接受挑战：高速人工智能无人机超越世界冠军无人机赛车手

来源：旅游那点事 发布时间：2023-08-31 20:21

经由人工智能练习的自主无人机（蓝色）取得了整体最快单圈成绩，比人类飞行员的最佳成绩快了半秒。

还记得 1996 年 IBM 的深蓝 (Deep Blue) 在国际象棋比赛中战胜加里·卡斯帕罗夫 (Gary Kasparov)，或者 2016 年谷歌的 AlphaGo 在围棋这一更为复杂的游戏中击败了顶级冠军李世石 (Lee Sedol) 吗？这些机器战胜人类冠军的比赛是人工智能历史上的重要里程碑。现在，苏黎世大学和英特尔的一组研究职员创造了一个新的里程碑，推出了第一个能够在无人机竞赛等体育运动中击败人类冠军的自主系统。

名为 Swift 的人工智能系统在第一人称视角 (FPV)无人机竞赛中赢得了与三名世界级冠军的多场比赛，飞行员以超过 100 公里/小时的速度驾驶四轴飞行器，同时佩戴与机载连接的耳机远程控制它们相机。

通过与物理世界互动来学习

“体育运动对人工智能来说更具挑战性，由于它们比棋盘游戏或视频游戏更难以预测。我们对无人机和环境模型没有完美的了解，因此人工智能需要通过与物理世界互动来学习它们，”说Davide Scaramuzza，苏黎世大学机器人与感知小组负责人，也是新任无人机竞赛队队长。

直到最近，自主无人机飞过跑道所需的时间是人类驾驶无人机的两倍，除非它们依赖外部位置跟踪系统来精确控制其轨迹。然而，斯威夫特对机载摄像头收集的数据做出实时反应，就像人类赛车手使用的那样。其集成惯性丈量单元丈量加速度和速度，而人工神经网络则使用摄像头的数据来定位无人机在太空中的位置并检测赛道沿线的大门。该信息被馈送到控制单元，该控制单元也基于深度神经网络，该网络选择最佳动作以尽快完成电路。

斯威夫特在模拟环境中接受练习，系统根据试错原则自学飞行。

在优化的模拟环境中进行培训

Swift 在模拟环境中接受练习，通过反复试验自学飞行，使用一种称为强化学习的机器学习类型。模拟的使用有助于避免在系统常常崩溃的学习早期阶段摧毁多架无人机。“为了确保模拟器中动作的结果尽可能接近现实世界中的结果，我们设计了一种用真实数据优化模拟器的方法，”该论文的第一作者 Elia Kaufmann 说。

在此阶段，得益于外部位置跟踪系统提供的非常精确的位置，无人机可以自主飞行，同时还记实来自摄像机的数据。通过这种方式，它学会了自动纠正在解释来自机载传感器的数据时产生的错误。

人类飞行员仍能更好地适应不断变化的前提

经由一个月的模拟飞行时间（相当于台式电脑上的不到一个小时），Swift 已预备好挑战其人类竞争对手：2019 年无人机竞赛同盟冠军 Alex Vanover、2019 年 MultiGP 无人机竞赛冠军 Thomas Bitmatta 和三位——次瑞士冠军马文·谢珀 (Marvin Schaepper)。比赛于 2022 年 6 月 5 日至 13 日期间在苏黎世四周杜本多夫机场机库的专用赛道上举行。

赛道面积为 25 x 25 米，有七个方形大门，必需按照准确的顺序通过才能完成一圈，其中包括具有挑战性的动作，包括 Split-S，这是一种需要将无人机半转动并执行操纵的杂技动作全速下降的半环。

总体而言，斯威夫特取得了最快圈速，比人类飞行员的最佳圈速领先半秒。另一方面，事实证明，人类飞行员比自主无人机更具适应性，当前提与练习目的不同时，例如房间内光线过多，自主无人机就会失败。

斯卡拉穆扎指出，挑战自主飞行的极限比无人机竞赛更重要。“无人机的电池容量有限；它们需要大部分能量才能保持在空中。因此，通过飞得更快，我们可以进步它们的效用。”

例如，在森林监测或太空探索等应用中，快速飞行对于在有限的时间内笼盖大片空间非常重要。在片子行业，快速自主无人机可用于拍摄动作场景。高速飞行的能力可能会对被派往着火建筑物内的救援无人机产生巨大影响。

该研究发表在《天然》杂志上。

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

#秋天糊口图鉴#

经由人工智能练习的自主无人机（蓝色）取得了整体最快单圈成绩，比人类飞行员的最佳成绩快了半秒。

还记得 1996 年 IBM 的深蓝 (Deep Blue) 在国际象棋比赛中战胜加里·卡斯帕罗夫 (Gary Kasparov)，或者 2016 年谷歌的 AlphaGo 在围棋这一更为复杂的游戏中击败了顶级冠军李世石 (Lee Sedol) 吗？这些机器战胜人类冠军的比赛是人工智能历史上的重要里程碑。现在，苏黎世大学和英特尔的一组研究职员创造了一个新的里程碑，推出了第一个能够在无人机竞赛等体育运动中击败人类冠军的自主系统。

