Дроны могут стать недорогим решением для исследования сложных и неизвестных сред, таких как леса, здания или пещеры. Они быстрые, маневренные и маленькие, они могут нести датчики и полезную нагрузку. Однако автономные дроны вряд ли смогут найти путь в неизвестной среде без навигации, что обычно делает пилот-человек.

Команда исследователей из Цюрихского университета разработала новый подход к автономному управлению дронами в неизвестных и сложных условиях на высоких скоростях, используя только бортовые измерения и вычисления. Новый подход позволяет автономному дрону летать в неизвестной среде, такой как лес, здания, руины, сохраняя скорость до 40 км / ч и не врезаясь в деревья, стены или другие препятствия. Исследователи отмечают, что новый подход может быть полезен в чрезвычайных ситуациях, на строительных площадках или для приложений безопасности.

Команда из Цюрихского университета создала алгоритм, который учит дрон летать в реальном мире, используя только бортовые камеры и вычисления. Нейронная сеть научилась летать, наблюдая за своего рода «смоделированным экспертом» – алгоритмом, который управлял созданным компьютером дроном через смоделированную среду, полную сложных препятствий. Алгоритм всегда давал полную информацию о состоянии квадрокоптера и показаниях его датчиков. Алгоритм может всегда находить лучшую траекторию.

После обучения моделированию система была протестирована в реальном мире, где она могла летать в различных средах.

«В то время как людям требуются годы на обучение, ИИ, используя высокопроизводительные симуляторы, может достичь сопоставимых навигационных способностей намного быстрее», -говорит Антонио Локерчио, доктор философии.

«Интересно, что эти симуляторы не обязательно должны быть точной копией реального мира. При правильном подходе будет достаточно даже упрощенных симуляторов », – добавляет Элия Кауфманн, доктор философии, соавтор.

Исследователи говорят, что тот же подход может быть полезен для повышения производительности автономных автомобилей или даже может открыть дверь к новому способу обучения систем искусственного интеллекта для работы в областях, где сбор данных затруднен или невозможен, например, на других планетах.