kompleks. Pengoptimalan ini mengurangi perbedaan antara sistem yang disimulasikan dan sistem nyata serta mempercepat simulasi, sehingga sistem dapat belajar dalam waktu sekitar 50 menit.

Menurut makalah tersebut, Swift terdiri dari dua modul utama: kebijakan observasi dan kebijakan pengendalian. Diantaranya, kebijakan observasi terdiri dari estimator inersia visual dan detektor gerbang, yang dapat mengubah informasi visual dan inersia berdimensi tinggi menjadi pengkodean dimensi rendah khusus tugas; kebijakan kontrol diwakili oleh perceptron dua lapis, yang dapat menerima pengkodean dimensi rendah dan mengubahnya menjadi perintah drone.

Melampaui kecepatan dan kinerja pilot manusia

Kursus untuk kompetisi ini dirancang oleh pilot FPV (perspektif orang pertama) eksternal kelas dunia. Lintasan ini terdiri dari tujuh gerbang berbentuk persegi yang disusun dalam ruang berukuran 30x30x8 meter, membentuk lintasan sepanjang 75 meter.

Selain itu, trek ini menampilkan manuver yang khas dan menantang, termasuk Split-S dan banyak lagi. Kalaupun terjadi tabrakan, pilot tetap bisa terus melaju selama pesawat masih bisa terbang. Jika tabrakan terjadi dan tidak ada drone yang menyelesaikan jalurnya, maka drone yang berada lebih jauh akan menang.

Swift telah berkompetisi di berbagai balapan bersama Alex Vanover (Juara Dunia Liga Balap Drone 2019), Thomas Bitmatta (Juara MultiGP 2019), dan Marvin Schaepper (Juara Swiss 3X).

Diantaranya, Swift memenangkan 5 dari 9 pertandingan melawan A. Vanover, 4 dari 7 pertandingan melawan T. Bitmatta, dan 6 dari 9 pertandingan melawan M. Schaepper.

Selain itu, Swift kalah sebanyak 10 kali, 40% karena bertabrakan dengan lawan, 40% karena bertabrakan dengan pintu, dan 20% karena terbang lebih lambat dari pilot manusia.

**Secara keseluruhan, Swift memenangkan sebagian besar pertandingan melawan setiap pilot manusia. Selain itu, Swift mencetak rekor waktu balapan tercepat, mengalahkan waktu terbaik pilot manusia A. Vanover dengan selisih setengah detik. **

Dari analisis data, terlihat bahwa Swift lebih cepat dari semua pilot manusia secara keseluruhan, terutama pada bagian-bagian penting seperti lepas landas dan belokan darurat. Waktu reaksi lepas landas Swift lebih pendek, rata-rata 120 milidetik lebih awal dibandingkan pilot manusia. Selain itu, Swift berakselerasi lebih cepat, mencapai kecepatan lebih tinggi pada gerbang pertama.

Selain itu, Swift menunjukkan manuver yang lebih ketat saat tikungan tajam, mungkin karena ia mengoptimalkan lintasan dalam rentang waktu yang lebih lama. Sebaliknya, pilot manusia lebih memilih untuk merencanakan manuver dalam rentang waktu yang lebih singkat, dengan mempertimbangkan paling banyak satu posisi gerbang di masa depan.

Selain itu, **Swift mencapai kecepatan rata-rata tertinggi di keseluruhan lintasan, menemukan garis balap terpendek, dan berhasil menjaga pesawat tetap terbang mendekati batasnya. **Dalam uji waktu yang membandingkan Swift dengan manusia juara, drone otonom menunjukkan waktu putaran yang lebih konsisten, dengan rata-rata dan varians lebih rendah, sedangkan kinerja pilot manusia lebih individual, dengan rata-rata dan Varians lebih tinggi.

Analisis komprehensif menunjukkan bahwa UAV otonom Swift menunjukkan performa yang sangat baik dalam kompetisi, tidak hanya unggul dalam kecepatan, tetapi juga memiliki karakteristik unik dalam strategi penerbangan, sehingga memungkinkannya mempertahankan performa tingkat tinggi sepanjang kompetisi.

Bukan hanya balap drone

Penelitian ini mengeksplorasi balap drone otonom berdasarkan masukan penginderaan yang berisik dan tidak lengkap dari lingkungan fisik, menunjukkan sistem fisika otonom yang mencapai kinerja tingkat kejuaraan dalam balap, bahkan terkadang melampaui manusia juara dunia. Penelitian ini menyoroti pentingnya robot mencapai kinerja tingkat kejuaraan dunia dalam olahraga populer dan mencapai tonggak penting dalam teknologi robotika dan kecerdasan.

Namun, sistem yang diteliti tidak dilatih untuk pemulihan pasca kecelakaan dibandingkan dengan pilot manusia. Hal ini membatasi kemampuan sistem untuk terus terbang setelah tumbukan, sementara pilot manusia dapat melanjutkan balapan dengan perangkat keras yang rusak.

Selain itu, sistem Swift kurang mampu beradaptasi terhadap perubahan lingkungan dibandingkan pilot manusia, karena menggunakan kamera dengan kecepatan refresh yang lebih rendah; meskipun metode ini unggul dalam balap drone otonom, metode ini tidak efektif di dunia nyata lainnya. Kemampuan generalisasi di seluruh sistem dan lingkungan telah belum sepenuhnya dieksplorasi.

Jelas, apa yang dicapai Kaufmann dan timnya tidak terbatas pada balap drone, karena teknologi tersebut mungkin dapat digunakan dalam aplikasi militer. Selain itu, teknologi mereka dapat membuat drone lebih lancar, lebih cepat, dan jangkauannya lebih jauh, membantu robot menggunakan sumber daya yang terbatas secara lebih efisien di berbagai bidang seperti mengemudi, membersihkan, dan melakukan inspeksi.

Namun untuk mencapai tujuan tersebut, tim peneliti masih perlu menyelesaikan banyak tantangan. Seperti yang dikatakan Croon dalam artikel ulasannya, “Untuk mengalahkan pilot manusia di lingkungan balap mana pun, sistem harus mampu mengatasi gangguan eksternal seperti angin, perubahan kondisi cahaya, dan berbagai pintu yang tidak didefinisikan sejelas lingkungan balap lainnya. Manusia dan mesin serta banyak faktor lainnya.”

Tautan kertas