Περίληψη άρθρου:
Ερευνητές από το Πανεπιστήμιο της Ζυρίχης και την Intel ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης με την ονομασία Swift, το οποίο νίκησε παγκόσμιους πρωταθλητές σε αγώνες με μη επανδρωμένα αεροσκάφη. Το Swift εκπαιδεύτηκε σε ένα προσομοιωμένο περιβάλλον χρησιμοποιώντας ενισχυτική μάθηση και είναι ικανό να αντιδρά σε πραγματικό χρόνο σε δεδομένα που συλλέγονται από μια ενσωματωμένη κάμερα. Ενώ το Swift πέτυχε τον ταχύτερο χρόνο γύρου, οι ανθρώπινοι πιλότοι εξακολουθούσαν να είναι πιο προσαρμοστικοί στις μεταβαλλόμενες συνθήκες. Η ανάπτυξη αυτόνομων μη επανδρωμένων αεροσκαφών που μπορούν να πετούν ταχύτερα είναι σημαντική για εφαρμογές όπως η περιβαλλοντική παρακολούθηση, η εξερεύνηση του διαστήματος, η κινηματογράφηση και οι αποστολές διάσωσης.

Κύρια σημεία του άρθρου:

• Οι ερευνητές της UZH σχεδίασαν ένα σύστημα τεχνητής νοημοσύνης με την ονομασία "Swift" που νίκησε τους παγκόσμιους πρωταθλητές σε αγώνες με μη επανδρωμένα αεροσκάφη.
• Το Swift εκπαιδεύτηκε σε ένα προσομοιωμένο περιβάλλον και χρησιμοποιεί μια ενσωματωμένη κάμερα, μια μονάδα αδρανειακής μέτρησης και βαθιά νευρωνικά δίκτυα για τον έλεγχο του drone.
• Το Swift πέτυχε τον ταχύτερο γύρο με προβάδισμα μισού δευτερολέπτου σε σχέση με τον καλύτερο γύρο ενός ανθρώπινου πιλότου.
• Οι πραγματικές εφαρμογές αυτής της τεχνολογίας περιλαμβάνουν την περιβαλλοντική παρακολούθηση, την αντιμετώπιση καταστροφών, την παρακολούθηση δασών, την εξερεύνηση του διαστήματος και τη μαγνητοσκόπηση σκηνών δράσης.

Αναλυτικά το άρθρο:
Σε ένα ορόσημο για την τεχνητή νοημοσύνη (ΤΝ), το σύστημα ΤΝ "Swift", που σχεδιάστηκε από ερευνητές του UZH, νίκησε τους παγκόσμιους πρωταθλητές σε αγώνες με drone - ένα αποτέλεσμα που φαινόταν ανέφικτο πριν από λίγα χρόνια. Το τηλεκατευθυνόμενο από τεχνητή νοημοσύνη drone εκπαιδεύτηκε σε ένα προσομοιωμένο περιβάλλον. Οι εφαρμογές στον πραγματικό κόσμο περιλαμβάνουν την παρακολούθηση του περιβάλλοντος ή την αντιμετώπιση καταστροφών.

Θυμάστε όταν το Deep Blue της IBM κέρδισε τον Γκάρι Κασπάροφ στο σκάκι το 1996 ή το AlphaGo της Google συνέτριψε τον κορυφαίο πρωταθλητή Lee Sedol στο Go, ένα πολύ πιο πολύπλοκο παιχνίδι, το 2016; Αυτοί οι διαγωνισμοί όπου οι μηχανές επικράτησαν επί των ανθρώπινων πρωταθλητών αποτελούν βασικά ορόσημα στην ιστορία της τεχνητής νοημοσύνης. Τώρα μια ομάδα ερευνητών από το Πανεπιστήμιο της Ζυρίχης και την Intel έθεσε ένα νέο ορόσημο με το πρώτο αυτόνομο σύστημα που είναι ικανό να νικήσει τους ανθρώπινους πρωταθλητές σε ένα φυσικό άθλημα: τους αγώνες με drone.

