AIは、マップまたはセンサーなしでドローンを飛ばすことができます

上海ジアオトン大学の研究者は、大規模または高価なコンポーネントに依存することなく、ドローンが自分でエリアをナビゲートするのを支援する新しい方法を開発しました。このアプローチは、昆虫の動きから引き出され、深い学習と基本的な物理学の原則を組み合わせて、マッピングや外部制御なしでドローンを空間を動かすことができます。

代わりに、提案されたシステムは、生のセンサーデータを取得し、直接制御信号を提供するエンドツーエンドのニューラルネットワークを使用します。このデザインは、マッピングや計画なしに、少数の神経リソースを使用して昆虫がどのように動くかを模倣しています。


システムは12×16の深度マップで実行され、ナビゲーションを管理しています。解像度は低いですが、データはANNがドローンの動きを導き、障害を回避するのに十分な手がかりを与えます。シンプルな形状を使用して、さまざまな環境を作成するシミュレーターでトレーニングが行われました。物理エンジンはトレーニングループの一部であり、シングルドローンとマルチドローンの設定で学習することが可能になりました。他のドローンは、動いている障害物として扱われました。

システムの1つの強度は、その構造です。3つの畳み込みレイヤーを使用し、21ドルのコンピューティングボードで実行されます。トレーニングはGPUで2時間かかります。このモデルは、ドローン間の計画や通信なしに群れナビゲーションをサポートし、簡単にスケーリングできるようにします。

以前の深い学習モデルには、ラベル付きデータが必要であり、多くの場合、ラボの設定外で失敗しました。このアプローチには、トレーニングにおけるドローンの物理学モデルが含まれており、特に動きと安定性のために、他の設定のトレーニング速度と一般化を改善します。

研究者は、小さなモデルが大きなデータセットで訓練された大きなモデルに一致または倒すことができることを示しました。これは、より多くのデータが常に優れているという考えに疑問を呈しています。代わりに、身体的知識とよく一致したトレーニング条件を使用すると、うまく機能する場合があります。

2 MB未満のパラメーターを持つ人工ニューラルネットワーク（ANN）により、深度入力のみを使用してドローンが20 m/sで飛ぶことができます。これは、物理学の強力な内部モデルが高決定的なセンサーよりも有用であることを示しています。

シミュレーションの訓練を受けていますが、システムは広範囲にわたる一般化を示しました。ドローンレース、撮影、倉庫検査、GPS制限エリアでの捜索救助などのタスクをサポートできます。この研究は、物理学で訓練された単純なニューラルネットワークが、大規模なドローンの自律性をどのようにサポートできるかを示しています。