Die KI hat den menschlichen Champion erneut besiegt! Diesmal geht es um Drohnenrennen

Künstliche Intelligenz (KI) hat den menschlichen Champion erneut besiegt.

Diesmal geht es um den Bereich Drohnenrennen.

Das Team von Dr. Elia Kaufmann von der Robotics and Perception Group der Universität Zürich und sein Intel-Team haben mit Swift ein autonomes Fahrsystem entwickelt, das sowohl eine Drohne als auch einen menschlichen Gegner in einem Eins-gegen-Eins-Meisterschaftsspiel fliegen kann.

Dieses wichtige Forschungsergebnis wurde gerade als Titelartikel in der neuesten Ausgabe des Magazins Nature veröffentlicht.

Bild｜Cover der neuesten Ausgabe von Nature. (Quelle: Nature)

In einem zeitgleich in Nature veröffentlichten Nachrichten- und Meinungsartikel schrieb Professor Guido de Croon, Forscher an der Technischen Universität Delft in den Niederlanden: „ Die Studie von Kaufmann et al. ist ein hervorragendes Beispiel dafür, wie Robotiker die Realitätslücke überwinden können . Obwohl Swift mithilfe einer geschickten Kombination aus KI-Lerntechniken und traditionellen technischen Algorithmen trainiert wird, sollte das System in einer realistischeren und vielfältigeren Umgebung weiterentwickelt werden, um das volle Potenzial dieser Technologie auszuschöpfen.“

Dennoch sei die Studie laut dem Forschungsteam ein Meilenstein in der mobilen Robotik und maschinellen Intelligenz und könne als Inspiration für den Einsatz hybrider, auf Lernen basierender Lösungen in anderen physischen Systemen dienen , etwa autonomen Bodenfahrzeugen, Luftfahrzeugen und persönlichen Robotern.

Intelligentes Training, das KI und technische Algorithmen integriert

Derzeit haben Systeme künstlicher Intelligenz (KI), die auf Deep Reinforcement Learning basieren, menschliche Meister in Spielen wie Atari-Spielen, Schach, StarCraft und Gran Turismo übertroffen. Diese Erfolge fanden jedoch alle in einer virtuellen Umgebung statt, nicht in der realen Welt.

Drohnenrennen sind sowohl für erfahrene Piloten als auch für KI eine Herausforderung, für KI sind sie jedoch anspruchsvoller. Denn in einer virtuellen Umgebung sind die Ressourcen nahezu unbegrenzt, während der Wechsel in die reale Welt bedeutet, dass mit begrenzten Ressourcen gearbeitet werden muss . Dies gilt insbesondere für Drohnen, da die Sensoren und die Computerausrüstung, die menschliche Piloten ersetzen, in die Luft getragen werden müssen.

Darüber hinaus ist die reale Welt unvorhersehbarer als die virtuelle Welt . Während simulierte Renndrohnen perfekt entlang vorprogrammierter Flugbahnen fliegen können, kann ein einziger an eine Drohne erteilter Befehl zahlreiche, schwer vorhersehbare Auswirkungen haben, insbesondere bei Drohnen, die mithilfe von KI trainiert wurden.

Herkömmliche End-to-End-Lernmethoden haben Schwierigkeiten, die Abbildung virtueller Umgebungen auf die reale Welt zu übertragen . Zwischen der virtuellen und der realen Welt besteht eine Realitätslücke, die eine der größten Herausforderungen im Bereich der Robotik darstellt.

In dieser Studie wurde dem Swift-System durch die Integration von KI-Lerntechnologie mit traditionellen technischen Algorithmen ein intelligentes Training ermöglicht . Zunächst verarbeitet das System die von der Drohne mit ihrer Kamera aufgenommenen Bilder mithilfe eines künstlichen neuronalen Netzwerks, sodass es die Ecken der Tür genau erkennen kann. Anschließend wird mithilfe einer binokularen Sichtsoftware die Geschwindigkeit der Drohne berechnet.

