Besiege den menschlichen Champion! Was bedeutet der Fortschritt der KI im Drohnenrennen?

Zum ersten Mal gelang es einer Drohne, einen menschlichen Gegner in einem Eins-gegen-Eins-Meisterschaftsspiel zu besiegen. Hinter der Drohne steckte ein künstliches Intelligenzsystem namens Swift. Auf dem Cover der Zeitschrift Nature wurde auch der entsprechende Artikel veröffentlicht.

Wie wird KI zum Spielleiter?

Wenn Sie in Spielen wie Schach, StarCraft, Dota2 und GT-Rennen gegen einen Computer spielen, wie führen diese virtuellen Computerspieler eine Reihe von Operationen aus?

Vielleicht haben Sie noch nie vom Deep Reinforcement Learning (RL)-System gehört, aber Sie müssen schon einmal davon gehört oder damit in Berührung gekommen sein. Vielleicht haben Sie noch nie vom Deep Reinforcement Learning (RL)-System gehört, weil diese virtuellen Computerspieler diese Technologie verwenden.

In Simulationen und Brettspielumgebungen kann KI Menschen leicht übertreffen, bei Wettbewerben in der physischen Welt ist die Entscheidungsfindung und der Betrieb von KI jedoch mit zahlreichen Schwierigkeiten verbunden.

Drohnenrennen aus der First-Person-Perspektive (FPV) sind Wettbewerbe, bei denen professionelle Spieler Drohnen mit hoher Geschwindigkeit auf einer 3D-Strecke fliegen. Der Pilot kann die Umgebung aus der Perspektive der Drohne anhand der von der Bordkamera übertragenen Bilder beobachten und so Vorgänge wie Beschleunigen, Abbremsen und Wenden ausführen, sodass die Drohne Hindernisse auf der Strecke passieren kann.

Swift (blau) und Mensch (rot) kämpfen, sieben quadratische Tore, jeder muss einzeln durchqueren, Bildquelle: Referenzen

Für autonome Drohnen ist es schwierig, auf dem Niveau professioneller Piloten zu fliegen, da die Roboter innerhalb ihrer physikalischen Grenzen fliegen müssen und ihre Geschwindigkeit und Position nur anhand der Bordsensoren schätzen können.

Zu den herkömmlichen Methoden des Drohnenrennens gehören Flugbahnplanung und modellprädiktive Regelung (MPC), diese Methode kann jedoch nur unter idealen Bedingungen umgesetzt werden. Sobald es zu Störungen kommt, bricht das gesamte System zusammen.

Bildquelle: piqsels

Das Swift-System überwindet diese Schwierigkeit. Das Swift-System besteht aus zwei Hauptmodulen:

Das erste ist das Wahrnehmungssystem, das hochdimensionales Sehen (d. h. räumliches stereoskopisches Sehen) und Trägheitsinformationen in niedrigdimensionale Codes umwandelt;

Das zweite ist das Steuerungssystem, das die vom Wahrnehmungssystem erzeugten niedrigdimensionalen Codes aufnimmt und Steuerbefehle generiert. Durch die Kombination dieser beiden Systeme können Entscheidungen in Echtzeit angepasst werden, basierend auf subtilen Änderungen in der physischen Umgebung.

Natürlich reichen fortschrittliche Wahrnehmungs- und Kontrollsysteme nicht aus, um gegen menschliche Meisterfahrer anzutreten.

Inwiefern ist das Swift-System besser als Menschen?

Das Swift-System hat gegenüber menschlichen Fahrern gewisse strukturelle Vorteile.

Swift-System, Bildquelle: Referenzen

Erstens kann es Trägheitsdaten von einer integrierten Trägheitsmesseinheit nutzen.

Dies ähnelt dem menschlichen Gleichgewichtssystem, das menschliche Piloten bei Rennen nicht nutzen können, da sie sich nicht tatsächlich im Flugzeug befinden und die auf dieses einwirkenden Beschleunigungen nicht spüren können.

Zweitens profitiert das Swift-System von einer geringeren sensorischen und motorischen Latenz (40 Millisekunden bei Swift im Vergleich zu durchschnittlich 220 Millisekunden bei menschlichen Experten).

Beim FPV-Rennen kommen Quadrocopter zum Einsatz, die zu den wendigsten Maschinen aller Zeiten gehören. Bei Wettkämpfen üben die Flugzeuge Kräfte aus, die mindestens das Fünffache ihres Eigengewichts betragen. Selbst in einem begrenzten Raum können die Geschwindigkeiten 100 km/h überschreiten und die Beschleunigungen betragen ein Vielfaches der Erdbeschleunigung. Daher trägt eine geringere Latenz dazu bei, das Flugzeug flexibler zu machen.

Während des eigentlichen Wettkampfablaufs übten menschliche Piloten eine Woche lang auf der Strecke. Anschließend müssen von Swift und Menschen gesteuerte Drohnen auf der Feldstrecke in der richtigen Reihenfolge durch jedes Tor fahren. Swift gewann alle drei Kopf-an-Kopf-Spiele gegen die menschlichen Champions und stellte sogar einen Rekord für das schnellste Finish auf.

Bildquelle: piqsels

Nachdem KI-gesteuerte Drohnen den Menschen den Rang abgelaufen haben, besteht bei autonomen mobilen Robotern noch viel Raum für Verbesserungen.

Wenn beispielsweise ein Mensch eine Drohne steuert, kann er die Drohne auch bei einer Kollision steuern, sodass sie weiterfliegt und die Strecke zurücklegt, solange die Hardware noch ordnungsgemäß funktioniert. Swift verfügt jedoch nicht über eine Ausbildung zur Wiederherstellung nach einer Kollision.

Trotz ihrer zahlreichen Einschränkungen stellt die Forschung einen Meilenstein in der mobilen Robotik und maschinellen Intelligenz dar, der die schnelle Entwicklung autonomer Bodenfahrzeuge, Luftfahrzeuge und persönlicher Roboter ermöglichen wird.

Verweise

Originalarbeit: Kaufmann, E., Bauersfeld, L., Loquercio, A. et al. Drohnenrennen auf Meisterschaftsniveau mit Deep Reinforcement Learning. Nature 620, 982–987 (2023). https://doi.org/10.1038/s41586-023-06419-4

Planung und Produktion

Quelle: Stimme der Wissenschafts- und Technologievereinigung

Autor: SamKakeru, populärwissenschaftlicher Autor

Herausgeber: Yang Yaping und Jin Yufen