Drones υψηλής ταχύτητας πετώντας στο άγνωστο με τεχνητή νοημοσύνη (βίντεο)

Όταν έρχεται η ώρα για την εξερεύνηση και κίνηση των drone εντός πολύπλοκων και άγνωστων περιοχών, όπως δάση, κτίρια ή σπηλιές, τότε τα πράγματα είναι δύσκολα. 

Τα drone είναι γρήγορα, ευέλικτα και μικρά και μπορούν να μεταφέρουν αισθητήρες και ωφέλιμο φορτίο σχεδόν παντού. Ωστόσο, τα αυτόνομα drone δύσκολα μπορούν να βρουν το δρόμο τους μέσα από ένα άγνωστο περιβάλλον χωρίς χάρτη. Προς το παρόν, χρειάζονται ειδικοί άνθρωποι-πιλότοι για να απελευθερώσουν το πλήρες δυναμικό των drones.

«Για να κατακτήσετε την αυτόνομη ευέλικτη πτήση, πρέπει να κατανοήσετε το περιβάλλον σε κλάσματα δευτερολέπτου, για να πετάξετε το drone σε μονοπάτια χωρίς σύγκρουση», λέει ο Davide Scaramuzza, ο οποίος ηγείται της Ομάδας Robotics and Perception στο Πανεπιστήμιο της Ζυρίχης και του NCCR Robotics Rescue. «Αυτό είναι πολύ δύσκολο τόσο για τους ανθρώπους όσο και για τις μηχανές. Οι έμπειροι άνθρωποι πιλότοι μπορούν να φτάσουν σε αυτό το επίπεδο μετά από χρόνια επιμονής και εκπαίδευσης. Αλλά οι μηχανές εξακολουθούν να παλεύουν». 

Ο αλγόριθμος τεχνητής νοημοσύνης (AI) μαθαίνει το drone να πετάει στον πραγματικό κόσμο...

Σε μια νέα μελέτη, ο Scaramuzza και η ομάδα του εκπαίδευσαν ένα αυτόνομο τετρακόπτερο να πετάει μέσα σε περιβάλλοντα όπως δάση, κτίρια, ερείπια και τρένα, διατηρώντας ταχύτητες έως και 40 km/h, χωρίς να προσκρούει σε δέντρα, τοίχους ή άλλα εμπόδια. Όλα αυτά επιτεύχθηκαν βασιζόμενοι μόνο στις ενσωματωμένες κάμερες και στους υπολογισμούς του τετρακόπτερου.

Το νευρωνικό δίκτυο του drone έμαθε να πετά, παρακολουθώντας ένα είδος "προσομοιωμένου ειδικού" - έναν αλγόριθμο που πέταξε ένα drone που δημιουργήθηκε από υπολογιστή μέσα από ένα προσομοιωμένο περιβάλλον γεμάτο πολύπλοκα εμπόδια. Ανά πάσα στιγμή, ο αλγόριθμος είχε πλήρεις πληροφορίες για την κατάσταση του drone και μετρήσεις από τους αισθητήρες του και μπορούσε να βρίσκει πάντα την καλύτερη τροχιά.

Ένας τέτοιος «προσομοιωμένος εμπειρογνώμονας» δεν θα μπορούσε να χρησιμοποιηθεί εκτός προσομοίωσης, αλλά τα δεδομένα του χρησιμοποιήθηκαν για να διδάξει στο νευρωνικό δίκτυο, πώς να προβλέπει την καλύτερη τροχιά με βάση μόνο τα δεδομένα από τους αισθητήρες. Αυτό είναι ένα σημαντικό πλεονέκτημα σε σχέση με τα υπάρχοντα συστήματα, τα οποία χρησιμοποιούν πρώτα δεδομένα αισθητήρων για να δημιουργήσουν έναν χάρτη του περιβάλλοντος και στη συνέχεια σχεδιάζουν τροχιές εντός του χάρτη – δύο βήματα που απαιτούν χρόνο και καθιστούν αδύνατη την πτήση σε υψηλές ταχύτητες. 

  

Δεν χρειάζεται ακριβές αντίγραφο του πραγματικού κόσμου

Αφού εκπαιδεύτηκε στην προσομοίωση, το σύστημα δοκιμάστηκε στον πραγματικό κόσμο, όπου ήταν σε θέση να πετάξει σε διάφορα περιβάλλοντα χωρίς συγκρούσεις με ταχύτητες έως και 40 km/h. «Ενώ οι άνθρωποι χρειάζονται χρόνια για να εκπαιδευτούν, η τεχνητή νοημοσύνη, αξιοποιώντας προσομοιωτές υψηλής απόδοσης, μπορεί να φτάσει σε συγκρίσιμες ικανότητες πλοήγησης πολύ πιο γρήγορα, βασικά σε μια νύχτα», λέει ο Antonio Loquercio, διδάκτορας και συγγραφέας της εργασίας. «Είναι ενδιαφέρον ότι αυτοί οι προσομοιωτές δεν χρειάζεται να είναι ένα ακριβές αντίγραφο του πραγματικού κόσμου.

Οι εφαρμογές δεν περιορίζονται σε τετρακόπτερα. Οι ερευνητές εξηγούν ότι η ίδια προσέγγιση θα μπορούσε να είναι χρήσιμη για τη βελτίωση της απόδοσης των αυτόνομων αυτοκινήτων ή ακόμη και να ανοίξει την πόρτα σε έναν νέο τρόπο εκπαίδευσης συστημάτων AI για λειτουργίες σε τομείς, όπου η συλλογή δεδομένων είναι δύσκολη ή αδύνατη...