接受挑戰：高速人工智慧無人機超越世界冠軍無人機賽車手

來源：旅遊那點事 釋出時間：2023-08-31 20:21

經由人工智慧練習的自主無人機（藍色）取得了整體最快單圈成績，比人類飛行員的最佳成績快了半秒。

還記得 1996 年 IBM 的深藍 (Deep Blue) 在國際象棋比賽中戰勝加里·卡斯帕羅夫 (Gary Kasparov)，或者 2016 年穀歌的 AlphaGo 在圍棋這一更為複雜的遊戲中擊敗了頂級冠軍李世石 (Lee Sedol) 嗎？這些機器戰勝人類冠軍的比賽是人工智慧歷史上的重要里程碑。現在，蘇黎世大學和英特爾的一組研究職員創造了一個新的里程碑，推出了第一個能夠在無人機競賽等體育運動中擊敗人類冠軍的自主系統。

名為 Swift 的人工智慧系統在第一人稱視角 (FPV)無人機競賽中贏得了與三名世界級冠軍的多場比賽，飛行員以超過 100 公里/小時的速度駕駛四軸飛行器，同時佩戴與機載連線的耳機遠端控制它們相機。

透過與物理世界互動來學習

“體育運動對人工智慧來說更具挑戰性，由於它們比棋盤遊戲或影片遊戲更難以預測。我們對無人機和環境模型沒有完美的瞭解，因此人工智慧需要透過與物理世界互動來學習它們，”說Davide Scaramuzza，蘇黎世大學機器人與感知小組負責人，也是新任無人機競賽隊隊長。

直到最近，自主無人機飛過跑道所需的時間是人類駕駛無人機的兩倍，除非它們依賴外部位置跟蹤系統來精確控制其軌跡。然而，斯威夫特對機載攝像頭收集的資料做出實時反應，就像人類賽車手使用的那樣。其整合慣性丈量單元丈量加速度和速度，而人工神經網路則使用攝像頭的資料來定位無人機在太空中的位置並檢測賽道沿線的大門。該資訊被饋送到控制單元，該控制單元也基於深度神經網路，該網路選擇最佳動作以儘快完成電路。

斯威夫特在模擬環境中接受練習，系統根據試錯原則自學飛行。

在最佳化的模擬環境中進行培訓

Swift 在模擬環境中接受練習，透過反覆試驗自學飛行，使用一種稱為強化學習的機器學習型別。模擬的使用有助於避免在系統常常崩潰的學習早期階段摧毀多架無人機。“為了確保模擬器中動作的結果儘可能接近現實世界中的結果，我們設計了一種用真實資料最佳化模擬器的方法，”該論文的第一作者 Elia Kaufmann 說。

在此階段，得益於外部位置跟蹤系統提供的非常精確的位置，無人機可以自主飛行，同時還記實來自攝像機的資料。透過這種方式，它學會了自動糾正在解釋來自機載感測器的資料時產生的錯誤。

人類飛行員仍能更好地適應不斷變化的前提

經由一個月的模擬飛行時間（相當於臺式電腦上的不到一個小時），Swift 已預備好挑戰其人類競爭對手：2019 年無人機競賽同盟冠軍 Alex Vanover、2019 年 MultiGP 無人機競賽冠軍 Thomas Bitmatta 和三位——次瑞士冠軍馬文·謝珀 (Marvin Schaepper)。比賽於 2022 年 6 月 5 日至 13 日期間在蘇黎世四周杜本多夫機場機庫的專用賽道上舉行。

賽道面積為 25 x 25 米，有七個方形大門，必需按照準確的順序透過才能完成一圈，其中包括具有挑戰性的動作，包括 Split-S，這是一種需要將無人機半轉動並執行操縱的雜技動作全速下降的半環。

總體而言，斯威夫特取得了最快圈速，比人類飛行員的最佳圈速領先半秒。另一方面，事實證明，人類飛行員比自主無人機更具適應性，當前提與練習目的不同時，例如房間內光線過多，自主無人機就會失敗。

斯卡拉穆扎指出，挑戰自主飛行的極限比無人機競賽更重要。“無人機的電池容量有限；它們需要大部分能量才能保持在空中。因此，透過飛得更快，我們可以進步它們的效用。”

例如，在森林監測或太空探索等應用中，快速飛行對於在有限的時間內籠蓋大片空間非常重要。在片子行業，快速自主無人機可用於拍攝動作場景。高速飛行的能力可能會對被派往著火建築物內的救援無人機產生巨大影響。

該研究發表在《天然》雜誌上。

More information: Elia Kaufmann, Champion-Level drone racing using deep reinforcement learning, Nature (2023). DOI: 10.1038/s41586-023-06419-4.

