AI는 드론이지도 나 센서없이 날아갈 수 있습니다

상하이 Jiao Tong University의 연구원들은 크고 비싼 구성 요소에 의존하지 않고 드론이 스스로 지역을 탐색 할 수 있도록 새로운 방법을 개발했습니다.이 접근법은 곤충 운동에서 비롯되며 딥 러닝을 기본 물리학 원칙과 결합하여 드론이 매핑이나 외부 제어없이 공간을 이동할 수 있습니다.

제안 된 시스템은 대신 원시 센서 데이터를 취하고 제어 신호를 직접 제공하는 엔드 투 엔드 신경망을 사용합니다.이 디자인은 매핑이나 계획없이 몇 가지 신경 자원을 사용하여 곤충이 어떻게 움직이는 지 모방합니다.


이 시스템은 12 × 16 깊이 맵에서 실행되며 여전히 내비게이션을 관리합니다.해상도는 낮지 만 데이터는 ANN이 드론의 움직임을 안내하고 장애물을 피할 수있는 충분한 신호를 제공합니다.간단한 모양을 사용하여 다른 환경을 만드는 시뮬레이터에서 훈련을 수행했습니다.물리 엔진은 훈련 루프의 일부 였으므로 단일 및 멀티 드론 설정에서 배울 수 있습니다.다른 드론은 움직이는 장애물로 취급되었습니다.

시스템의 한 가지 강점은 구조입니다.3 개의 컨볼 루션 레이어를 사용하고 21 달러의 컴퓨팅 보드에서 실행됩니다.교육은 GPU에서 2 시간이 걸립니다.이 모델은 드론 간 계획이나 커뮤니케이션없이 떼 내비게이션을 지원하므로 쉽게 확장 할 수 있습니다.

초기 딥 러닝 모델에는 라벨이 붙은 데이터가 필요했으며 종종 실험실 설정이 실패했습니다.이 접근법에는 훈련에서 드론의 물리 모델이 포함되어있어 특히 움직임과 안정성을 위해 다른 환경으로의 훈련 속도와 일반화를 향상시킵니다.

연구원들은 소형 모델이 큰 데이터 세트에서 훈련 된 대형 모델과 일치하거나 이길 수 있음을 보여주었습니다.이것은 더 많은 데이터가 항상 더 좋다는 생각에 의문을 제기합니다.대신, 신체 지식과 잘 맞는 교육 조건을 사용하는 것이 더 잘 작동 할 수 있습니다.

2MB 미만의 매개 변수를 가진 인공 신경망 (ANN)은 깊이 입력 만 사용하여 드론을 20m/s로 날아갈 수 있습니다.이는 강력한 내부 물리 모델이 하수류 센서보다 더 유용 할 수 있음을 보여줍니다.

시뮬레이션에서 훈련을 받았지만 시스템은 광범위한 일반화를 보여주었습니다.드론 레이싱, 촬영, 창고 검사 및 GPS 제한 지역의 검색 및 구조와 같은 작업을 지원할 수 있습니다.이 연구는 물리학으로 훈련 된 단순한 신경망이 드론 자율성을 규모로 얼마나 지원할 수 있는지 보여줍니다.