Помните, когда IBM Deep Blue выиграла у Гэри Каспарова в шахматы в 1996 году, или Google AlphaGo разгромила главного чемпиона Ли Седоля в Го, гораздо более сложной игре, в 2016 году? Эти соревнования, в которых машины одержали верх над чемпионами-людьми, являются ключевыми вехами в истории искусственного интеллекта. Теперь группа исследователей из Цюрихского университета и компании Intel установила новую веху, создав первую автономную систему, способную победить чемпионов среди людей в физическом виде спорта: гонках на дронах.
Система искусственного интеллекта под названием Swift выиграла несколько гонок у трех чемпионов мирового класса в гонках дронов с видом от первого лица (FPV) , где пилоты управляют квадрокоптерами со скоростью, превышающей 100 км/ч, управляя ими удаленно, надевая гарнитуру, подключенную к бортовому устройству. камера.
Обучение путем взаимодействия с физическим миром
«Физические виды спорта являются более сложными для ИИ, потому что они менее предсказуемы, чем настольные или видеоигры. У нас нет идеальных знаний о моделях дронов и окружающей среды, поэтому ИИ должен изучать их, взаимодействуя с физическим миром», — говорит Давиде Скарамуцца, руководитель группы робототехники и восприятия Цюрихского университета и новоиспеченный капитан команды по гонкам на дронах.
До недавнего времени автономным дронам требовалось вдвое больше времени, чем пилотируемым людьми, чтобы пролететь по гоночной трассе, если только они не полагались на внешнюю систему отслеживания положения для точного контроля своей траектории. Однако Swift реагирует в режиме реального времени на данные, собранные бортовой камерой, подобной той, которую используют гонщики. Его интегрированный инерционный измерительный блок измеряет ускорение и скорость, а искусственная нейронная сеть использует данные с камеры для локализации дрона в пространстве и обнаружения ворот на гоночной трассе. Эта информация поступает в блок управления , также основанный на глубокой нейронной сети, который выбирает лучшее действие для максимально быстрого завершения схемы.
Обучение в оптимизированной среде моделирования
Swift обучался в моделируемой среде, где он учился летать методом проб и ошибок, используя тип машинного обучения, называемый обучением с подкреплением. Использование моделирования помогло избежать уничтожения нескольких дронов на ранних этапах обучения, когда система часто выходит из строя. «Чтобы убедиться, что последствия действий в симуляторе были максимально приближены к реальным , мы разработали метод оптимизации симулятора с использованием реальных данных», — говорит Элия Кауфманн, первый автор статьи.
На этом этапе дрон летел автономно благодаря очень точным позициям, обеспечиваемым внешней системой отслеживания положения, а также записывал данные со своей камеры. Таким образом он научился автоисправлять ошибки, допущенные при интерпретации данных бортовых датчиков.
Пилоты-люди по-прежнему лучше адаптируются к меняющимся условиям
После месяца моделирования полета , что соответствует менее чем часу на настольном ПК, Swift был готов бросить вызов своим конкурентам-людям: чемпиону Drone Racing League 2019 года Алексу Вановеру, чемпиону MultiGP Drone Racing 2019 года Томасу Битматте и трем кратный чемпион Швейцарии Марвин Шеппер. Гонки проходили с 5 по 13 июня 2022 года на специально построенной трассе в ангаре аэропорта Дюбендорф недалеко от Цюриха.
Трасса занимала площадь 25 на 25 метров с семью квадратными воротами, которые нужно было пройти в правильном порядке, чтобы пройти круг, включая сложные маневры, включая Split-S, акробатический трюк, который включает в себя полуперекат дрона и выполнение нисходящая полупетля на полной скорости.
В целом Свифт показал самый быстрый круг, опередив на полсекунды лучший круг пилота-человека. С другой стороны, пилоты-люди оказались более адаптируемыми, чем автономные дроны, которые терпели неудачу, когда условия отличались от тех, для которых они были подготовлены, например, если в комнате было слишком много света.
Расширение возможностей автономного полета — это нечто большее, чем просто гонки на дронах , отмечает Скарамуцца. «У дронов ограниченная емкость аккумулятора; большая часть энергии им нужна только для того, чтобы оставаться в воздухе. Таким образом, летая быстрее, мы увеличиваем их полезность».
Например, в таких приложениях, как мониторинг лесов или исследование космоса, быстрый полет важен для покрытия больших пространств за ограниченное время. В киноиндустрии быстрые автономные дроны могут использоваться для съемки боевых сцен. А способность летать на высоких скоростях может иметь огромное значение для спасательных дронов, отправленных внутрь горящего здания.
