Разработанная учеными из University of Zurich (UZH) ИИ система Swift обошла чемпионов мира по гонкам на беспилотниках - результат, который еще несколько лет назад казался недостижимым. Беспилотник, управляемый ИИ, был обучен в симулированной среде. В реальном мире Swift может применяться для мониторинга окружающей среды или ликвидации последствий стихийных бедствий.
В 1996 году компьютер Deep Blue компании IBM выиграл у Гари Каспарова в шахматы, а в 2016 году компьютер AlphaGo компании Google разгромил лучшего игрока в го Ли Седоля, гораздо более сложной игре. Эти соревнования, в которых машины одержали победу над людьми, являются ключевыми вехами в истории развития ИИ. Теперь группа исследователей из UZH и компании Intel установила новую веху, создав первую автономную систему, способную победить человека в физическом виде спорта.
Система Swift выиграла несколько гонок у трех чемпионов мирового класса в гонках дронов с видом от первого лица (FPV), где пилоты управляют квадрокоптерами на скорости более 100 км/ч.
"Физические виды спорта более сложны для ИИ, поскольку они менее предсказуемы, чем настольные или видеоигры. Мы не обладаем совершенными знаниями о моделях дронов и окружающей среды, поэтому ИИ должен изучать их, взаимодействуя с физическим миром", - говорит Давиде Скарамуцца, руководитель группы робототехники и восприятия UZH.
До недавнего времени автономным беспилотникам требовалось в два раза больше времени, чем пилотируемым человеком, чтобы пролететь по гоночной трассе, если они не полагались на внешнюю систему отслеживания положения для точного контроля траектории. Swift же реагирует в реальном времени на данные, получаемые с помощью бортовой камеры, подобной той, что используется пилотами. Встроенный инерциальный блок измеряет ускорение и скорость, а нейронная сеть использует данные с камеры для локализации дрона в пространстве и обнаружения ворот на гоночной трассе. Эта информация поступает в блок управления, который выбирает оптимальные действия для скорейшего завершения трассы.
Обучение Swift проводилось в симуляционной среде, где он сам учился летать методом проб и ошибок, используя обучение с подкреплением. Использование симуляции позволило избежать уничтожения беспилотников на ранних этапах обучения, когда система часто сбоит.
"Чтобы последствия действий в симуляторе были максимально приближены к реальным, мы разработали метод оптимизации симулятора с использованием реальных данных, - говорит Элиа Кауфман, первый автор статьи. - На этом этапе беспилотник совершал автономный полет, ориентируясь на очень точные координаты, предоставляемые внешней системой отслеживания положения, и одновременно записывая данные с камеры. Таким образом, он научился самостоятельно исправлять ошибки, допущенные при интерпретации данных с бортовых датчиков".
После месяца полетов в симуляторе, что соответствует менее чем часу на настольном ПК, исследователи бросили вызов чемпиону Drone Racing League 2019 года Алексу Вановеру, чемпиону MultiGP Drone Racing 2019 года Томасу Битматту и трехкратному чемпиону Швейцарии Марвину Шепперу. Соревнования проходили на специально построенной трассе в ангаре аэропорта Дюбендорф, расположенного недалеко от Цюриха. Площадь трассы составляла 25 на 25 метров, на ней располагались семь квадратных ворот, которые необходимо было пройти в правильном порядке, чтобы завершить круг, включая сложные маневры.
В целом Swift показал самый быстрый круг, на полсекунды опередив лучший результат человека. С другой стороны, человек лучше адаптируется к внешним изменениям, чем автономный беспилотник, который не справился с задачей, когда условия отличались от тех, к которым он был подготовлен, например, если в помещении было слишком много света.
Скарамуцца отмечает, что расширение возможностей автономного полета важно не только для гонок беспилотников: "Дроны имеют ограниченную емкость аккумулятора; большая часть энергии им требуется только для того, чтобы оставаться в воздухе. Таким образом, увеличивая скорость полета, мы повышаем эффективность их использования".
В таких областях, как мониторинг лесов или исследование космоса, скорость полета важна для охвата больших пространств за ограниченное время. В киноиндустрии быстрые автономные беспилотники могут использоваться для съемок экшн-сцен. А способность летать на высоких скоростях в ограниченных условиях может иметь огромное значение для спасательных беспилотников, направляемых внутрь горящего здания.
Соревнования прошли в июне 2022 года. Вчера в Nature был опубликован материал "Champion-level drone racing using deep reinforcement learning".