Το σύστημα τεχνητής νοημοσύνης, που ονομάζεται Swift, κέρδισε πολλαπλούς αγώνες εναντίον τριών πρωταθλητών παγκόσμιας κλάσης στους αγώνες με drone με θέα πρώτου προσώπου (FPV), όπου οι πιλότοι πετούν τετρακόπτερα με ταχύτητες που ξεπερνούν τα 100 χλμ/ώρα, ελέγχοντάς τα εξ αποστάσεως φορώντας ένα ακουστικό συνδεδεμένο με μια ενσωματωμένη κάμερα.

Μάθηση με αλληλεπίδραση με τον φυσικό κόσμο
"Τα φυσικά αθλήματα αποτελούν μεγαλύτερη πρόκληση για την ΤΝ, επειδή είναι λιγότερο προβλέψιμα από τα επιτραπέζια ή τα βιντεοπαιχνίδια. Δεν έχουμε τέλεια γνώση των μοντέλων του drone και του περιβάλλοντος, οπότε η τεχνητή νοημοσύνη πρέπει να τα μάθει αλληλεπιδρώντας με τον φυσικό κόσμο", λέει ο Davide Scaramuzza, επικεφαλής της ομάδας ρομποτικής και αντίληψης στο Πανεπιστήμιο της Ζυρίχης - και πρόσφατα ανακηρυγμένος αρχηγός της ομάδας αγώνων drone.

Μέχρι πολύ πρόσφατα, τα αυτόνομα drones χρειάζονταν διπλάσιο χρόνο από εκείνα που πιλοτάρονταν από ανθρώπους για να πετάξουν μέσα σε μια πίστα αγώνων, εκτός αν βασίζονταν σε ένα εξωτερικό σύστημα εντοπισμού θέσης για τον ακριβή έλεγχο της τροχιάς τους. Το Swift, ωστόσο, αντιδρά σε πραγματικό χρόνο στα δεδομένα που συλλέγονται από μια ενσωματωμένη κάμερα, όπως αυτή που χρησιμοποιούν οι ανθρώπινοι δρομείς. Η ενσωματωμένη μονάδα αδρανειακής μέτρησης μετρά την επιτάχυνση και την ταχύτητα, ενώ ένα τεχνητό νευρωνικό δίκτυο χρησιμοποιεί δεδομένα από την κάμερα για να εντοπίσει το drone στο χώρο και να ανιχνεύσει τις πύλες κατά μήκος της πίστας αγώνων. Αυτές οι πληροφορίες τροφοδοτούνται σε μια μονάδα ελέγχου, επίσης βασισμένη σε ένα βαθύ νευρωνικό δίκτυο, η οποία επιλέγει την καλύτερη ενέργεια για να τερματίσει την πίστα όσο το δυνατόν γρηγορότερα.

Εκπαίδευση σε βελτιστοποιημένο περιβάλλον προσομοίωσης
Το Swift εκπαιδεύτηκε σε ένα περιβάλλον προσομοίωσης όπου έμαθε μόνο του να πετάει με δοκιμή και σφάλμα, χρησιμοποιώντας έναν τύπο μηχανικής μάθησης που ονομάζεται ενισχυτική μάθηση. Η χρήση της προσομοίωσης βοήθησε να αποφευχθεί η καταστροφή πολλών μη επανδρωμένων αεροσκαφών στα αρχικά στάδια της εκμάθησης, όταν το σύστημα συχνά καταρρέει. "Για να βεβαιωθούμε ότι οι συνέπειες των ενεργειών στον προσομοιωτή ήταν όσο το δυνατόν πιο κοντά σε αυτές του πραγματικού κόσμου, σχεδιάσαμε μια μέθοδο βελτιστοποίησης του προσομοιωτή με πραγματικά δεδομένα", λέει ο Elia Kaufmann, πρώτος συγγραφέας της δημοσίευσης. Σε αυτή τη φάση, το drone πετούσε αυτόνομα χάρη στις πολύ ακριβείς θέσεις που παρείχε ένα εξωτερικό σύστημα εντοπισμού θέσης, ενώ παράλληλα κατέγραφε δεδομένα από την κάμερά του. Με αυτόν τον τρόπο έμαθε να διορθώνει αυτόματα τα λάθη που έκανε ερμηνεύοντας τα δεδομένα από τους ενσωματωμένους αισθητήρες.

