Самообучающиеся дроны с ИИ DroNet летают без gps и карт

МЕНЮ


Искусственный интеллект. Новости
Поиск

ТЕМЫ


Новости ИИРабота разумаВнедрение ИИРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

RSS


RSS новости

Авторизация



Новостная лента форума ailab.ru

Два года назад робототехники из лаборатории Дэвида Скарамуззы в Цюрихском университете использовали машинное обучение, камеру и простой коммерческий дрон, чтобы провести полет по лесу без использования GPS. Подход выдался удачным, и на этот раз та же команда представила новую работу, в ходе которой они обучили беспилотный самолет пролетать по улицам города в соответствии с данными, собранными от автомобилей и велосипедистов, - сообщает Robotics.ua.

Эффективная и бюджетная навигация

Большинство автономных летательных аппаратов, которые перемещаются без заранее установленной карты, полагаются на систему одновременной локализации и сопоставления «map-localize-plan». Дроны из Цюриха также используют в качестве ориентира камеру событий. Создание карты, локализация и планирование безопасного движения, является, безусловно, надежным способом передвижения, но для этого нужны большие, сложные и очень дорогие энергоемкие датчики и компьютеры. Для коммерчески доступных дронов это просто невозможно.

К счастью, можно заменить все это оборудование подходом, ориентированным на машинное обучение. Учитывая достаточно большой набор данных, показывающий правильный способ выполнения задачи, вы можете обучить нейронную сеть реагировать на поведение подобно человеку. В реальной загруженной среде, например в городе, это сделать достаточно трудно. Хотя в этих средах уже имеется множество наборов данных, благодаря чему все автономные транспортные устройства перемещаются. Эти наборы данных не идеальны для обучения беспилотного летательного аппарата, но они включают в себя ассоциации между изображениями камеры и вероятностями столкновения.

Скарамузза и его коллеги смогли просто собрать свой собственный набор учебных материалов let's-not-run-in-stuff, поставив GoPro на велосипед и ехать через Цюрих. Набор данных автомобиля и набор данных для велосипеда были использованы для обучения DroNet – сверточной нейронной сети, которая может безопасно контролировать дрон по улицам города.

Используя изображение монокулярной камеры в качестве входного сигнала, DroNet инструктирует БПЛА двигаться вперед с определенным углом поворота и скоростью. Скорость уменьшается в зависимости от вероятности столкновения. Все данные для обучения поступают с улиц, но исследователи обнаружили, что он действительно хорошо работает и в других средах, например, внутри зданий и гаражей, хотя для обучения сети не использовались внутренние данные.

Подробнее о данной работе профессор Скарамузза рассказал в следующем интервью:

Можете ли вы описать, как это исследование улучшает навигацию квадрокоптера и чем оно отличается от лесных испытаний?

DroNet использует совершенно другой подход в отношении этой работы. Фактически, в первой работе сеть просто узнавала след и выводила на выходе дискретное действие (центр, влево, вправо). DroNet наоборот непрерывно выводит команды управления, что приводит к значительно более плавной производительности. Кроме того, DroNet может также распознавать опасные ситуации, такие как пешеходы или байкеры, пересекающие дорогу, и может быстро реагировать на них, останавливая беспилотник.

Насколько хорошо DroNet работает? Вы говорите, что она действует в закрытых помещениях и в гаражах. Насколько должна различаться окружающая среда, чтобы бросить вызов системе? Существуют ли конкретные ситуации, в которых ваши алгоритмы

имеют проблемы или ненадежны?

Степень обобщения широко показана в видео ниже. Иногда даже мы были удивлены тому, насколько хорошо у нас все выходило. Мы попытались понять, почему это происходит, и обнаружили, что сеть реагирует конкретно на «линейные» функции в среде. Так обстоит дело, например, на улицах, на автостоянках, в коридорах внутри помещений и во всех других средах, где присутствуют подобные линии.

Однако места, где эти функции не указывают направление движения, или где они слишком плотные, определенно вызовут у DroNet трудности. Это, например, при полете в лесу без четкого следа.

В пресс-релизе говорится, что «исследовательская группа предупреждает о преувеличенных ожиданиях того, что могут делать легкие, дешевые дроны». Какие преувеличения вы имеете в виду и чего ожидать от таких дронов?

Это исследование пока что очень сырое. В настоящий момент сеть выводит данные об углу поворота и вероятности столкновения. Поэтому движение ограничено на постоянной высоте. Кроме того, она не интегрирована с другими задачами, такими как разведка.

То, что мы хотим показать с помощью этого исследования – это чего можно достичь с помощью такой простой сети. Поэтому полученные нами результаты имеют значение для всех платформ с ограниченными ресурсами и могут даже применяться к нано-дронам (размером с ладонь и несколько десятков ватт потребляемой мощности), чтобы заставить их перемещаться по городской среде.

Над чем вы работаете дальше?

Наши дальнейшие шаги направлены на то, чтобы сделать дрон более подвижным в своих маневрах, намного быстрее и удалить ограничение движения в 2D среде. Кроме того, мы хотели бы, чтобы они были немного умнее. То к чему мы стремимся, это дроны, которые могут летать точно так же, как птицы.  

Видео Dronet

Ольга Славинская


Источник: robotics.ua