Рой дронов без GPS летает лучше Tesla. Секрет — в мозге мухи
NewsMakerИ всё это — на камере 12×16 и микросхеме, дешевле проездного.
Исследователи из Шанхайского университета Цзяо Тун разработали необычайно лёгкую и недорогую систему на базе искусственного интеллекта, которая позволяет дронам действовать в составе роя и самостоятельно маневрировать в сложной обстановке с высокой скоростью. Причём — без участия человека, без громоздкого оборудования и даже без привычной иерархии управления.
В отличие от традиционной многоуровневой архитектуры, где картография, прокладка маршрута, избегание препятствий и управление движением реализуются как отдельные модули, учёные применили иной принцип. В их решении задействована компактная сквозная нейросеть , которая напрямую обучается управлению полётом, используя симулируемую физику. Такой подход на основе дифференцируемых моделей и механизма обратного распространения ошибок даёт возможность быстро адаптировать поведение модели и добиваться устойчивых результатов вне лаборатории.
Отдельное внимание привлекает минимализм сенсорной части. Вместо дорогих камер и сложных сенсоров система использует крошечную камеру глубины с разрешением всего 12×16 пикселей — изображение сопоставимо с низкокачественным аналогом зрения. Однако именно эта ограниченность, как поясняют авторы, приближает модель к зрительному восприятию насекомых, у которых схожая фрагментарная визуальная система.
Тем не менее, даже столь скудной визуальной информации оказалось достаточно, чтобы беспилотник, управляемый ИИ, в реальном времени обходил препятствия и уверенно летел через узкие проходы. На испытаниях дроны достигали скорости до 20 метров в секунду — это вдвое быстрее, чем у предшествующих алгоритмов навигации на основе обучения. При этом точность прохождения загромождённого пространства составила 90%, тогда как у более ранних решений она не превышала 60%.
Программное ядро системы запускается на простой микроплате стоимостью всего $21 — без графических ускорителей или специализированных процессоров. Производительности такой платы хватает для автономного функционирования, а сама конфигурация делает массовое производство ройных дронов технически и экономически доступным. Открываются перспективы применения в чрезвычайных ситуациях, инспекциях, съёмке и других сценариях, где требуется множество автономных агентов.
Обучение модели также отличается от привычной практики. Разработчики полностью отказались от использования реальных данных: не применялись ни журналы полётов, ни размеченные выборки, ни записи с действующих дронов. Вся подготовка проходила в симуляции — в искусственно созданных геометрических мирах с встроенной физической моделью. Такой способ позволил избежать затрат на сбор датасетов и одновременно получить поведение, легко переносимое в реальную среду.
Ещё один необычный результат — координация без связи. Во время полётов в группе ИИ-модели не обмениваются сообщениями и не нуждаются в центральном управляющем узле. Тем не менее, поведение дронов остаётся согласованным — возникает самоупорядоченность, напоминающая повадки роевых организмов. Для ройной робототехники, где сбои связи — норма, такая автономия особенно ценна, как показали недавние исследования в этой области .
Сейчас команда работает над заменой камеры глубины на датчики оптического потока — те, что отслеживают движение и давно используются в изучении навигационных стратегий насекомых. Разработчики надеются, что такая замена позволит ещё ближе приблизиться к биологическим аналогам ориентации. Кроме того, ведётся работа над интерпретируемостью: учёные анализируют, какие сигналы нейросеть использует при принятии решений и можно ли сделать её поведение более объяснимым.
Исследователи из Шанхайского университета Цзяо Тун разработали необычайно лёгкую и недорогую систему на базе искусственного интеллекта, которая позволяет дронам действовать в составе роя и самостоятельно маневрировать в сложной обстановке с высокой скоростью. Причём — без участия человека, без громоздкого оборудования и даже без привычной иерархии управления.
В отличие от традиционной многоуровневой архитектуры, где картография, прокладка маршрута, избегание препятствий и управление движением реализуются как отдельные модули, учёные применили иной принцип. В их решении задействована компактная сквозная нейросеть , которая напрямую обучается управлению полётом, используя симулируемую физику. Такой подход на основе дифференцируемых моделей и механизма обратного распространения ошибок даёт возможность быстро адаптировать поведение модели и добиваться устойчивых результатов вне лаборатории.
Отдельное внимание привлекает минимализм сенсорной части. Вместо дорогих камер и сложных сенсоров система использует крошечную камеру глубины с разрешением всего 12×16 пикселей — изображение сопоставимо с низкокачественным аналогом зрения. Однако именно эта ограниченность, как поясняют авторы, приближает модель к зрительному восприятию насекомых, у которых схожая фрагментарная визуальная система.
Тем не менее, даже столь скудной визуальной информации оказалось достаточно, чтобы беспилотник, управляемый ИИ, в реальном времени обходил препятствия и уверенно летел через узкие проходы. На испытаниях дроны достигали скорости до 20 метров в секунду — это вдвое быстрее, чем у предшествующих алгоритмов навигации на основе обучения. При этом точность прохождения загромождённого пространства составила 90%, тогда как у более ранних решений она не превышала 60%.
Программное ядро системы запускается на простой микроплате стоимостью всего $21 — без графических ускорителей или специализированных процессоров. Производительности такой платы хватает для автономного функционирования, а сама конфигурация делает массовое производство ройных дронов технически и экономически доступным. Открываются перспективы применения в чрезвычайных ситуациях, инспекциях, съёмке и других сценариях, где требуется множество автономных агентов.
Обучение модели также отличается от привычной практики. Разработчики полностью отказались от использования реальных данных: не применялись ни журналы полётов, ни размеченные выборки, ни записи с действующих дронов. Вся подготовка проходила в симуляции — в искусственно созданных геометрических мирах с встроенной физической моделью. Такой способ позволил избежать затрат на сбор датасетов и одновременно получить поведение, легко переносимое в реальную среду.
Ещё один необычный результат — координация без связи. Во время полётов в группе ИИ-модели не обмениваются сообщениями и не нуждаются в центральном управляющем узле. Тем не менее, поведение дронов остаётся согласованным — возникает самоупорядоченность, напоминающая повадки роевых организмов. Для ройной робототехники, где сбои связи — норма, такая автономия особенно ценна, как показали недавние исследования в этой области .
Сейчас команда работает над заменой камеры глубины на датчики оптического потока — те, что отслеживают движение и давно используются в изучении навигационных стратегий насекомых. Разработчики надеются, что такая замена позволит ещё ближе приблизиться к биологическим аналогам ориентации. Кроме того, ведётся работа над интерпретируемостью: учёные анализируют, какие сигналы нейросеть использует при принятии решений и можно ли сделать её поведение более объяснимым.