Trang bìa mới nhất của Nature: AI đánh bại nhà vô địch thế giới loài người và lập kỷ lục đua máy bay không người lái nhanh nhất

Tác giả: Yan Yimi, biên tập: Xue Jun

Trí tuệ nhân tạo (AI) một lần nữa đánh bại nhà vô địch con người.

Lần này là trong lĩnh vực đua máy bay không người lái.

Nhóm của Tiến sĩ Elia Kaufmann từ Nhóm Robotics và Nhận thức của Đại học Zurich và nhóm Intel của cô đã cùng nhau thiết kế một hệ thống lái xe tự động - Swift, có khả năng điều khiển máy bay không người lái trong một lần Đánh bại đối thủ là con người trong một lần- trận tranh chức vô địch một chọi một.

Kết quả nghiên cứu bom tấn này vừa được đăng tải dưới dạng bài viết trang bìa trên tạp chí Nature số mới nhất.

Hình ảnh | Bìa số mới nhất của tạp chí Nature. (Nguồn: Thiên nhiên)

Trong một bài báo tin tức và quan điểm được xuất bản cùng lúc trên tạp chí Nature, Giáo sư Guido de Croon, nhà nghiên cứu tại Đại học Công nghệ Delft ở Hà Lan, đã viết: "Nghiên cứu của Kaufmann và cộng sự là một bước tiến tuyệt vời đối với các nhà chế tạo robot trong việc khắc phục khoảng cách thực tế. Ví dụ điển hình. Mặc dù Swift được đào tạo bằng cách sử dụng sự kết hợp thông minh giữa kỹ thuật học tập AI và thuật toán kỹ thuật truyền thống, hệ thống cần được phát triển hơn nữa trong môi trường thực tế và đa dạng hơn để phát huy hết tiềm năng của công nghệ này."

Tuy nhiên, nhóm nghiên cứu cho biết nghiên cứu này đánh dấu một cột mốc quan trọng trong robot di động và trí thông minh máy móc, đồng thời có thể truyền cảm hứng cho việc triển khai các giải pháp dựa trên học tập kết hợp trong các hệ thống vật lý khác, chẳng hạn như phương tiện tự hành trên mặt đất, phương tiện trên không và robot cá nhân.

##Đào tạo thông minh tích hợp AI và thuật toán kỹ thuật

Hiện tại, các hệ thống trí tuệ nhân tạo (AI) dựa trên học tăng cường sâu đã vượt trội hơn các nhà vô địch con người trong các trò chơi như trò chơi Atari, cờ vua, StarCraft và Gran Turismo. Tuy nhiên, những thành tựu này đều diễn ra trong môi trường ảo chứ không phải thế giới thực.

Đua máy bay không người lái là một thách thức đối với cả phi công giàu kinh nghiệm và AI, nhưng nó thậm chí còn khó khăn hơn đối với AI. Vì trong môi trường ảo, tài nguyên gần như vô hạn, trong khi chuyển sang thế giới thực đồng nghĩa với việc phải sử dụng tài nguyên hạn chế. Điều này đặc biệt đúng đối với máy bay không người lái, vì các cảm biến và thiết bị điện toán thay thế phi công con người phải được đưa lên không trung.

Ngoài ra, thế giới thực còn khó lường hơn thế giới ảo. Mặc dù máy bay không người lái đua xe mô phỏng có thể di chuyển hoàn hảo theo quỹ đạo được lập trình sẵn, nhưng một lệnh duy nhất được đưa ra cho máy bay không người lái có thể có nhiều tác động và rất khó dự đoán tác động, điều này đặc biệt phức tạp đối với máy bay không người lái được huấn luyện thông qua AI.

Các phương pháp học tập từ đầu đến cuối truyền thống rất khó chuyển ánh xạ môi trường ảo sang thế giới thực, có khoảng cách thực tế giữa ảo và thực tế, và khoảng cách thực tế là một trong những thách thức chính trong lĩnh vực robot.

