Können Drohnen ohne Karten oder zusätzliche Teile alleine fliegen?Ein neues System zeigt, wie grundlegende Physik und kleine Netzwerke es ermöglichen können.
Forscher der Shanghai Jiao Tong University haben eine neue Art und Weise entwickelt, um Drohnen alleine zu navigieren, ohne sich auf große oder teure Komponenten zu verlassen.Dieser Ansatz stützt sich aus der Insektenbewegung und kombiniert tiefes Lernen mit grundlegenden Physikprinzipien, wobei Drohnen sich durch Räume bewegen können, ohne die Kartierung oder externe Kontrolle zu karten.
Das vorgeschlagene System verwendet stattdessen ein End-to-End-neuronales Netzwerk, das Rohsensordaten einnimmt und direkt Steuersignale angibt.Dieses Design ahmt nach, wie sich Insekten mit wenigen neuronalen Ressourcen bewegen, ohne die Kartierung oder Planung zu kartieren.
Das System läuft auf einer 12 × 16 -Tiefenkarte und verwaltet dennoch die Navigation.Obwohl die Auflösung niedrig ist, liefern die Daten genügend Hinweise für die Ann, um die Bewegung einer Drohne zu leiten und Hindernisse zu vermeiden.Das Training wurde in einem Simulator mit einfachen Formen durchgeführt, um verschiedene Umgebungen zu erstellen.Eine Physikmotor war Teil der Trainingsschleife, die es ermöglicht, in Einzel- und Multi-Drone-Umgebungen zu lernen.Andere Drohnen wurden als bewegende Hindernisse behandelt.
Eine Stärke des Systems ist seine Struktur.Es verwendet drei Faltungsschichten und läuft auf einem 21 -Dollar -Computertafel.Das Training dauert zwei Stunden bei einer GPU.Das Modell unterstützt die Schwarmnavigation ohne Planung oder Kommunikation zwischen Drohnen und erleichtert es einfach zu skalieren.
Frühere Deep Learning -Modelle benötigten beschriftete Daten und fehlten häufig außerhalb der Laboreinstellungen.Dieser Ansatz umfasst das Physikmodell der Drohne im Training, das die Trainingsgeschwindigkeit und die Verallgemeinerung auf andere Umgebungen, insbesondere für Bewegung und Stabilität, verbessert.
Die Forscher zeigten, dass kleine Modelle große Modelle mit großer Datensätze zusammenbringen oder schlagen können.Dies stellt die Idee in Frage, dass mehr Daten immer besser sind.Stattdessen kann die Verwendung körperlicher Kenntnisse und gut abgestimmten Trainingsbedingungen besser funktionieren.
Das künstliche neuronale Netzwerk (ANN) mit weniger als 2 MB Parametern lässt Drohnen mit 20 m/s nur mit Tiefeneingang fliegen.Dies zeigt, dass starke interne Physikmodelle nützlicher sein können als Sensoren mit hohem Detail.
Obwohl das System in Simulation ausgebildet wurde, zeigte es eine breite Verallgemeinerung.Es könnte Aufgaben wie Drone Racing, Dreharbeiten, Lagerinspektionen sowie Suche und Rettung in GPS-begrenzten Bereichen unterstützen.Die Studie zeigt, wie einfache neuronale Netze, die mit Physik geschult sind, die Autonomie der Drohnen -Autonomie im Maßstab unterstützen können.
