Последняя обложка природы: ИИ побеждает чемпиона мира среди людей и устанавливает рекорд самых быстрых гонок дронов

Автор: Ян Йими, редактор: Academic Jun

Искусственный интеллект (ИИ) в очередной раз победил чемпиона среди людей.

На этот раз речь идет о гонках на дронах.

Команда доктора Элии Кауфманн из группы робототехники и восприятия Цюрихского университета и ее команда Intel совместно разработали автономную систему вождения Swift, которая способна управлять дроном за один раз. Победить противника-человека за один раз. один матч чемпионата.

Этот важный результат исследования был только что опубликован в последнем выпуске журнала Nature в виде титульной статьи.

Рисунок | Обложка последнего номера журнала Nature. (Источник: Природа)

В новостной статье, опубликованной в то же время в журнале Nature, профессор Гвидо де Кроон, исследователь Делфтского технологического университета в Нидерландах, написал: «Исследование Кауфмана и др. является большим шагом вперед для робототехников преодолеть разрыв в реальности. Хороший пример. Несмотря на то, что Swift обучается с использованием умной комбинации методов обучения искусственного интеллекта и традиционных инженерных алгоритмов, систему следует дорабатывать в более реалистичной и разнообразной среде, чтобы раскрыть весь потенциал этой технологии».

Тем не менее, исследовательская группа утверждает, что исследование знаменует собой веху в области мобильной робототехники и машинного интеллекта и может вдохновить на внедрение гибридных решений на основе обучения в других физических системах, таких как автономные наземные транспортные средства, летательные аппараты и персональные роботы.

Интеллектуальное обучение, объединяющее искусственный интеллект и инженерные алгоритмы

В настоящее время системы искусственного интеллекта (ИИ), основанные на глубоком обучении с подкреплением, превзошли чемпионов-людей в таких играх, как игры Atari, шахматы, StarCraft и Gran Turismo. Однако все эти достижения происходят в виртуальной среде, а не в реальном мире.

Гонки дронов — сложная задача как для опытных пилотов, так и для ИИ, но для ИИ это еще сложнее. Потому что в виртуальной среде ресурсы практически не ограничены, а переход в реальный мир означает необходимость использования ограниченных ресурсов. Особенно это актуально для дронов, где датчики и вычислительные устройства, заменяющие пилотов-людей, необходимо поднимать в воздух.

Кроме того, реальный мир гораздо более непредсказуем, чем виртуальный. Хотя моделируемые гоночные дроны могут идеально следовать заранее запрограммированным траекториям, одна команда одному дрону может иметь множество непредсказуемых эффектов, особенно сложных для дронов, обученных с помощью ИИ.

Традиционные методы сквозного обучения трудно перенести отображение виртуальной среды в реальный мир.Существует разрыв в реальности между виртуальным и реальным, и разрыв в реальности представляет собой одну из основных проблем в этой области. робототехники.

В ходе исследования система Swift достигла интеллектуального обучения за счет объединения методов обучения искусственного интеллекта с традиционными инженерными алгоритмами. Сначала система обрабатывает изображения, снятые дроном с камеры, через искусственную нейронную сеть, чтобы точно определить углы двери. Затем программное обеспечение бинокулярного зрения используется для расчета скорости дрона.

Инновация системы Swift заключается в другой искусственной нейронной сети, которая отображает состояние дрона на команды для регулировки тяги и скорости вращения. Используя обучение с подкреплением, вознаграждения, полученные от окружающей среды, оптимизируются посредством процесса проб и ошибок при моделировании. В этом алгоритме система использует обучение с подкреплением, а не сквозное обучение, чтобы преодолеть разрыв между реальностью и симуляцией посредством абстракции.

Поскольку состояние кодируется на более высоком уровне абстракции, чем исходное изображение, симулятору обучения с подкреплением больше не нужна сложная визуальная среда. Эта оптимизация уменьшает разницу между смоделированной системой и реальной системой и увеличивает скорость моделирования, позволяя системе завершить обучение примерно за 50 минут.

Согласно документу, Swift состоит из двух ключевых модулей: политики наблюдения и политики контроля. Среди них политика наблюдения состоит из визуального инерционного оценщика и детектора ворот, которые могут преобразовывать многомерную визуальную и инерциальную информацию в низкоразмерное кодирование для конкретной задачи; политика управления представлена двухслойным перцептроном, который может принять низкоразмерное кодирование и перевести его в команды дрона.