Trong nghiên cứu này, hệ thống Swift đã đạt được mục tiêu đào tạo thông minh bằng cách kết hợp các kỹ thuật học tập AI với các thuật toán kỹ thuật truyền thống. Đầu tiên, hệ thống xử lý hình ảnh được máy bay không người lái chụp từ camera thông qua mạng lưới thần kinh nhân tạo để phát hiện chính xác các góc cửa. Sau đó, phần mềm thị giác hai mắt được sử dụng để tính toán tốc độ của máy bay không người lái.

Sự đổi mới của hệ thống Swift nằm ở một mạng lưới thần kinh nhân tạo khác, giúp ánh xạ trạng thái của máy bay không người lái thành các lệnh điều chỉnh lực đẩy và tốc độ quay. Bằng cách sử dụng học tăng cường, phần thưởng thu được từ môi trường được tối ưu hóa thông qua quá trình thử và sai trong mô phỏng. Trong thuật toán này, hệ thống sử dụng học tăng cường thay vì học từ đầu đến cuối, cho phép hệ thống thu hẹp khoảng cách giữa thực tế và mô phỏng thông qua các khái niệm trừu tượng.

Do mức độ trừu tượng của mã hóa trạng thái cao hơn mức độ trừu tượng của hình ảnh gốc nên trình mô phỏng học tăng cường không còn yêu cầu môi trường trực quan phức tạp nữa. Việc tối ưu hóa này làm giảm sự khác biệt giữa hệ thống mô phỏng và hệ thống thực, đồng thời tăng tốc độ mô phỏng, cho phép hệ thống học trong khoảng 50 phút.

Theo bài báo, Swift bao gồm hai mô-đun chính: chính sách quan sát và chính sách kiểm soát. Trong số đó, chính sách quan sát bao gồm một công cụ ước tính quán tính trực quan và một bộ dò cổng, có thể chuyển đổi thông tin quán tính và hình ảnh chiều cao thành mã hóa chiều thấp dành riêng cho nhiệm vụ; chính sách điều khiển được thể hiện bằng một perceptron hai lớp, có thể chấp nhận mã hóa chiều thấp và chuyển đổi nó thành các lệnh bay không người lái.

Vượt qua tốc độ và hiệu suất của phi công con người

Đường đua cho cuộc thi này được thiết kế bởi một phi công FPV (góc nhìn thứ nhất) đẳng cấp thế giới bên ngoài. Đường đua gồm 7 cổng hình vuông, bố trí trong không gian 30 x 30 x 8 mét, tạo thành một mạch dài 75 mét.

Ngoài ra, đường đua còn có các thao tác đặc biệt và đầy thử thách, bao gồm Split-S và hơn thế nữa. Ngay cả khi xảy ra va chạm, chỉ cần máy bay có thể tiếp tục bay thì phi công vẫn có thể tiếp tục cuộc đua. Trong trường hợp va chạm và cả máy bay không người lái đều không thể hoàn thành đường đua, máy bay không người lái có khoảng cách xa hơn sẽ chiến thắng.

Swift đã thi đấu trong nhiều cuộc đua với những cái tên như Alex Vanover (Nhà vô địch thế giới Drone Racing League 2019), Thomas Bitmatta (Nhà vô địch MultiGP 2019) và Marvin Schaepper (Nhà vô địch Thụy Sĩ 3X).

Trong số đó, Swift thắng 5/9 trận trước A. Vanover, 4/7 trận trước T. Bitmatta và 6/9 trận trước M. Schaepper.

Ngoài ra, Swift thất bại tổng cộng 10 lần, 40% trong số đó là do va chạm với đối thủ, 40% do va chạm với cửa và 20% do bay chậm hơn phi công con người.

