I ricercatori dell’Università di Zurigo presentano Swift un drone autonomo basato sulla visione che può battere i campioni mondiali umani in diverse gare testa a testa

I ricercatori dell'Università di Zurigo presentano Swift, un drone autonomo basato sulla visione che batte i campioni mondiali umani in gare testa a testa.

Il drone racing in prima persona (FPV) è uno sport entusiasmante e in rapida crescita in cui i piloti controllano i droni da gara dalla prospettiva in prima persona utilizzando appositi occhiali FPV. I droni sono dotati di potenti motori, telai leggeri e telecamere di alta qualità per una trasmissione video a bassa latenza in questo sport. I piloti indossano occhiali FPV che forniscono un flusso video in diretta dalla telecamera del drone. Questa esperienza immersiva permette loro di vedere ciò che il drone vede in tempo reale.

Possiamo avere un drone mobile autonomo che può battere i campioni umani nella gara? I ricercatori del gruppo di Robotica e Percezione dell’Università di Zurigo hanno costruito un sistema di droni chiamato “SWIFT” che può gareggiare con veicoli fisici ai livelli dei campioni mondiali umani. Swift può volare ai suoi limiti fisici mentre stima la sua velocità e posizione nel circuito utilizzando sensori.

Swift combina l’apprendimento profondo per rinforzo (RL) in simulazione con i dati raccolti dal mondo fisico. È composto da un sistema di percezione che traduce una rappresentazione ad alta dimensione e una politica di controllo che assume la rappresentazione a bassa dimensione prodotta dal sistema di percezione e ha comandi di controllo.

• Riorganizzazione del framework degli spostamenti dei dataset L’esempio
• Esplorazione dell’Intelligenza Artificiale Generativa Avanzata | VAE Condizionali
• Deep Learning Applicato alla Fisica e ai Fluidi

Il sistema di percezione include un estimatore visivo-inerziale e un rilevatore di cancelli (una CNN che rileva i cancelli di gara). I cancelli rilevati vengono utilizzati ulteriormente per stimare le traiettorie del drone e l’orientamento del drone richiesto lungo la pista. Swift effettua questa analisi utilizzando un algoritmo di ricalcolo della telecamera in combinazione con una mappa della pista. Per ottenere un’orientazione più accurata del drone, utilizzano la posizione globale ottenuta dal rilevatore di cancelli combinata con l’estimatore visivo-inerziale utilizzando un filtro.

La politica di controllo è composta da perceptron a due strati, che mappano l’output del filtro ai comandi di controllo del drone e massimizzano l’obiettivo di percezione mantenendo il prossimo cancello nel campo visivo della telecamera. Vedere il prossimo cancello è promettente perché aumenta l’accuratezza della stima della posizione. Tuttavia, ottimizzare questi metodi esclusivamente in simulazione produrrà una scarsa performance se ci sono discrepanze tra la simulazione e la realtà.

Le differenze tra la dinamica simulata e quella reale faranno sì che il drone scelga le traiettorie sbagliate, portando ad un incidente. Un altro fattore che influisce sulle traiettorie sicure è una stima rumorosa dello stato del drone. Il team mitiga questi difetti raccogliendo una piccola quantità di dati nel mondo reale e utilizzando questi dati per aumentare il realismo del simulatore. Registrano i dati utilizzando i sensori di bordo con stime altamente accurate da un sistema di motion capture mentre il drone corre sulla pista.

I ricercatori dicono che Swift vince la maggior parte delle corse contro ogni pilota umano e registra il tempo di gara più veloce, con un vantaggio di mezzo secondo rispetto al miglior tempo registrato da un pilota umano. Dicono che è costantemente più veloce dei piloti umani nelle curve e ha un tempo di reazione inferiore nel decollo dal podio, in media 120 ms prima dei piloti umani.