Скорость и производительность превосходят возможности пилотов-людей

Трасса для этого соревнования была спроектирована внешним пилотом мирового класса с видом от первого лица. Трасса состоит из семи квадратных ворот, расположенных на пространстве 30х30х8 метров, образующих трассу длиной 75 метров.

Кроме того, на трассе представлены характерные и сложные маневры, включая Split-S и другие. Даже если произойдет столкновение, пилот все равно сможет продолжать гонку до тех пор, пока самолет может продолжать полет. Если произошло столкновение и ни один дрон не завершил маршрут, побеждает дрон, находящийся дальше.

Свифт участвовал в нескольких гонках с такими людьми, как Алекс Вановер (чемпион мира Drone Racing League 2019 года), Томас Битматта (чемпион MultiGP 2019 года) и Марвин Шеппер (трехкратный чемпион Швейцарии).

Среди них Свифт выиграл 5 из 9 партий у А. Вановера, 4 из 7 игр у Т. Битматты и 6 из 9 игр у М. Шеппера.

Кроме того, Swift потерпел неудачу в общей сложности 10 раз, 40% из которых произошло из-за столкновений с противниками, 40% из-за столкновений с дверями и 20% из-за полета медленнее, чем пилоты-люди.

**В целом Свифт выиграл большинство гонок у всех пилотов-людей. Кроме того, Свифт установил рекорд самого быстрого времени в гонке, на полсекунды опередив лучшее время, достигнутое пилотом-человеком А. Вановером. **

Из анализа данных видно, что Swift быстрее всех пилотов-людей в целом, особенно в таких ключевых моментах, как взлет и аварийные развороты. Время реакции на взлет Swift быстрее, в среднем на 120 миллисекунд, чем у пилотов-людей. Кроме того, Swift имеет большее ускорение, достигая более высоких скоростей на первых воротах.

Кроме того, Swift демонстрирует более жесткие маневры во время крутых поворотов, возможно, потому, что он оптимизирует траектории в течение более длительных периодов времени. Напротив, пилоты-люди предпочитают планировать маневры в более короткие сроки, принимая во внимание не более одного положения ворот в будущем.

Кроме того, **Свифт достиг самой высокой средней скорости на всей трассе, нашел самые короткие гоночные трассы и успешно удерживал самолет в полете на пределе своих возможностей. **В испытании на время, сравнивающем Swift с чемпионом-человеком, автономный дрон показал более стабильное время прохождения круга с более низким средним значением и дисперсией, в то время как результаты пилота-человека были более индивидуальными, со средним значением и дисперсией выше.

Комплексный анализ показывает, что автономный дрон Swift продемонстрировал отличные результаты в соревнованиях: он не только превосходил в скорости, но и обладал уникальными характеристиками в стратегии полета, позволяющими ему сохранять высокий уровень производительности на протяжении всего соревнования.

Не только гонки на дронах

В этом исследовании изучаются автономные гонки дронов на основе шумных и неполных сенсорных сигналов из физической среды, демонстрируя, что автономная физическая система достигает производительности чемпионата в гонках, иногда превосходя чемпионов мира среди людей. Оно подчеркивает важность достижения роботами производительности уровня чемпионата мира. в популярных видах спорта и достигает важной вехи в области робототехники и интеллекта.

Однако система, участвовавшая в исследовании, не была обучена восстановлению после аварии по сравнению с пилотами-людьми. Это ограничивает способность системы продолжать полет после удара, тогда как пилот-человек может продолжать гонку, несмотря на повреждение оборудования.

Кроме того, система Swift менее адаптируется к изменениям окружающей среды, чем пилот-человек, использующий камеру с более низкой частотой обновления; хотя этот метод превосходен в автономных гонках дронов, он неэффективен в других реальных условиях. еще не до конца изучены.

Очевидно, что достижения Кауфмана и его команды не ограничиваются гонками дронов, поскольку эта технология может найти применение в военных целях. Более того, их технология может сделать дроны более плавными, быстрыми и дальними, помогая роботам более эффективно использовать ограниченные ресурсы в таких областях, как вождение, уборка и осмотр.

Но для достижения этих целей исследовательской группе еще предстоит решить множество задач. Как пишет Крон в своей обзорной статье: «Чтобы победить пилота-человека в любой гоночной среде, система должна быть способна справляться с внешними возмущениями, такими как ветер, изменение условий освещения, плохо определенные ворота, а также человек и машина и многие другие. другие факторы».

Ссылка на бумагу