Die Innovation des Swift-Systems ist ein weiteres künstliches neuronales Netzwerk, das den Zustand der Drohne auf Befehle zur Anpassung von Schub und Rotationsrate abbildet . Mithilfe von Reinforcement Learning optimieren wir die Belohnungen, die wir aus der Umgebung erhalten, durch einen Trial-and-Error-Prozess in der Simulation. Bei diesem Algorithmus verwendet das System bestärkendes Lernen anstelle von End-to-End-Lernen, wodurch die Lücke zwischen Realität und Simulation durch abstrakte Konzepte überbrückt werden kann.

Da die Zustandskodierung auf einer höheren Abstraktionsebene erfolgt als das Originalbild, benötigen Reinforcement-Learning-Simulatoren keine komplexen visuellen Umgebungen mehr. Diese Optimierung verringerte den Unterschied zwischen den simulierten und den realen Systemen und erhöhte die Simulationsgeschwindigkeit, sodass das System den Lernvorgang in etwa 50 Minuten abschließen konnte.

Dem Dokument zufolge besteht Swift aus zwei Hauptmodulen: Beobachtungsrichtlinie und Kontrollrichtlinie. Die Beobachtungsrichtlinie besteht aus einem visuell-inertialen Schätzer und einem Gate-Detektor, der hochdimensionale visuelle und inertiale Informationen in aufgabenspezifische niedrigdimensionale Kodierungen umwandeln kann. Die Kontrollrichtlinie wird durch ein zweischichtiges Perzeptron dargestellt, das niedrigdimensionale Kodierungen akzeptiert und in Drohnenbefehle umwandelt.

Geschwindigkeit und Leistung, die die menschlicher Piloten übertrifft

Die Strecke für diesen Wettbewerb wurde von einem externen Weltklasse-FPV-Piloten (First-Person-View) entworfen. Die Strecke besteht aus sieben quadratischen Toren, die in einem Raum von 30 × 30 × 8 Metern angeordnet sind und einen Rundkurs von 75 Metern bilden.

Darüber hinaus verfügt die Strecke über markante und anspruchsvolle Manöver, darunter Split-S. Selbst wenn es zu einer Kollision kommt, kann der Pilot das Rennen fortsetzen, solange das Flugzeug weiterfliegen kann. Kommt es zu einer Kollision und kann keine der Drohnen die Strecke beenden, gewinnt die Drohne mit der größeren Distanz.

Swift hat an mehreren Rennen gegen Größen wie Alex Vanover (Weltmeister der Drone Racing League 2019), Thomas Bitmatta (MultiGP-Champion 2019) und Marvin Schaepper (3-facher Schweizer Meister) teilgenommen.

Swift gewann 5 von 9 Spielen gegen A. Vanover, 4 von 7 Spielen gegen T. Bitmatta und 6 von 9 Spielen gegen M. Schaepper.

Darüber hinaus hatte Swift 10 Verluste, von denen 40 % auf Kollisionen mit Gegnern, 40 % auf Kollisionen mit Türen und 20 % auf langsameres Fliegen als menschliche Piloten zurückzuführen waren.

Insgesamt gewann Swift die meisten Spiele gegen jeden menschlichen Piloten. Swift erzielte auch die schnellste Rennzeit und unterbot die Bestzeit des menschlichen Piloten A. Vanover um eine halbe Sekunde.

Datenanalysen zeigen, dass Swift insgesamt schneller ist als alle menschlichen Piloten, insbesondere in kritischen Phasen wie dem Start und Notkurven. Die Reaktionszeit des Swift beim Abheben ist kürzer und liegt im Durchschnitt 120 Millisekunden vor der eines menschlichen Piloten. Außerdem verfügt der Swift über eine stärkere Beschleunigung und erreicht am ersten Tor eine höhere Geschwindigkeit.