**Nhìn chung, Swift đã thắng hầu hết các cuộc đua với mọi phi công là con người. Ngoài ra, Swift còn lập kỷ lục về thời gian đua nhanh nhất, đánh bại thời gian tốt nhất mà phi công con người A. Vanover đạt được là nửa giây. **

Có thể thấy từ phân tích dữ liệu rằng Swift nhanh hơn tất cả các phi công con người nói chung, đặc biệt là trong những phần quan trọng như cất cánh và rẽ khẩn cấp. Thời gian phản ứng cất cánh của Swift ngắn hơn, trung bình sớm hơn 120 mili giây so với phi công con người. Ngoài ra, Swift tăng tốc nhiều hơn, đạt tốc độ cao hơn ở cổng đầu tiên.

Ngoài ra, Swift thể hiện khả năng di chuyển chặt chẽ hơn trong những khúc cua gấp, có thể vì nó tối ưu hóa quỹ đạo của mình trong khoảng thời gian dài hơn. Ngược lại, các phi công con người thích lập kế hoạch hành động trong khoảng thời gian ngắn hơn, có tính đến nhiều nhất một vị trí cổng trong tương lai.

Ngoài ra, **Swift đã đạt được tốc độ trung bình cao nhất trên đường đua tổng thể, tìm ra đường đua ngắn nhất và giữ cho máy bay bay gần giới hạn của nó thành công. **Trong thử nghiệm thời gian so sánh Swift với một nhà vô địch con người, máy bay không người lái tự động cho thấy thời gian vòng đua ổn định hơn, với giá trị trung bình và phương sai thấp hơn, trong khi hiệu suất của phi công con người mang tính cá nhân hơn, với giá trị trung bình và Phương sai cao hơn.

Phân tích toàn diện cho thấy máy bay không người lái tự động Swift đã thể hiện thành tích xuất sắc trong cuộc thi, không chỉ vượt trội về tốc độ mà còn có những đặc điểm độc đáo trong chiến lược bay, cho phép nó duy trì hiệu suất cao trong suốt cuộc thi.

Không chỉ là đua xe không người lái

Nghiên cứu này khám phá cuộc đua máy bay không người lái tự động dựa trên đầu vào cảm giác ồn ào và không đầy đủ từ môi trường vật lý, chứng minh rằng hệ thống vật lý tự trị đạt được thành tích ở cấp độ vô địch trong cuộc đua, đôi khi vượt qua các nhà vô địch thế giới của con người. thể thao, đạt được một cột mốc quan trọng về robot và trí thông minh.

Tuy nhiên, hệ thống trong nghiên cứu không được đào tạo để phục hồi sau một vụ tai nạn so với phi công là con người. Điều này hạn chế khả năng tiếp tục bay của hệ thống sau khi va chạm, trong khi phi công có thể tiếp tục đua bất chấp hư hỏng phần cứng.

Ngoài ra, hệ thống Swift kém thích ứng với những thay đổi của môi trường hơn so với phi công con người, sử dụng máy ảnh có tốc độ làm mới thấp hơn; mặc dù phương pháp này vượt trội trong các cuộc đua máy bay không người lái tự động, nhưng nó không hiệu quả trong các khả năng Tổng quát hóa trong thế giới thực khác trên các hệ thống và môi trường. vẫn chưa được khám phá đầy đủ.

Rõ ràng, những gì Kaufmann và nhóm của ông đạt được không chỉ giới hạn ở các cuộc đua máy bay không người lái, vì công nghệ này có thể được sử dụng trong các ứng dụng quân sự. Hơn nữa, công nghệ của họ có thể giúp máy bay không người lái mượt mà hơn, nhanh hơn và tầm hoạt động xa hơn, giúp robot sử dụng các nguồn lực hạn chế hiệu quả hơn trong các lĩnh vực như lái xe, dọn dẹp và kiểm tra.

Nhưng để đạt được những mục tiêu này, nhóm nghiên cứu vẫn cần giải quyết nhiều thách thức. Như Croon đã nêu trong bài đánh giá của mình, "Để đánh bại một phi công con người trong bất kỳ môi trường đua nào, hệ thống phải có khả năng đối phó với các nhiễu loạn bên ngoài như gió, thay đổi điều kiện ánh sáng, các cổng được xác định kém, Con người-máy và nhiều thứ khác." các yếu tố khác."

###Liên kết giấy