پهپادهای الهامگرفته از مگس میوه با استفاده از فیزیک و کدنویسی از موانع عبور میکنند
به گزارش گروه دانشگاه خبرگزاری دانشجو، محققان دانشگاه جیائو تونگ شانگهای یک سیستم سبک مبتنی بر هوش مصنوعی (AI) توسعه دادهاند که به پهپادها اجازه میدهد بدون نیاز به سختافزارهای گرانقیمت یا کنترل انسانی، با سرعت بالا در محیطهای پیچیده حرکت کنند.
این روش پیشرفت بزرگی در رباتیک گروهی محسوب میشود و میتواند در واکنش به بلایای طبیعی، بازرسی، فیلمبرداری خودکار و سایر زمینههای عملی به کار گرفته شود.
بیشتر سیستمهای ناوبری پهپادهای فعلی به یک ساختار ماژولار وابسته هستند که در آن وظایفی مانند نقشهبرداری، برنامهریزی مسیر، تشخیص مانع و کنترل پرواز به طور جداگانه انجام میشوند.
اگرچه در برخی موارد مؤثر است، اما این ساختار خطر انباشت خطاها و زمان واکنش کند را افزایش میدهد، به خصوص در محیطهای شلوغ یا با تغییرات سریع.
تیم شانگهای این ساختار سنتی را با یک شبکه عصبی فشرده و سرتاسری با استفاده از فیزیک مشتقپذیر جایگزین کرد.
هوش جمعی دوباره تعریف شد
این روش به سیستم اجازه میدهد تا با شبیهسازی فیزیک و تنظیم خود از طریق چیزی که «پسانتشار» نامیده میشود، کنترل پرواز را مستقیماً یاد بگیرد. این امر به طور چشمگیری سرعت یادگیری و عملکرد در دنیای واقعی را بهبود میبخشد.
همچنین، به جای استفاده از دوربینهای با وضوح بالا یا حسگرهای گرانقیمت، این سیستم از یک دوربین با عمق ۱۲ در ۱۶ پیکسل با وضوح بسیار پایین استفاده میکند. این تیم توضیح میدهد که این ورودی با دقت پایین، مشابه چشم مرکب حشرات است.
این شبکه از این دادههای محدود برای تصمیمگیری در لحظه و هدایت پهپاد از میان موانع و فضاهای محدود استفاده میکند. در آزمایشها، پهپادهای مجهز به این سیستم با سرعت حداکثر ۶۵.۶ فوت (۲۰ متر) در ثانیه پرواز کردند. این سرعت دو برابر سریعتر از روشهای مبتنی بر یادگیری قبلی است.
این سیستم همچنین در پیمایش فضاهای شلوغ به میزان موفقیت ۹۰ درصد دست یافت، در حالی که در مطالعات قبلی این میزان حدود ۶۰ درصد بود. یکی از مزایای اصلی این است که شبکه عصبی روی یک برد توسعه کوچک با قیمت تنها ۲۱ دلار اجرا میشود.
این سیستم بدون نیاز به واحد پردازش گرافیکی عملکرد خوبی دارد و ساخت و استقرار تعداد زیادی پهپاد را با هزینه کم امکانپذیر میکند. این امر میتواند موانع ورود به عملیات پهپادهای گروهی را به میزان قابل توجهی کاهش دهد.
برخلاف بسیاری از مدلهای یادگیری عمیق که به مجموعه دادههای بزرگ و برچسبگذاریشده توسط متخصصان نیاز دارند، این سیستم بهطور کامل در شبیهسازی آموزش داده شد. این تیم از محیطهای هندسی پایه و فیزیک تعبیهشده برای آموزش نحوه پرواز به مدل استفاده کرد.
آموزش دیده روی شبیهسازی نه روی دادهها
جالب اینجاست که از هیچ گزارش پرواز واقعی یا داده آموزشی دستساز استفاده نشد. در آزمایشهای گروهی، چندین پهپاد توانستند حرکات خود را بدون ارتباط با یکدیگر یا تکیه بر یک کنترلکننده مرکزی هماهنگ کنند.
این رفتار خودسازمانده در سیستمهای رباتیک گروهی موجود غیرمعمول است و پتانسیل بالایی برای کاربردهای آینده نشان میدهد. این گروه تحقیقاتی اکنون در حال کار بر روی جایگزینی دوربین عمق با حسگرهای جریان نوری است که حرکت را ردیابی میکنند و معمولاً در بینایی حشرات استفاده میشوند.
آنها همچنین در حال بررسی چگونگی تصمیمگیری مدل هوش مصنوعی هستند تا استدلال درونی آن را بهتر درک کنند. پروفسور زو و پروفسور لین توضیح دادند: ما در حال حاضر در حال بررسی استفاده از جریان نوری به جای نقشههای عمق برای پرواز کاملاً خودکار هستیم.
او افزود: جریان نوری نشانههای حرکتی اساسی را فراهم میکند و مدتهاست که در علوم اعصاب به عنوان یک جزء کلیدی از بینایی حشرات مورد مطالعه قرار گرفته است.» «با استفاده از آن، ما امیدواریم که به تقلید از استراتژیهای طبیعی که حشرات برای ناوبری استفاده میکنند، نزدیکتر شویم. یکی دیگر از جهتهای مهم که ما دنبال میکنیم، قابلیت تفسیر سیستمهای یادگیری سرتاسری است.