AI antaa droonien lentää ilman karttoja tai antureita
Voivatko droonit lentää yksinään ilman karttoja tai ylimääräisiä osia?Uusi järjestelmä osoittaa, kuinka fysiikka ja pienet verkot voivat tehdä sen mahdolliseksi.
Shanghai Jiao Tong -yliopiston tutkijat ovat kehittäneet uuden tavan auttaa drooneja navigoimaan omillaan alueilla luottamatta suuriin tai kalliisiin komponentteihin.Tämä lähestymistapa perustuu hyönteisten liikkeestä ja yhdistää syvän oppimisen fysiikan perusperiaatteisiin, antaen droonien liikkua tilojen läpi kartoittamatta tai ulkoista hallintaa.
Ehdotettu järjestelmä käyttää sen sijaan päähän-hermoverkkoa, joka ottaa RAW-anturitiedot ja antaa suoraan hallintasignaaleja.Tämä malli jäljittelee kuinka hyönteiset liikkuvat käyttämällä muutamaa hermoresurssia ilman kartoitusta tai suunnittelua.
Järjestelmä toimii 12 × 16 syvyyskartalla ja hallitsee edelleen navigointia.Vaikka resoluutio on alhainen, tiedot antavat tarpeeksi vihjeitä ANN: lle droonin liikkeen ohjaamiseksi ja esteiden välttämiseksi.Harjoittelu tehtiin simulaattorissa käyttämällä yksinkertaisia muotoja erilaisten ympäristöjen luomiseen.Fysiikan moottori oli osa harjoitussilmukkaa, mikä mahdollisti oppia yhden ja monen droni-asetuksissa.Muita drooneja käsiteltiin liikkuvina esteinä.
Yksi järjestelmän vahvuus on sen rakenne.Se käyttää kolme konvoluutiokerrosta ja toimii 21 dollarin laskentakortilla.Harjoittelu vie kaksi tuntia GPU: lla.Malli tukee Swarm -navigointia suunnittelematta tai viestintää droonien välillä, mikä on helppoa skaalata.
Aikaisemmat syvän oppimisen mallit tarvitsivat merkityt tiedot ja epäonnistuivat usein laboratorio -asetusten ulkopuolella.Tämä lähestymistapa sisältää dronin fysiikan mallin koulutuksessa, mikä parantaa koulutuksenopeutta ja yleistystä muihin olosuhteisiin, etenkin liikkumisen ja vakauden kannalta.
Tutkijat osoittivat, että pienet mallit voivat sovittaa tai voittaa suuria tietojoukkoja koulutettuja suuria malleja.Tämä kyseenalaistaa ajatuksen, että enemmän tietoja on aina parempi.Sen sijaan fyysisen tiedon ja hyvin sopeutuneiden harjoitusolosuhteiden käyttö voi toimia paremmin.
Keinotekoinen hermoverkko (ANN), alle 2 Mt parametrien kanssa, antaa droonien lentää nopeudella 20 m/s käyttämällä vain syvyystuloa.Tämä osoittaa, että vahvat fysiikan sisäiset mallit voivat olla hyödyllisempiä kuin korkean jälkeiset anturit.
Vaikka järjestelmä oli koulutettu simulaatioon, se osoitti laajaa yleistystä.Se voisi tukea tehtäviä, kuten drone-kilpa, kuvaaminen, varastotarkastus sekä etsintä ja pelastus GPS-rajoitetuilla alueilla.Tutkimus osoittaa, kuinka fysiikan kanssa koulutetut yksinkertaiset hermoverkot voivat tukea droonien autonomiaa mittakaavassa.