Οι ανθρώπινοι πιλότοι εξακολουθούν να προσαρμόζονται καλύτερα στις μεταβαλλόμενες συνθήκες
Μετά από ένα μήνα προσομοίωσης πτήσης, που αντιστοιχεί σε λιγότερο από μία ώρα σε έναν επιτραπέζιο υπολογιστή, το Swift ήταν έτοιμο να προκαλέσει τους ανθρώπινους ανταγωνιστές του: τον πρωταθλητή του 2019 Drone Racing League Alex Vanover, τον πρωταθλητή του 2019 MultiGP Drone Racing Thomas Bitmatta και τον τρεις φορές Ελβετό πρωταθλητή Marvin Schaepper. Οι αγώνες πραγματοποιήθηκαν μεταξύ 5 και 13 Ιουνίου 2022, σε μια ειδικά κατασκευασμένη πίστα σε ένα υπόστεγο του αεροδρομίου Dübendorf, κοντά στη Ζυρίχη. Η πίστα κάλυπτε μια έκταση 25 επί 25 μέτρα, με επτά τετράγωνες πύλες που έπρεπε να περάσουν με τη σωστή σειρά για να ολοκληρωθεί ένας γύρος, συμπεριλαμβανομένων απαιτητικών ελιγμών, όπως το Split-S, ένα ακροβατικό χαρακτηριστικό που περιλαμβάνει μισό κύλισμα του drone και εκτέλεση ενός κατερχόμενου μισού βρόχου με πλήρη ταχύτητα.

Συνολικά, το Swift πέτυχε τον ταχύτερο γύρο, με προβάδισμα μισού δευτερολέπτου σε σχέση με τον καλύτερο γύρο από ανθρώπινο πιλότο. Από την άλλη πλευρά, οι ανθρώπινοι πιλότοι αποδείχθηκαν πιο προσαρμοστικοί από το αυτόνομο drone, το οποίο απέτυχε όταν οι συνθήκες ήταν διαφορετικές από αυτές για τις οποίες είχε εκπαιδευτεί, π.χ. αν υπήρχε πολύ φως στο δωμάτιο.

Η διεύρυνση των δυνατοτήτων της αυτόνομης πτήσης είναι σημαντική και πέρα από τους αγώνες με drone, σημειώνει ο Scaramuzza. "Τα μη επανδρωμένα αεροσκάφη έχουν περιορισμένη χωρητικότητα μπαταρίας- χρειάζονται το μεγαλύτερο μέρος της ενέργειάς τους μόνο για να παραμείνουν στον αέρα. Έτσι, πετώντας ταχύτερα αυξάνουμε τη χρησιμότητά τους". Σε εφαρμογές όπως η παρακολούθηση των δασών ή η εξερεύνηση του διαστήματος, για παράδειγμα, η γρήγορη πτήση είναι σημαντική για την κάλυψη μεγάλων χώρων σε περιορισμένο χρόνο. Στην κινηματογραφική βιομηχανία, τα γρήγορα αυτόνομα μη επανδρωμένα αεροσκάφη θα μπορούσαν να χρησιμοποιηθούν για τη λήψη σκηνών δράσης. Και η ικανότητα πτήσης με υψηλές ταχύτητες θα μπορούσε να κάνει τεράστια διαφορά για τα μη επανδρωμένα αεροσκάφη διάσωσης που στέλνονται στο εσωτερικό ενός κτιρίου που καίγεται.

Πηγή: Challenge Accepted: High-speed AI Drone Overtakes World-Champion Drone Racers