Обученный ИИ автономный дрон (синий) проехал круг в целом быстрее всех, опередив на полсекунды лучшее время пилота-человека.
Помните, когда IBM Deep Blue выиграла у Гэри Каспарова в шахматы в 1996 году, или Google AlphaGo разгромила главного чемпиона Ли Седоля в Го, гораздо более сложной игре, в 2016 году? Эти соревнования, в которых машины одержали верх над чемпионами-людьми, являются ключевыми вехами в истории искусственного интеллекта. Теперь группа исследователей из Цюрихского университета и компании Intel установила новую веху, создав первую автономную систему, способную победить чемпионов среди людей в физическом виде спорта: гонках на дронах.
Система искусственного интеллекта под названием Swift выиграла несколько гонок у трех чемпионов мирового класса в гонках дронов с видом от первого лица (FPV), где пилоты управляют квадрокоптерами со скоростью, превышающей 100 км/ч, управляя ими дистанционно, не снимая одежды. гарнитура, подключенная к бортовой камере.
Обучение путем взаимодействия с физическим миром
«Физические виды спорта представляют собой более сложную задачу для ИИ, поскольку они менее предсказуемы, чем настольные или видеоигры. У нас нет идеальных знаний о дронах и моделях окружающей среды. , поэтому ИИ должен изучать их, взаимодействуя с физическим миром», — говорит Давиде Скарамуцца, руководитель группы робототехники и восприятия в Цюрихском университете и новоиспеченный капитан команды по гонкам на дронах.
До недавнего времени автономным дронам требовалось в два раза больше времени, чем пилотируемым людьми, чтобы пролететь по гоночной трассе, если только они не полагались на внешнюю систему отслеживания положения для точного контроля своей траектории. Однако Swift реагирует в режиме реального времени на данные, собранные бортовой камерой, подобной той, которую используют гонщики. Его интегрированный инерционный измерительный блок измеряет ускорение и скорость, а искусственная нейронная сеть использует данные с камеры для локализации дрона в пространстве и обнаружения ворот на гоночной трассе. Эта информация поступает в блок управления, также основанный на глубокой нейронной сети, который выбирает лучшее действие для максимально быстрого завершения схемы. 
Swift обучался в моделируемой среде, в которой система обучалась полету по принципу испытания и ошибка. Фото: Леонард Бауэрсфельд
Обучение в оптимизированной среде моделирования
Swift обучался в моделируемой среде, где он научился летать методом проб и ошибок, используя тип машинного обучения, называемый обучением с подкреплением. Использование моделирования помогло избежать уничтожения нескольких дронов на ранних этапах обучения, когда система часто выходит из строя. «Чтобы убедиться, что последствия действий в симуляторе были максимально приближены к реальным, мы разработали метод оптимизации симулятора с использованием реальных данных», — говорит Элия Кауфманн, первый автор статьи.
На этом этапе дрон летел автономно благодаря очень точным координатам, обеспечиваемым внешней системой отслеживания положения, а также записывал данные со своей камеры. Таким образом он научился автоисправлять ошибки, допущенные при интерпретации данных бортовых датчиков.
