Автопилот для дронов научился скоростным полетам в лесу |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-10-21 06:50 Инженеры из Швейцарии разработали автопилот для дронов, который способен управлять ими на высокой скорости при полетах в незнакомом окружении, выбирая безопасный маршрут для маневрирования между множеством препятствий. Для этого они использовали методы машинного обучения, натренировав нейросетевой агент находить оптимальные траектории для движения, используя только информацию о скорости, положении в пространстве и изображения от бортовых 3D-камер дрона. Для демонстрации возможностей алгоритма в реальных условиях, дрон испытали в различных окружениях. Например, автопилот продемонстрировал способность управлять квадрокоптером со скоростью от 3 до 7 метров в секунду в лесу, избегая столкновений с деревьями и их ветвями, а также пролетать через узкие проемы на высокой скорости. При этом алгоритм не требует больших вычислительных ресурсов и ему достаточно возможностей бортового компьютера дрона. Статья опубликована в журнале Science Robotics. Современные квадрокоптеры обладают чрезвычайно высокой маневренностью и подвижностью. Они способны быстро менять направление движения, резко ускоряться и замедляться, совершать перевороты в воздухе и двигаться на высокой скорости. Это делает их пилотирование, особенно в окружении большого числа препятствий, непростой задачей и требует длительной подготовки пилотов. Инженеры давно работают над созданием автопилота, способного управлять мультикоптерами на уровне профессиональных пилотов в условиях неизвестного окружения с большим числом препятствий. Это позволило бы снизить степень человеческого участия в управлении дронами и расширить спектр задач, выполняемых ими в полностью автономном режиме. Основными сдерживающими факторами при создании автопилота для управления дроном на высоких скоростях выступают неполнота знаний об окружении, которая следует из несовершенства сенсоров, и ограниченные вычислительные способности бортового оборудования. Алгоритм должен уметь с минимально возможной задержкой планировать траекторию, полет по которой возможен физически для дрона и которая свободна от препятствий, опираясь при этом только на быстро меняющиеся данные бортовых сенсоров, которые содержат шумы и искажения, вызванные быстрым движением и постоянно изменяющимся уровнем освещения. Инженеры из Цюрихского университета под руководством Давиде Скарамузза (Davide Scaramuzza) разработали алгоритм автопилота, который соответствует перечисленным требованиям и способен управлять дроном на высокой скорости в незнакомом окружении, содержащем большое количество препятствий сложной формы. Для экспериментов инженеры построили квадрокоптер весом 890 граммов с коэффициентом тяговооруженности 4,4. По характеристикам получившаяся платформа сопоставима с гоночными дронами, которые используются профессиональными пилотами в соревнованиях. В качестве главного бортового компьютера используется NVIDIA Jetson TX2, графический модуль которого используется для нейросетевых расчетов, а центральный процессор осуществляет управление дроном, посылая команды на полетный контроллер. Для получения информации об окружающем мире используются две камеры глубины Intel RealSense, которые позволяют получать информацию о глубине изображения, а следовательно оценивать расстояния до объектов в поле зрения. Вместо того чтобы разделять задачу поиска оптимальной траектории полета на отдельные подзадачи распознавания и планирования маршрута, разработчики применили сквозной подход. Нейросетевой сенсомоторный агент напрямую переводит изображения со стереокамер размерностью 640 на 480 точек, а также информацию о скорости и положении дрона в пространстве в оптимальные траектории движения в выбранном направлении, которые затем преобразуются в команды для полетного компьютера и сигналы для роторов дрона. Такой подход позволяет значительно снизить временные задержки при вычислении маршрута. Для обучения сенсомоторного агента разработчики применили имитационное обучение, которое осуществляется с помощью эксперта — алгоритма, обладающего полной информацией об окружении и состоянии дрона и генерирующего наборы оптимальных траекторий, огибающих препятствия на выбранном направлении движения с помощью алгоритма семплирования Метрополиса-Гастингса. Так как в реальном мире невозможно получить весь объем информации о состоянии окружения, тренировки и последующее тестирование производилось в симуляторе для квадрокоптеров Flightmare, а модели окружения создавались из ассетов игрового движка Unity. Сцены для тренировок состояли из случайно расставленных на пути модели дрона препятствий в виде деревьев и геометрических тел разной формы и размеров. Сцены для тестирования возможностей алгоритма имитировали лес с плотной случайной расстановкой деревьев, а также городскую среду с домами, дорожными знаками, автомобилями и столбами, а также индустриальные пейзажи с множеством препятствий разной формы и размеров. В дальнейшем, обученный алгоритм перенесли без каких-либо изменений и испытали на настоящем дроне в условиях реального леса и индустриальных пейзажей. Дрон с новым автопилотом подтвердил возможность перемещаться на высокой скорости от 3 до 10 метров в секунду через пространство с множеством внезапно возникающих препятствий. Так, например, дрон под управлением автопилота продемонстрировал способность уворачиваться в полете от внезапно появляющихся на его пути ветвей деревьев. На скоростях до 5 метров в секунду дрон прошел все испытания без единого столкновения, а с увеличением скорости до 10 метров в секунду возрастало число ошибок, но количество успешных испытаний, когда дрон без столкновений достигал заданной точки, превосходило случаи, в которых происходили столкновения.
В одном из экспериментов тестовый дрон должен был вылететь из ангара на максимальной скорости через узкую щель в дверях. Коммерческий квадрокоптер, перемещающийся с максимальной скоростью 2,7 метров в секунду в двух испытаниях останавливался перед дверьми, считая, что окно выхода слишком мало, а в третьем испытании столкнулся со стеной, тогда как дрон с тестируемым автопилотом успешно пролетел через узкий выход во всех шести испытаниях со скоростью от 3 до 5 метров в секунду. В будущем разработчики планируют продолжить работу над улучшением алгоритма автопилота для управления полетом на скоростях свыше 10 метров в секунду. Стереоизображения для автономного распознавания препятствий на пути беспилотника в полете ранее также использовали американские инженеры из Массачусетского технологического института. Они разработали алгоритм, который по изображению с двух камер, установленных на крыльях дрона, позволяет вовремя распознавать опасность столкновения с препятствием и уходить от него на скорости до 50 километров в час. Для того чтобы дроны могли действовать в группах важно, чтобы они не только умели эффективно маневрировать между препятствиями, которые они встречают на пути, но и не допускать столкновений с другими дронами. Американские инженеры использовали методы глубокого обучения для того, чтобы научить дронов прокладывать путь через пространство с препятствиями, при этом избегая столкновений между собой. Разработанный ими алгоритм также учитывает аэродинамические возмущения, создаваемые винтами дронов во время полета, позволяя уменьшить влияние воздушных потоков на траекторию движения дронов в рое при близких пролетах. Андрей Фокин Источник: nplus1.ru Комментарии: |
|