Teknovation Logo
robot

 
  • Ved AU´'s AiR Lab er droner og AI i fokus. (Foto: Lars Kruse/AU Foto)

6. august 2020, kl. 11:22 

Autonomt droneræs hæver barren for AI

For at kunne opfatte det miljø, som droner flyver i, og planlægge fremtidige handlinger er de nødt til at flyve langsomt. Men, hvis dronerne i stedet kunne flyve hurtigere, ville agilitet og ydeevne øges. Et team af forskere fra Aarhus Universitet, AU, har nu taget et skridt frem på området.


En af de helt store gordiske knuder inden for autonom styring af transportmidler er at få kunstig intelligens, AI, til at opfatte og forstå verden omkring den, således at den kan reagere og manøvrere tidsvarende – uanset om det er en bil, et skib, et fly en luft-taxa eller endda en drone, den styrer.

Og et af de helt store håb i forhold til at løse denne knude er droneræs. Drone racing, som sporten hedder på engelsk, er forskere fra AU interesseret i. Imidlertid er autonomt droneræs, hvor det alene er AI, der guider dronen gennem portene på banen. Men, hvis man skal vinde i droneræs, gælder det om at flyve hurtigt og sikkert, mens man undviger forhindringer. Og det kræver en drone, som er let og lille og adræt, fortæller lektor Erdal Kayacan, AU' s Institut for Ingeniørvidenskab.

Annonce - artiklen fortsætter under banneret


Her kommer computervision ind i spillet. For når dronen skal være let, lille og adræt, er der ikke plads til en masse sensorer, der kan opfange landskabet, når dronen passerer, og der er slet ikke energi i dronens små batterier til at holde trit med udregningstunge neurale netværk, som kræver store mængder energi for at få den kunstige intelligens til at kunne reagere på inputs.

Så hvis man kan udvikle nogle effektive AI-algoritmer, der kan manøvrere en drone gennem porte på en forhindringsbane på samme måde, som mennesker kan, vil det få vidtrækkende konsekvenser for en meget lang række applikationer. Eksempelvis inden for robotteknologi:

”Vi er sådan set ude på at få AI til at reagere på ukendt terræn, samtidig med at den skal bruge mindst mulig strøm og færrest muligt sensorer på det. Og der er autonomt droneræs bare den bedste måde at skubbe grænserne for, hvad der er muligt,” siger Erdal Kayacan.

Erdal Kayacan leder forskningsgruppen Artificial Intelligence in Robotics, AiR, på universitetet, og her er man netop i gang med at skubbe til grænserne for den kunstige intelligens’ kunnen. Teamet har netop udviklet en datagenererings-metode, der danner grundlag for hurtigere og mere effektiv træning af den kunstige intelligens:

”Generering af datasæt med info om de faktiske omgivelser, såkaldt ground truth, er lige så vigtigt i dag som at foreslå helt nye metoder til maskinlæring,” siger lektoren.

Han forklarer, at der i hovedtræk i dag er tre måder at generere disse data på. Man kan indsamle data fra den virkelige verden eller udelukkende fra simuleringer eller ved en kombination af de to.

Den første metode (indsamling af data fra den virkelige verden) genererer rigtige billeder af rigtige porte i rigtige miljøer. Men denne metode kræver manuel mærkning af porte på hvert træningsbillede, og det er tidskrævende. En automatisk mærkningsmetode er altid at foretrække, og der kræver metoden en meget nøjagtig placering af porten i forhold til dronen, og det er ikke altid muligt.

På den anden side, er alting meget præcist defineret i det simulerede miljø i den anden metode (indsamling af data ved simulering). Men, her er den store ulempe, at det er vanskeligt at skabe et fotorealistisk miljø.

Og så er der den tredje metode, der kombinerer fordelene ved de første to. Den metode har forskningsteamet selv udviklet, og holdet har netop publiceret en artikel om den ved WCCI 2020, der foregik i slutningen af juli.

”Vi kalder metoden ’semi-syntetisk’, da vi kombinerer virkelige baggrundsbilleder med randomiserede 3D-renderinger af portene, dronen skal passere. På den måde kan vi meget hurtigt beregne ground truth for praktisk talt enhver måling, og det gør det hurtigt at træne den kunstige intelligens i en ubegrænset mængde af øvelser,” siger Erdal Kayacan.

Ud over lektor Erdal Kayacan har gæste-ph.d.-studerende Andriy Sarabakha fra Nanyang Technological University og kandidatstuderende Théo Morales bidraget til den nyudviklede metode.


  • Del denne artikel på Facebook
  • Del denne artikel på Twitter
  • Del denne artikel på LinkedIn

 

 
 
 
 
 
Teknovation
 
 
Teknovation ApS
Sydvestvej 110, 1
2600 Glostrup
T. 46139000
F. 46139021
M. info@teknovation.dk
CVR Nr. 28680392

 
Copyright © Teknovation ApS
All Rights Reserved.
CMS: Scalar Media

Persondata- og cookiepolitik