Аўтаномны беспілотнік, кіраваны ШІ (сіні), паказаў найлепшы час у агульным заліку, апярэдзіўшы на паўсекунды лепшы час пілота-чалавека. (Выява: University of Zurich / Leonard Bauersfeld)
Памятаеце, калі Deep Blue ад IBM упершыню выйграў у Гары Каспарава ў шахматы ў 1996 годзе? Або як у 2016 годзе AlphaGo ад Google разграміў чэмпіёна Лі Седола ў го — значна складанейшая лагічная гульня, якая патрабуе ад гульца глыбокага стратэгічнага мыслення? Гэтыя спаборніцтвы, дзе машыны пераважалі над людзьмі, з'яўляюцца важнымі вехамі ў гісторыі ШІ. Цяпер група даследчыкаў з University of Zurich і Intel распрацавалі аўтаномную сістэму, здольную перамагчы чэмпіёнаў у фізічным відзе спорту: гонках беспілотнікаў.
Сістэма ШІ пад назвай Swift выйграла некалькі гонак супраць трох чэмпіёнаў сусветнага класа ў гонках беспілотнікаў з кіраваннем ад першай асобы, дзе пілоты кіруюць квадракоптарамі на хуткасцях больш за 100 км/г з дапамогай надзетай гарнітуры, злучанай з бартавой камерай.
Фізічныя віды спорту больш складаныя для ШІ, таму што яны менш прадказальныя, чым настольныя або відэагульні. Паколькі звычайна ва ўдзельнікаў няма дасканалых ведаў аб мадэлях беспілотнікаў і навакольнага асяроддзя, штучнаму інтэлекту трэба навучацца, узаемадзейнічаючы непасрэдна з фізічным светам, тлумачыць University of Zurich.
Да нядаўняга часу аўтаномным беспілотнікам патрабавалася ўдвая больш часу, чым тым, якія пілатуюцца людзьмі, каб праляцець па трэку, калі яны не спадзяваліся на знешнюю сістэму адсочвання месцазнаходжання для дакладнага кантролю сваіх траекторый. Swift, аднак, рэагуе на даныя, сабраныя бартавой камерай, у рэжыме рэальнага часу. Гэта аддалена падобна на тое, як пілатуюць апараты жывыя гоншчыкі.
Інтэграваны інерцыйны вымяральны блок вымярае паскарэнне і хуткасць, у той час як штучная нейронавая сетка выкарыстоўвае даныя з камеры, каб лакалізаваць беспілотнік у прасторы і выявіць вароты ўздоўж трэка. Гэтая інфармацыя паступае ў блок кіравання, таксама заснаваны на глыбокай нейроннай сетцы, якая абірае найлепшае дзеянне згодна з пастаўленай задачай.
Swift навучаўся спачатку ў сімуляваным асяроддзі, дзе ён вучыўся лётаць метадам спроб і памылак, выкарыстоўваючы тып машыннага навучання, які называецца навучаннем з падмацаваннем. Выкарыстанне сімуляцыі дапамагло пазбегнуць знішчэння некалькіх беспілотнікаў на ранніх этапах навучання, калі сістэма часта дае збоі.
Пасля месяца сімуляцыі палёту — што адпавядае менш чым гадзіне на настольным ПК — Swift быў гатовы кінуць выклік сваім канкурэнтам-людзям. Гонкі праходзілі на спецыяльна пабудаваным трэку ў ангары аэрапорта Дзюбендорф недалёка ад Цюрыха. Траса ахоплівала плошчу 25 на 25 метраў з сямю квадратнымі варотамі, якія трэба было прайсці ў правільным парадку, каб прайсці кола, уключаючы складаныя манеўры.
У выніку Swift зрабіў самае хуткае кола з адрывам у паўсекунды ад лепшага кола пілота-чалавека. Тым не менш, людзі-пілоты ўсё ж лепш прыстасоўваюцца да зменлівых умоў. Прынамсі пакуль. Так пілоты-людзі аказаліся больш адаптыўнымі, чым аўтаномны беспілотнік, які выходзіў з ладу, калі ўмовы адрозніваліся ад тых, для якіх яго рыхтавалі, напрыклад, калі ў памяшканні было занадта шмат святла.
Стваральнікі адзначаюць, што дасягнутыя добрыя вынікі аўтаномнага палёту важныя не толькі ў гонках беспілотнікаў. Паколькі дроны маюць абмежаваную ёмістасць батарэі, ім патрабуецца большая частка энергіі, каб заставацца ў паветры.
Такім чынам, большая хуткасць і арыентаванне павялічвае іх карыснасць пры выкананні розных задач. Напрыклад, у такіх праграмах, як маніторынг лясоў або даследаванне космасу, важны хуткі палёт, каб пакрыць вялікія прасторы за абмежаваны час. У кінаіндустрыі хуткія аўтаномныя дроны могуць выкарыстоўвацца для здымак экшн-сцэн, не кажучы ўжо пра вялікае значэнне для выратавальных беспілотных лятальных апаратаў, якія, напрыклад, адпраўляюцца ў будынак, што гарыць.
Чытайце таксама:
Вадкія нейронавыя сеткі дапамагаюць дронам лепш арыентавацца ў незнаёмым асяроддзі