Darüber hinaus zeigt Swift bei engen Kurven engere Manöver, wahrscheinlich weil es seine Flugbahn über einen längeren Zeitraum optimiert. Menschliche Piloten hingegen planen ihre Manöver eher über kürzere Zeiträume und berücksichtigen dabei die Position von höchstens einer Tür in der Zukunft.

Darüber hinaus erreichte Swift die höchste Durchschnittsgeschwindigkeit auf der gesamten Strecke, fand die kürzeste Rennlinie und konnte das Fahrzeug erfolgreich nahe seiner Grenze fliegen lassen. Bei Zeitfahren, bei denen Swift mit menschlichen Champions verglichen wurde, zeigte die autonome Drohne konsistentere Rundenzeiten mit geringerem Mittelwert und geringerer Varianz, während die Leistung der menschlichen Piloten individueller und vielfältiger war und einen höheren Mittelwert und eine höhere Varianz aufwies.

Eine umfassende Analyse zeigt, dass die autonome Drohne Swift im Wettbewerb eine herausragende Leistung zeigte. Es zeichnet sich nicht nur durch seine Geschwindigkeit aus, sondern verfügt auch über einzigartige Eigenschaften in der Flugstrategie, die es ihm ermöglichen, während des gesamten Wettbewerbs ein hohes Leistungsniveau aufrechtzuerhalten.

Mehr als nur Drohnenrennen

Im Rahmen dieser Forschung wurden autonome Drohnenrennen auf der Grundlage verrauschter und unvollständiger sensorischer Eingaben aus der physischen Umgebung untersucht. Dabei wurde nachgewiesen, dass ein autonomes physisches System im Rennsport Leistungen auf Meisterschaftsniveau erzielen und manchmal sogar menschliche Weltmeister übertreffen kann. Dies unterstreicht die Bedeutung von Robotern, die im Breitensport Leistungen auf Weltmeisterschaftsniveau erzielen und einen wichtigen Meilenstein in der Robotik und Intelligenz erreichen.

Im Gegensatz zu menschlichen Piloten wurden die Systeme in der Studie jedoch nicht für die Wiederherstellung nach einem Absturz trainiert . Dies schränkt die Fähigkeit des Systems ein, nach einem Aufprall weiterzufliegen, während menschliche Piloten mit beschädigter Hardware weiterfliegen können.

Darüber hinaus ist das Swift-System im Vergleich zu menschlichen Piloten weniger anpassungsfähig an Umgebungsveränderungen und verwendet eine Kamera mit einer niedrigeren Bildwiederholrate. Obwohl diese Methode bei autonomen Drohnenrennen gute Ergebnisse liefert, ist ihre Generalisierbarkeit auf andere Systeme und Umgebungen der realen Welt noch nicht vollständig erforscht.

Natürlich beschränken sich die Erfolge von Kaufmann und seinem Team nicht nur auf den Bereich des Drohnenrennens. Die Technologie könnte auch im Militärbereich zum Einsatz kommen . Darüber hinaus kann ihre Technologie Drohnen ruhiger und schneller machen und ihnen eine größere Reichweite verleihen, sodass Roboter in Bereichen wie Fahren, Reinigen und Inspektionen begrenzte Ressourcen effizienter nutzen können.

Um diese Ziele zu erreichen, muss das Forschungsteam jedoch noch viele Herausforderungen bewältigen. Wie Croon in seinem Übersichtsartikel sagte: „Um einen menschlichen Piloten in jeder Rennumgebung zu schlagen, muss das System in der Lage sein, mit externen Störungen wie Wind, wechselnden Lichtverhältnissen, schlecht definierten Toren, anderen Renndrohnen und vielen anderen Faktoren zurechtzukommen.“

Link zum Artikel:

https://www.nature.com/articles/s41586-023-06419-4

https://www.nature.com/articles/d41586-023-02506-8

Autor: Yan Yimi Herausgeber: Academic Jun