ИИ использует визуальный вид для оценки расстояний для дронов

Новый оптический потоковый процесс обучения, разработанный командой исследователей в TU Delft и Вестфальском университете прикладных наук, позволяет роботам оценивать расстояния по визуальному виду объектов в поле зрения. Визуальный вид может включать факторы, такие как форма, цвет и текстура.

Используя эту стратегию обучения на основе ИИ, можно улучшить навигацию небольших летающих дронов.

Статья была опубликована в прошлом месяце в Nature Machine Intelligence.

Роботы против насекомых

Чтобы небольшие летающие роботы обладали тем же уровнем автономности, который мы видим в больших самоходных транспортных средствах, им необходимо продемонстрировать тот же уровень развитого интеллекта, который присутствует у летающих насекомых, что можно сделать с помощью высокоэффективных систем ИИ.

Небольшие летающие роботы, которые в настоящее время представлены на рынке, не несут необходимое количество датчиков и вычислительной мощности на борту, что является одной из самых больших проблем, связанных с этой технологией.

В природном мире насекомые полагаются на «оптический поток», который представляет собой то, как объекты движутся в поле зрения насекомого. Этот оптический поток позволяет им приземляться на цветы и избегать хищников. То, что удивительно в этом оптическом потоке, заключается в том, что он прост, несмотря на то, что используется для сложных задач.

Гвидо де Крон – профессор биоинспирированных микроавтомобилей и первый автор статьи.

«Наша работа над оптическим потоком началась с энтузиазма по поводу элегантных, простых стратегий, используемых летающими насекомыми», – сказал он. «Однако разработка методов управления для реализации этих стратегий в летающих роботах оказалась далеко не тривиальной. Например, наши летающие роботы не приземлялись, а начинали колебаться, постоянно поднимаясь и опускаясь прямо над поверхностью приземления».

https://www.youtube.com/watch?v=A50Wl311rmU&feature=emb_title

Оптический поток

Существует два основных ограничения оптического потока. Во-первых, он предоставляет смешанную информацию о расстоянии и скоростях и не предоставляет информацию о каждом из них отдельно. Во-вторых, оптический поток очень мал в направлении движения дрона, что имеет последствия для избегания препятствий. Другими словами, робот имеет наибольшие трудности с обнаружением объектов, к которым он движется.

«Мы поняли, что обе проблемы оптического потока исчезнут, если роботы смогут интерпретировать не только оптический поток, но и визуальный вид объектов в их окружении», – сказал Гвидо де Крон. «Это позволит роботам видеть расстояния до объектов в сцене подобно тому, как мы, люди, можем оценить расстояния на статичной картинке. Единственный вопрос был: Как робот может научиться видеть расстояния таким образом?»

В новом подходе, разработанном исследователями, роботы полагаются на колебания, чтобы узнать, как выглядят объекты в их окружении в зависимости от расстояния. Например, дрон может научиться, насколько тонка текстура травы в зависимости от высоты, на которой он находится во время приземления.

Кристоф Де Вагтер – исследователь в TU Delft и соавтор статьи.

«Обучение видеть расстояние с помощью визуального вида привело к более быстрому и плавному приземлению, чем мы достигли раньше», – сказал он. «Более того, для избегания препятствий роботы теперь также могли четко видеть препятствия в направлении полета. Это не только улучшило производительность обнаружения препятствий, но и позволило нашим роботам увеличить скорость».

Новое развитие будет иметь последствия для летающих роботов с ограниченными ресурсами, и оно особенно полезно для тех, которые работают в замкнутой среде.