amerikali
Yeni Üye
Zürih Üniversitesi’ndeki araştırmacılar, bir drone yarış pistinde bir quadcopteri profesyonel insan pilotlardan daha hızlı yönlendiren bir yazılım geliştirdiler. Bu, otonom bir drone’un dünya şampiyonası seviyesinde insan pilotları geride bıraktığı ilk sefer. Dört yıl önce düzenlenen uluslararası bir yarışmada (AlphaPilot Challenge) en iyi otonom sistemler, insan rakiplerinden yaklaşık iki kat daha uzun bir süreye ihtiyaç duyuyordu. Zürih Üniversitesi’nden Elia Kaufmann liderliğindeki ekip, şimdi de “Swift” adını verdiği sistemin teknik detaylarını “Nature”da sundu. Swift, yedi kare kapılı 75 metrelik parkurda bir insan pilota karşı yarıştı. Daha önce bir hafta boyunca yarış pistinde antrenman yapmasına izin verilen üç insan pilot, toplam 25 yarıştan onunu kazandı.
Reklamcılık
Drone yarışlarında pilotlar kamera donanımlı makinelerini birinci şahıs bakış açısıyla kontrol ediyor. Bunu yaparken sabit bir devredeki kapılardan geçmek zorundalar ve saatte 100 km’ye kadar hıza ulaşabiliyorlar. Kaufman’ın da laboratuvarında çalıştığı Davide Scaramuzza liderliğindeki Zürih Üniversitesi’ndeki araştırmacılar, daha önce ormanlarda yüksek hızlarda drone uçurmuştu. Ancak uçak bunun yalnızca yarısı kadar hızlıydı.
Bir sonraki hedefe dikkat edin
Swift sistemi iki bileşenden oluşur: Yazılımın bir kısmı, drone’un konumunu ve hızını, drone’dan gelen kamera verilerinden ve hızlanma sensörlerinden gelen sinyallerden kapıların konumunu belirlemekten sorumludur. İkinci bir yazılım kısmı bir sonraki kontrol komutlarını konum ve hızdan türetir. Yazılımın bu kısmı daha önce takviyeli öğrenmenin yardımıyla bir simülasyonda eğitilmişti. Yazılım, başlangıçta tamamen rastgele seçilen kontrol dizilerinden geçiyor ve sonunda deneme yanılma yoluyla drone’yu en yakın kapıdan mümkün olduğunca hızlı bir şekilde nasıl geçireceğini öğreniyor ve aynı zamanda bir sonraki kapıdan sonra da kapıya göz kulak oluyor. olası.
Takviyeli öğrenmenin özellikle bilgisayar oyunlarında çok başarılı bir araç olduğu kanıtlanmıştır. Ancak eğitilecek yazılım aracısının, bir simülasyonda sıklıkla öğrenilmesi gereken oyunu oynaması gerekir. Ancak simülasyonlar gerçek ortamlardan farklıdır. Başka bir deyişle, bir simülasyonda bir drone uçurmak üzere eğitilmiş yazılım, sensör verilerinin gürültülü ve eksik olması ve simülasyonun yalnızca dronun uçuş davranışını idealleştirilmiş bir biçimde dikkate alması nedeniyle gerçekte sıklıkla başarısız olur.
Kaufmann ve meslektaşları bu sorunu, antrenmandan önce hareket yakalama kameraları çalıştırılarak drone’yu yarış pistinde şekillendirerek ve ardından bu verileri drone’un sensör verileriyle birlikte değerlendirerek çözdüler. Araştırmacılar, birleşik değerlendirmeden sensör verilerinin gürültü davranışına ilişkin bir model elde etmeyi başardılar. Daha sonra kontrol yazılımını eğitmek için simülasyonda artık yapay olarak daha az hassas hale getirilen konum verilerini kullandılar. Teknik ne kadar zarif olursa olsun, bu aynı zamanda onun en büyük sınırlamasıdır. Çünkü bu, belirli rotaya ve kullanılan drone’a bağlıdır. Bunu diğer koşullara uyarlayabilmek için analizin ve eğitimin birçok farklı koşulda gerçekleşmesine izin verilmesi gerekir.
Reklamcılık
(batı)
Haberin Sonu
Reklamcılık
Drone yarışlarında pilotlar kamera donanımlı makinelerini birinci şahıs bakış açısıyla kontrol ediyor. Bunu yaparken sabit bir devredeki kapılardan geçmek zorundalar ve saatte 100 km’ye kadar hıza ulaşabiliyorlar. Kaufman’ın da laboratuvarında çalıştığı Davide Scaramuzza liderliğindeki Zürih Üniversitesi’ndeki araştırmacılar, daha önce ormanlarda yüksek hızlarda drone uçurmuştu. Ancak uçak bunun yalnızca yarısı kadar hızlıydı.
Bir sonraki hedefe dikkat edin
Swift sistemi iki bileşenden oluşur: Yazılımın bir kısmı, drone’un konumunu ve hızını, drone’dan gelen kamera verilerinden ve hızlanma sensörlerinden gelen sinyallerden kapıların konumunu belirlemekten sorumludur. İkinci bir yazılım kısmı bir sonraki kontrol komutlarını konum ve hızdan türetir. Yazılımın bu kısmı daha önce takviyeli öğrenmenin yardımıyla bir simülasyonda eğitilmişti. Yazılım, başlangıçta tamamen rastgele seçilen kontrol dizilerinden geçiyor ve sonunda deneme yanılma yoluyla drone’yu en yakın kapıdan mümkün olduğunca hızlı bir şekilde nasıl geçireceğini öğreniyor ve aynı zamanda bir sonraki kapıdan sonra da kapıya göz kulak oluyor. olası.
Takviyeli öğrenmenin özellikle bilgisayar oyunlarında çok başarılı bir araç olduğu kanıtlanmıştır. Ancak eğitilecek yazılım aracısının, bir simülasyonda sıklıkla öğrenilmesi gereken oyunu oynaması gerekir. Ancak simülasyonlar gerçek ortamlardan farklıdır. Başka bir deyişle, bir simülasyonda bir drone uçurmak üzere eğitilmiş yazılım, sensör verilerinin gürültülü ve eksik olması ve simülasyonun yalnızca dronun uçuş davranışını idealleştirilmiş bir biçimde dikkate alması nedeniyle gerçekte sıklıkla başarısız olur.
Kaufmann ve meslektaşları bu sorunu, antrenmandan önce hareket yakalama kameraları çalıştırılarak drone’yu yarış pistinde şekillendirerek ve ardından bu verileri drone’un sensör verileriyle birlikte değerlendirerek çözdüler. Araştırmacılar, birleşik değerlendirmeden sensör verilerinin gürültü davranışına ilişkin bir model elde etmeyi başardılar. Daha sonra kontrol yazılımını eğitmek için simülasyonda artık yapay olarak daha az hassas hale getirilen konum verilerini kullandılar. Teknik ne kadar zarif olursa olsun, bu aynı zamanda onun en büyük sınırlamasıdır. Çünkü bu, belirli rotaya ve kullanılan drone’a bağlıdır. Bunu diğer koşullara uyarlayabilmek için analizin ve eğitimin birçok farklı koşulda gerçekleşmesine izin verilmesi gerekir.
Reklamcılık
(batı)
Haberin Sonu