名为 Swift 的人工智能系统在第一人称视角 (FPV)无人机竞赛中赢得了与三名世界级冠军的多场比赛，飞行员以超过 100 公里/小时的速度驾驶四轴飞行器，同时佩戴与机载连接的耳机远程控制它们相机。

通过与物理世界互动来学习

“体育运动对人工智能来说更具挑战性，由于它们比棋盘游戏或视频游戏更难以预测。我们对无人机和环境模型没有完美的了解，因此人工智能需要通过与物理世界互动来学习它们，”说Davide Scaramuzza，苏黎世大学机器人与感知小组负责人，也是新任无人机竞赛队队长。

直到最近，自主无人机飞过跑道所需的时间是人类驾驶无人机的两倍，除非它们依赖外部位置跟踪系统来精确控制其轨迹。然而，斯威夫特对机载摄像头收集的数据做出实时反应，就像人类赛车手使用的那样。其集成惯性丈量单元丈量加速度和速度，而人工神经网络则使用摄像头的数据来定位无人机在太空中的位置并检测赛道沿线的大门。该信息被馈送到控制单元，该控制单元也基于深度神经网络，该网络选择最佳动作以尽快完成电路。

经由人工智能练习的自主无人机（蓝色）取得了整体最快单圈成绩，比人类飞行员的最佳成绩快了半秒。

还记得 1996 年 IBM 的深蓝 (Deep Blue) 在国际象棋比赛中战胜加里·卡斯帕罗夫 (Gary Kasparov)，或者 2016 年谷歌的 AlphaGo 在围棋这一更为复杂的游戏中击败了顶级冠军李世石 (Lee Sedol) 吗？这些机器战胜人类冠军的比赛是人工智能历史上的重要里程碑。现在，苏黎世大学和英特尔的一组研究职员创造了一个新的里程碑，推出了第一个能够在无人机竞赛等体育运动中击败人类冠军的自主系统。

名为 Swift 的人工智能系统在第一人称视角 (FPV)无人机竞赛中赢得了与三名世界级冠军的多场比赛，飞行员以超过 100 公里/小时的速度驾驶四轴飞行器，同时佩戴与机载连接的耳机远程控制它们相机。

通过与物理世界互动来学习

“体育运动对人工智能来说更具挑战性，由于它们比棋盘游戏或视频游戏更难以预测。我们对无人机和环境模型没有完美的了解，因此人工智能需要通过与物理世界互动来学习它们，”说Davide Scaramuzza，苏黎世大学机器人与感知小组负责人，也是新任无人机竞赛队队长。

直到最近，自主无人机飞过跑道所需的时间是人类驾驶无人机的两倍，除非它们依赖外部位置跟踪系统来精确控制其轨迹。然而，斯威夫特对机载摄像头收集的数据做出实时反应，就像人类赛车手使用的那样。其集成惯性丈量单元丈量加速度和速度，而人工神经网络则使用摄像头的数据来定位无人机在太空中的位置并检测赛道沿线的大门。该信息被馈送到控制单元，该控制单元也基于深度神经网络，该网络选择最佳动作以尽快完成电路。

经由人工智能练习的自主无人机（蓝色）取得了整体最快单圈成绩，比人类飞行员的最佳成绩快了半秒。

还记得 1996 年 IBM 的深蓝 (Deep Blue) 在国际象棋比赛中战胜加里·卡斯帕罗夫 (Gary Kasparov)，或者 2016 年谷歌的 AlphaGo 在围棋这一更为复杂的游戏中击败了顶级冠军李世石 (Lee Sedol) 吗？这些机器战胜人类冠军的比赛是人工智能历史上的重要里程碑。现在，苏黎世大学和英特尔的一组研究职员创造了一个新的里程碑，推出了第一个能够在无人机竞赛等体育运动中击败人类冠军的自主系统。

名为 Swift 的人工智能系统在第一人称视角 (FPV)无人机竞赛中赢得了与三名世界级冠军的多场比赛，飞行员以超过 100 公里/小时的速度驾驶四轴飞行器，同时佩戴与机载连接的耳机远程控制它们相机。

通过与物理世界互动来学习

“体育运动对人工智能来说更具挑战性，由于它们比棋盘游戏或视频游戏更难以预测。我们对无人机和环境模型没有完美的了解，因此人工智能需要通过与物理世界互动来学习它们，”说Davide Scaramuzza，苏黎世大学机器人与感知小组负责人，也是新任无人机竞赛队队长。

直到最近，自主无人机飞过跑道所需的时间是人类驾驶无人机的两倍，除非它们依赖外部位置跟踪系统来精确控制其轨迹。然而，斯威夫特对机载摄像头收集的数据做出实时反应，就像人类赛车手使用的那样。其集成惯性丈量单元丈量加速度和速度，而人工神经网络则使用摄像头的数据来定位无人机在太空中的位置并检测赛道沿线的大门。该信息被馈送到控制单元，该控制单元也基于深度神经网络，该网络选择最佳动作以尽快完成电路。