#秋天餬口圖鑑#

經由人工智慧練習的自主無人機（藍色）取得了整體最快單圈成績，比人類飛行員的最佳成績快了半秒。

還記得 1996 年 IBM 的深藍 (Deep Blue) 在國際象棋比賽中戰勝加里·卡斯帕羅夫 (Gary Kasparov)，或者 2016 年穀歌的 AlphaGo 在圍棋這一更為複雜的遊戲中擊敗了頂級冠軍李世石 (Lee Sedol) 嗎？這些機器戰勝人類冠軍的比賽是人工智慧歷史上的重要里程碑。現在，蘇黎世大學和英特爾的一組研究職員創造了一個新的里程碑，推出了第一個能夠在無人機競賽等體育運動中擊敗人類冠軍的自主系統。

名為 Swift 的人工智慧系統在第一人稱視角 (FPV)無人機競賽中贏得了與三名世界級冠軍的多場比賽，飛行員以超過 100 公里/小時的速度駕駛四軸飛行器，同時佩戴與機載連線的耳機遠端控制它們相機。

透過與物理世界互動來學習

“體育運動對人工智慧來說更具挑戰性，由於它們比棋盤遊戲或影片遊戲更難以預測。我們對無人機和環境模型沒有完美的瞭解，因此人工智慧需要透過與物理世界互動來學習它們，”說Davide Scaramuzza，蘇黎世大學機器人與感知小組負責人，也是新任無人機競賽隊隊長。

直到最近，自主無人機飛過跑道所需的時間是人類駕駛無人機的兩倍，除非它們依賴外部位置跟蹤系統來精確控制其軌跡。然而，斯威夫特對機載攝像頭收集的資料做出實時反應，就像人類賽車手使用的那樣。其整合慣性丈量單元丈量加速度和速度，而人工神經網路則使用攝像頭的資料來定位無人機在太空中的位置並檢測賽道沿線的大門。該資訊被饋送到控制單元，該控制單元也基於深度神經網路，該網路選擇最佳動作以儘快完成電路。

經由人工智慧練習的自主無人機（藍色）取得了整體最快單圈成績，比人類飛行員的最佳成績快了半秒。

還記得 1996 年 IBM 的深藍 (Deep Blue) 在國際象棋比賽中戰勝加里·卡斯帕羅夫 (Gary Kasparov)，或者 2016 年穀歌的 AlphaGo 在圍棋這一更為複雜的遊戲中擊敗了頂級冠軍李世石 (Lee Sedol) 嗎？這些機器戰勝人類冠軍的比賽是人工智慧歷史上的重要里程碑。現在，蘇黎世大學和英特爾的一組研究職員創造了一個新的里程碑，推出了第一個能夠在無人機競賽等體育運動中擊敗人類冠軍的自主系統。

名為 Swift 的人工智慧系統在第一人稱視角 (FPV)無人機競賽中贏得了與三名世界級冠軍的多場比賽，飛行員以超過 100 公里/小時的速度駕駛四軸飛行器，同時佩戴與機載連線的耳機遠端控制它們相機。

透過與物理世界互動來學習

“體育運動對人工智慧來說更具挑戰性，由於它們比棋盤遊戲或影片遊戲更難以預測。我們對無人機和環境模型沒有完美的瞭解，因此人工智慧需要透過與物理世界互動來學習它們，”說Davide Scaramuzza，蘇黎世大學機器人與感知小組負責人，也是新任無人機競賽隊隊長。

直到最近，自主無人機飛過跑道所需的時間是人類駕駛無人機的兩倍，除非它們依賴外部位置跟蹤系統來精確控制其軌跡。然而，斯威夫特對機載攝像頭收集的資料做出實時反應，就像人類賽車手使用的那樣。其整合慣性丈量單元丈量加速度和速度，而人工神經網路則使用攝像頭的資料來定位無人機在太空中的位置並檢測賽道沿線的大門。該資訊被饋送到控制單元，該控制單元也基於深度神經網路，該網路選擇最佳動作以儘快完成電路。

經由人工智慧練習的自主無人機（藍色）取得了整體最快單圈成績，比人類飛行員的最佳成績快了半秒。

還記得 1996 年 IBM 的深藍 (Deep Blue) 在國際象棋比賽中戰勝加里·卡斯帕羅夫 (Gary Kasparov)，或者 2016 年穀歌的 AlphaGo 在圍棋這一更為複雜的遊戲中擊敗了頂級冠軍李世石 (Lee Sedol) 嗎？這些機器戰勝人類冠軍的比賽是人工智慧歷史上的重要里程碑。現在，蘇黎世大學和英特爾的一組研究職員創造了一個新的里程碑，推出了第一個能夠在無人機競賽等體育運動中擊敗人類冠軍的自主系統。

名為 Swift 的人工智慧系統在第一人稱視角 (FPV)無人機競賽中贏得了與三名世界級冠軍的多場比賽，飛行員以超過 100 公里/小時的速度駕駛四軸飛行器，同時佩戴與機載連線的耳機遠端控制它們相機。

透過與物理世界互動來學習

“體育運動對人工智慧來說更具挑戰性，由於它們比棋盤遊戲或影片遊戲更難以預測。我們對無人機和環境模型沒有完美的瞭解，因此人工智慧需要透過與物理世界互動來學習它們，”說Davide Scaramuzza，蘇黎世大學機器人與感知小組負責人，也是新任無人機競賽隊隊長。

直到最近，自主無人機飛過跑道所需的時間是人類駕駛無人機的兩倍，除非它們依賴外部位置跟蹤系統來精確控制其軌跡。然而，斯威夫特對機載攝像頭收集的資料做出實時反應，就像人類賽車手使用的那樣。其整合慣性丈量單元丈量加速度和速度，而人工神經網路則使用攝像頭的資料來定位無人機在太空中的位置並檢測賽道沿線的大門。該資訊被饋送到控制單元，該控制單元也基於深度神經網路，該網路選擇最佳動作以儘快完成電路。