Connect with us

Deutsch

Beobachten Sie, wie diese autonomen Drohnen durch den Wald rasen

Published

on

Universität Zürich

Erfahrene menschliche Drohnenpiloten haben sich als unglaublich geschickt darin erwiesen, UAV durch komplexe Kurse mit hohen Geschwindigkeiten zu steuern, die von autonomen Systemen immer noch unerreicht sind. Aber Forscher der Universität Zürich und Intel Labs arbeiten zusammen, um dies zu ändern, und ihre Arbeit, die kürzlich in der Zeitschrift vorgestellt wurde Wissenschaftsrobotik, könnte weitreichende Auswirkungen auf die Zukunft kommerzieller Drohnen haben.

„Die autonome Navigation in Umgebungen mit sich ständig ändernden Bedingungen ist auf sehr niedrige Geschwindigkeiten beschränkt“, erklärt Matthias Müller, Leiter des Embodied AI Lab bei Intel Labs. “Dadurch können Drohnen in realen Situationen, in denen etwas Unerwartetes ihren Weg blockieren kann und die Zeit eine Rolle spielt, nicht effizient arbeiten.”

Das ist offensichtlich ein großes Hindernis für den sicheren Einsatz von Drohnen für den kommerziellen Einsatz. Die Lösung scheint darin zu bestehen, die Entscheidungsfähigkeit von erfahrenen Piloten zu nutzen, um Drohnen zu trainieren, um autonom zu funktionieren.

„In Zusammenarbeit mit der Universität Zürich konnten wir zeigen, wie sich eine ausschließlich auf Simulation trainierte Drohne durch Nachahmung eines erfahrenen Piloten in herausfordernden realen Szenarien und Umgebungen verhalten kann, die während des Trainings des Faltungsnetzwerks nicht verwendet wurden “, sagt Müller. „Die trainierte autonome Drohne konnte durch bisher ungesehene Umgebungen wie Wälder, Gebäude und Züge fliegen und Geschwindigkeiten von bis zu 40 km/h halten, ohne gegen Bäume, Wände oder andere Hindernisse zu stoßen – und das alles, während sie sich nur auf ihre Onboard-Kameras verlassen konnte und Berechnung.”

Die Ergebnisse wurden erzielt, indem das neuronale Netzwerk der Drohne von einem simulierten Expertenpiloten lernte, der eine virtuelle Drohne durch eine simulierte Umgebung voller komplexer Hindernisse flog. Der Experte hatte Zugriff auf die vollständige 3D-Umgebung, während das neuronale Netzwerk der Drohne nur Zugriff auf die Kamerabeobachtungen mit realistischem Sensorrauschen und unvollständiger Zustandsschätzung hatte.

Dieses Ungleichgewicht bei den Eingaben (was Forscher als “privilegierten Experten” bezeichnen) zwang die Drohne zu lernen, unter nicht idealen Bedingungen mit außergewöhnlicher Geschicklichkeit zu handeln. Der Quadrotor zeigte eine Verringerung der Latenz zwischen Wahrnehmung und Aktion bei gleichzeitiger Widerstandsfähigkeit gegenüber Wahrnehmungsartefakten wie Bewegungsunschärfe, fehlenden Daten und Sensorrauschen.

„Bestehende Systeme verwenden Sensordaten, um eine Karte der Umgebung zu erstellen und dann Trajektorien innerhalb der Karte zu planen – diese Schritte erfordern Zeit und Fehler, die es den Drohnen unmöglich machen, mit hohen Geschwindigkeiten zu fliegen“, sagt Müller. „Im Gegensatz zu aktuellen Systemen könnten künftige Drohnen in einer simulierten Umgebung die Navigation durchgängig lernen, bevor sie in die reale Welt gehen , Suche und Rettung, Landwirtschaft und Logistik und mehr.”

Einer der Vorteile dieses Systems ist seine Anwendbarkeit auf eine Vielzahl von realen Umgebungen. Der in der Forschung demonstrierte Ansatz umfasste Experimente, die in einer Reihe von von Menschenhand geschaffenen Umgebungen (z. B. simulierte Katastrophengebiete und städtische Straßen) sowie in verschiedenen natürlichen Umgebungen (Wälder unterschiedlicher Art und Dichte und steiles schneebedecktes Berggelände) getestet wurden. Zukünftige Anwendungsgebiete der Technologie könnten Katastrophenhilfeszenarien, Baustellen, Suche und Rettung, Landwirtschaft und Logistik sowie Zustellung sein.

Continue Reading

Copyright © 2021 Meta Mag Inc.