Самообучающиеся дроны с ИИ DroNet летают без gps и карт

МЕНЮ


Искусственный интеллект. Новости
Поиск
Регистрация на сайте

ТЕМЫ


Новости ИИРазработка ИИРабота разума и сознаниеВнедрение ИИРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

Авторизация



RSS


RSS новости

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



Поддержи проект ai-news рублем. Машины верят в тебя! >>



Комментарии: