Manufaktur industri
Industri Internet of Things | bahan industri | Pemeliharaan dan Perbaikan Peralatan | Pemrograman industri |
home  MfgRobots >> Manufaktur industri >  >> Manufacturing Technology >> Sistem Kontrol Otomatisasi

Perkembangan CMU: Melatih Drone Otonom dengan Data Simulasi Lintas-Moda

Untuk terbang secara otonom, drone perlu memahami apa yang mereka indikasikan di lingkungan dan membuat keputusan berdasarkan informasi tersebut. (Lihat video di bawah.)

Metode baru yang dikembangkan oleh peneliti Carnegie Mellon University memungkinkan drone untuk belajar persepsi dan tindakan secara terpisah.

Pendekatan dua tahap ini mengatasi “celah simulasi-ke-realitas”, dan menciptakan cara untuk dengan aman menerapkan drone yang dilatih sepenuhnya pada data simulasi ke navigasi jalur dunia nyata.

Rogerio Bonatti, mahasiswa doktoral di Robotics Institute School of Computer Science, berkata: “Biasanya drone yang dilatih pada data simulasi photorealistik terbaik akan gagal di dunia nyata karena pencahayaan, warna dan tekstur masih terlalu berbeda untuk diterjemahkan.

“Modul persepsi kami dilatih dengan dua moda untuk meningkatkan ketangguhan terhadap variabilitas lingkungan.”

Moda pertama yang membantu melatih persepsi drone adalah gambar. Peneliti menggunakan simulator photorealistik untuk menciptakan lingkungan yang mencakup drone, lapangan sepak bola, dan gerbang merah yang diangkat dari tanah dan diposisikan secara acak untuk membuat lintasan.

Mereka kemudian membangun dataset besar dari gambar simulasi dari ribuan konfigurasi drone dan gerbang yang dihasilkan secara acak.

Moda kedua yang diperlukan untuk persepsi adalah mengetahui posisi dan orientasi gerbang di ruang, yang dicapai peneliti menggunakan dataset gambar simulasi.

Mengajar model menggunakan beberapa moda memperkuat representasi yang tangguh dari pengalaman drone, berarti dapat memahami inti lapangan dan gerbang dengan cara yang diterjemahkan dari simulasi ke realitas.

Mengkompres gambar untuk memiliki pikiran lebih sedikit membantu proses ini. Belajar dari representasi low-dimensional memungkinkan model untuk melihat melalui noise visual di dunia nyata dan mengidentifikasi gerbang.

Setelah persepsi dipelajari, peneliti menerapkan drone dalam simulasi sehingga dapat belajar kebijakan kontrolnya – atau bagaimana bergerak secara fisik.

Dalam kasus ini, belajar kecepatan mana yang akan diterapkan saat menavigasi lintasan dan menemui setiap gerbang. Karena ini adalah lingkungan simulasi, program dapat menghitung trajetur optimal drone sebelum deployment.

Metode ini memberikan keuntungan atas pembelajaran yang diawasi secara manual menggunakan operator ahli, karena pembelajaran dunia nyata dapat berbahaya, memakan waktu dan mahal.

Drone belajar menavigasi lintasan dengan melalui langkah-langkah pelatihan yang ditetapkan oleh peneliti. Bonatti mengatakan dia menantang kelincahan dan arah spesifik yang akan dibutuhkan drone di dunia nyata.

Bonatti berkata: “Saya membuat drone belok ke kiri dan ke kanan dalam bentuk lintasan yang berbeda, yang menjadi lebih sulit saat saya menambahkan lebih banyak noise. Robot tidak belajar untuk merekreasi melewati lintasan tertentu.

“Alih-alih, dengan secara strategis mengarahkan drone simulasi, ia belajar semua elemen dan jenis gerakan untuk berbalap secara otonom.”

Bonatti ingin mendorong teknologi saat ini untuk mendekati kemampuan manusia dalam menginterpretasikan petunjuk lingkungan.

Dia berkata: “Sebagian besar pekerjaan tentang balapan drone otonom sejauh ini telah fokus pada merancang sistem yang dilengkapi sensor dan perangkat lunak tambahan dengan tujuan tunggal kecepatan.

“Alih-alih, kami bertujuan untuk menciptakan kain komputasi, terinspirasi dari fungsi otak manusia, untuk memetakan informasi visual ke tindakan kontrol yang benar melalui representasi laten.”

Tetapi balapan drone hanyalah satu kemungkinan untuk jenis pembelajaran ini. Metode memisahkan persepsi dan kontrol dapat diterapkan pada banyak tugas berbeda untuk kecerdasan buatan seperti berkendara atau memasak.

Sementara model ini bergantung pada gambar dan posisi untuk mengajarkan persepsi, moda lain seperti suara dan bentuk dapat digunakan untuk upaya seperti mengidentifikasi mobil, liar atau objek

Peneliti yang berkontribusi pada pekerjaan ini termasuk Sebastian Scherer dari Carnegie Mellon, dan Ratnesh Madaan, Vibhav Vineet dan Ashish Kapoor dari Microsoft Corporation.

Karya tulis, Learning Visuomotor Policies for Aerial Navigation Using Cross-Modal Representations, telah diterima di International Conference on Intelligent Robots and Systems 2020.

Kode karya tulis bersumber terbuka dan tersedia untuk peneliti lainnya.

Sistem Kontrol Otomatisasi

  1. Menavigasi SaaS dan Cloud: Mengapa Manajemen Data yang Teliti Penting
  2. 10 Manfaat Utama Penyimpanan Cloud untuk Bisnis Modern
  3. Streaming Data Suhu Real-Time dari ppDAQC Pi-Plate ke InitialState dengan Raspberry Pi Tanpa Monitor
  4. Robot yang Dikontrol Gestur dengan Raspberry Pi
  5. Menyiapkan Operasi Manufaktur Anda untuk AI dengan IoT
  6. Teknologi Drone Memperluas Jangkauan IoT Seluler
  7. Bagaimana Drone Berbasis IoT Merevolusi Operasi Lapangan
  8. Masa Depan Drone: Kemampuan, Peluang, dan Risiko
  9. Ilmuwan Capai Superfluoresensi Terkontrol dengan Superlattis Nanokristal Perovskit Besi Halida
  10. UAV Komposit Revolusi Teknologi Drone