Ένας πιλότος AI κέρδισε τρεις πρωταθλητές δρομείς με drone στο δικό τους παιχνίδι

Σε ό,

τι

μόνο κακό μπορεί να προοιωνίζεται για την επιβίωση του είδους μας κατά τη διάρκεια των αναπόφευκτων εξεγέρσεων των ρομπότ, ένα σύστημα τεχνητής νοημοσύνης ξεπέρασε για άλλη μια φορά τους ανθρώπους που το εκπαίδευσαν. Αυτή τη φορά, ερευνητές στο Πανεπιστήμιο της Ζυρίχης σε συν

εργασία

με την

Intel

,

αντιμετώπισε το πιλοτικό σύστημα AI «Swift» με μια τριάδα παγκόσμιων πρωταθλητών δρομέων με drone

— κανένας από τους οποίους δεν μπόρεσε να πετύχει τον καλύτερο χρόνο του.

Το Swift είναι το αποκορύφωμα της πολυετούς έρευνας AI και μηχανικής μάθησης από το Πανεπιστήμιο της Ζυρίχης. Το 2021, η ομάδα έθεσε μια προηγούμενη επανάληψη του αλγόριθμου ελέγχου πτήσης που χρησιμοποίησε μια σειρά εξωτερικών καμερών για να επικυρώσει τη θέση του στο διάστημα σε πραγματικό χρόνο, ενάντια σε ερασιτέχνες πιλότους, οι οποίοι αντιστοιχούσαν εύκολα σε κάθε γύρο κάθε αγώνα κατά τη διάρκεια το τέστ. Αυτό το αποτέλεσμα ήταν ένα ορόσημο από μόνο του, καθώς, προηγουμένως, τα αυτοκατευθυνόμενα drones βασίζονταν σε απλοποιημένα μοντέλα φυσικής για να υπολογίζουν συνεχώς τη βέλτιστη τροχιά τους, η οποία μείωσε σημαντικά την τελική τους ταχύτητα.

Το αποτέλεσμα αυτής της εβδομάδας είναι άλλο ένα ορόσημο, όχι μόνο επειδή η τεχνητή νοημοσύνη κέρδισε ανθρώπους που η δουλειά τους είναι να πετούν γρήγορα drones, αλλά επειδή το έκανε χωρίς τις δυσκίνητες εξωτερικές συστοιχίες καμερών= του προκατόχου του. Το σύστημα Swift “αντιδρά σε πραγματικό χρόνο στα δεδομένα που συλλέγονται από μια ενσωματωμένη κάμερα, όπως αυτή που χρησιμοποιείται από τους ανθρώπινους δρομείς”,


UZH Ζυρίχης

απελευθέρωση διαβάζει

. Χρησιμοποιεί μια ενσωματωμένη μονάδα μέτρησης αδράνειας για την παρακολούθηση της επιτάχυνσης και της ταχύτητας, ενώ ένα ενσωματωμένο νευρωνικό δίκτυο εντοπίζει τη θέση του στο διάστημα χρησιμοποιώντας δεδομένα από τις μπροστινές κάμερες. Όλα αυτά τα δεδομένα τροφοδοτούνται σε μια κεντρική μονάδα ελέγχου — η ίδια α

βαθύ νευρωνικό δίκτυο

— το οποίο διεισδύει στους αριθμούς και επινοεί μια συντομότερη/γρηγορότερη διαδρομή γύρω από την πίστα.

«Τα σωματικά αθλήματα είναι πιο δύσκολα για την τεχνητή νοημοσύνη επειδή είναι λιγότερο προβλέψιμα από τα επιτραπέζια ή τα βιντεοπαιχνίδια. Δεν έχουμε τέλεια γνώση των μοντέλων drone και περιβάλλοντος, επομένως η τεχνητή νοημοσύνη πρέπει να τα μάθει αλληλεπιδρώντας με τον φυσικό κόσμο», δήλωσε ο Davide Scaramuzza, επικεφαλής της Ομάδας Ρομποτικής και Αντίληψης στο Πανεπιστήμιο της Ζυρίχης. .

Αντί να αφήσει ένα τετρακόπτερο να χτυπήσει την πίστα για τον μήνα που ο ελεγκτής του AI θα χρειαζόταν για να μάθει σιγά σιγά τις διάφορες υφάνσεις και βαρίδια του κυκλώματος, η ερευνητική ομάδα αντ’ αυτού προσομοίωσε αυτή τη συνεδρία εκμάθησης εικονικά. Χρειάστηκε όλη μια ώρα. Και μετά το drone πήγε στη δουλειά ενάντια στον πρωταθλητή Drone Racing League του 2019, Alex Vanover, τον πρωταθλητή MultiGP Drone Racing του 2019, Thomas Bitmatta, και τον τρεις φορές Ελβετό πρωταθλητή, Marvin Schaepper.

Ο Σουίφτ σημείωσε τον ταχύτερο γύρο συνολικά, κερδίζοντας τους ανθρώπους κατά μισό δευτερόλεπτο, αν και οι πιλότοι με σακίδιο κρεάτων αποδείχθηκαν πιο προσαρμοστικοί στις μεταβαλλόμενες συνθήκες κατά τη διάρκεια ενός αγώνα. «Τα drones έχουν περιορισμένη χωρητικότητα μπαταρίας. χρειάζονται το μεγαλύτερο μέρος της ενέργειάς τους μόνο και μόνο για να παραμείνουν στον αέρα. Έτσι, πετώντας πιο γρήγορα αυξάνουμε τη χρησιμότητά τους», είπε ο Scaramuzza. Ως εκ τούτου, η ερευνητική ομάδα ελπίζει να συνεχίσει να αναπτύσσει τον αλγόριθμο για ενδεχόμενη χρήση στις

επιχειρήσεις

Έρευνας και Διάσωσης, καθώς και στην παρακολούθηση δασών, στην εξερεύνηση του διαστήματος και στην παρ

αγωγή

ταινιών.