Автономный беспилотник, управляемый ИИ (синий), показал лучшее время в общем зачете, опередив на полсекунды лучшее время пилота-человека. (Изображение: University of Zurich / Leonard Bauersfeld)
Помните, когда Deep Blue от IBM впервые выиграл у Гарри Каспарова в шахматы в 1996 году? Или как в 2016 году AlphaGo от Google разгромил чемпиона Ли Седола в го — гораздо более сложная логическая игра, которая требует от игрока глубокого стратегического мышления? Эти соревнования, в которых машины доминировали над людьми, являются важными вехами в истории ИИ. Теперь группа исследователей из University of Zurich и Intel разработали автономную систему, способную победить чемпионов в физическом виде спорта: гонках беспилотников.
Система ИИ под названием Swift выиграла несколько гонок против трех чемпионов мирового класса в гонках беспилотников с управлением от первого лица, где пилоты управляют квадрокоптерами на скоростях более 100 км/ч с помощью надетой гарнитуры, соединенной с бортовой камерой.
Физические виды спорта более сложны для ИИ, потому что они менее предсказуемы, чем настольные или видеоигры. Поскольку обычно у участников нет совершенных знаний о моделях беспилотников и окружающей среды, искусственному интеллекту нужно обучаться, взаимодействуя непосредственно с физическим миром, поясняет University of Zurich.
До недавнего времени автономным беспилотникам требовалось вдвое больше времени, чем тем, которые пилотируются людьми, чтобы пролететь по треку, если они не надеялись на внешнюю систему отслеживания местоположения для точного контроля своих траекторий. Swift, однако, реагирует на данные, собранные бортовой камерой, в реальном времени. Это отдаленно похоже на то, как пилотируют аппараты живые гонщики.
Интегрированный инерционный измерительный блок измеряет ускорение и скорость, в то время как искусственная нейронная сеть использует данные с камеры, чтобы локализовать беспилотник в пространстве и обнаружить ворота вдоль трека. Эта информация поступает в блок управления, также основанный на глубокой нейронной сети, которая избирает наилучшее действие согласно поставленной задаче.
Swift сначала обучался в симулированной среде, где он учился летать методом проб и ошибок, используя тип машинного обучения, называемый обучением с подкреплением. Использование симуляции помогло избежать уничтожения нескольких беспилотников на ранних этапах обучения, когда система часто дает сбои.
После месяца симуляции полета — что соответствует менее чем часу на настольном ПК — Swift был готов бросить вызов своим конкурентам-людям. Гонки проходили на специально построенном треке в ангаре аэропорта Дюбендорф недалеко от Цюриха. Трасса охватывала площадь 25 на 25 метров с семью квадратными воротами, которые нужно было пройти в правильном порядке, чтобы пройти колесо, включая сложные маневры.
В результате Swift сделал самое быстрое колесо с отрывом в полсекунды от лучшего колеса пилота-человека. Однако люди-пилоты все же лучше приспосабливаются к изменяющимся условиям. По крайней мере пока. Так пилоты-люди оказались более адаптивными, чем автономный беспилотник, который выходил из строя, когда условия отличались от тех, для которых его готовили, например, когда в помещении было слишком много света.
Создатели отмечают, что достигнутые хорошие результаты автономного полета важны не только в гонках беспилотников. Поскольку дроны имеют ограниченную емкость батареи, им требуется большая часть энергии, чтобы оставаться в воздухе.
Таким образом, большая скорость и ориентирование увеличивает их полезность при выполнении различных задач. Например, в таких программах, как мониторинг лесов или исследование космоса, важен быстрый полет, чтобы покрыть большие пространства за ограниченное время. В киноиндустрии быстрые автономные дроны могут использоваться для съемок экшн-сцен, не говоря уже о большом значении для спасательных беспилотных летательных аппаратов, которые, например, отправляются в горящее здание.
Читайте также:
Жидкие нейронные сети помогают дронам лучше ориентироваться в незнакомой среде
