Investigadores de la Universidad de Zurich presentan Swift un dron autónomo basado en la visión que puede vencer a campeones mundiales humanos en varias carreras justas cara a cara
Investigadores presentan Swift, un dron autónomo basado en la visión, que puede vencer a campeones mundiales humanos en carreras justas cara a cara.
La carrera de drones en vista en primera persona (FPV) es un deporte emocionante y de rápido crecimiento en el que los pilotos controlan drones de carreras desde una perspectiva en primera persona utilizando gafas FPV especializadas. Los drones tienen motores potentes, estructuras ligeras y cámaras de alta calidad para la transmisión de video de baja latencia en este deporte. Los pilotos usan gafas FPV que proporcionan una transmisión de video en vivo desde la cámara del dron. Esta experiencia inmersiva les permite ver lo que el dron ve en tiempo real.
¿Podemos tener un dron móvil autónomo que pueda vencer a los campeones humanos en la carrera? Los investigadores del grupo de Robótica y Percepción de la Universidad de Zurich construyeron un sistema de dron llamado “SWIFT” que puede competir con vehículos físicos al nivel de los campeones mundiales humanos. Swift puede volar en sus límites físicos mientras estima su velocidad y ubicación en el circuito utilizando sensores.
Swift combina el aprendizaje profundo por refuerzo (RL) en simulación con datos recopilados del mundo físico. Consiste en un sistema de percepción que traduce la representación de alta dimensión y una política de control que ingiere la representación de baja dimensión producida por el sistema de percepción y tiene comandos de control.
El sistema de percepción incluye un estimador visual-inercial y un detector de puertas (una CNN que detecta las puertas de carreras). Las puertas detectadas se utilizan además para estimar las trayectorias del dron, así como la orientación del dron requerida a lo largo de la pista. Swift realiza este análisis utilizando un algoritmo de resección de cámara en combinación con un mapa de la pista. Para obtener una orientación más precisa del dron, utilizan la posición global obtenida del detector de puertas combinado con el estimador visual-inercial utilizando un filtro.
- Aprendizaje Profundo Aplicado a la Física y los Fluidos
- Explorando el Mundo de la Inteligencia Artificial Una Guía para Pri...
- Sigue este proceso de validación de datos para mejorar la precisión...
La política de control consiste en perceptrones de dos capas, que mapean la salida del filtro a los comandos de control del dron y maximizan el objetivo de percepción manteniendo la siguiente puerta en el campo de visión de la cámara. Ver la siguiente puerta es prometedor porque aumenta la precisión de la estimación de la posición. Sin embargo, optimizar estos métodos puramente en simulación dará como resultado un rendimiento deficiente si hay discrepancias entre la simulación y la realidad.
Las diferencias entre las dinámicas simuladas y reales harán que el dron elija las trayectorias incorrectas, lo que lleva a un choque. Otro factor que afecta las trayectorias seguras es una estimación ruidosa del estado del dron. El equipo mitiga estos defectos recopilando una pequeña cantidad de datos en el mundo real y utilizando estos datos para aumentar el realismo del simulador. Registran los datos utilizando los sensores incorporados con estimaciones altamente precisas de un sistema de captura de movimiento mientras el dron corre por la pista.
Los investigadores dicen que Swift gana la mayoría de las carreras contra cada piloto humano y logra el tiempo de carrera más rápido registrado, con una ventaja de medio segundo sobre el mejor tiempo registrado por un piloto humano. Dicen que es consistentemente más rápido que los pilotos humanos en las curvas y tiene un tiempo de reacción más bajo al despegar del podio, un promedio de 120 ms antes que los pilotos humanos.
