Än så länge vinner en mänsklig drönarpilot över en AI-styrd variant när det gäller att så fort som möjligt navigera genom en hinderbana. Det blev slutsatsen när forskare vid NASAs Jet Propulsion Laboratory (JPL) i Pasadena i USA testade sina UAV-algoritmer i en hinderbana.
JPL-ingenjörer har utvecklat tre drönare med kameror och den artificiella intelligens som behövs för att dessa själva kan navigera i en hinderbana. Som ett test av algoritmerna tävlade drönarna mot en professionell pilot.
Bild: NASA/JPL-Caltech
Loppet, som hölls den 12 oktober, var ett resultat av två års forskning om drönarautonomi finansierad av Google. Företaget var intresserad av JPL:s arbete med visionbaserad navigering för rymdfarkoster – en teknik som även kan tillämpas på drönare. För att demonstrera forskarnas framsteg skapade JPL en tävlingsbana med tidtagning mellan deras AI-drönare och en världsledande drönarpilot vid namn Ken Loo.
Forskarlaget byggde tre anpassade drönare (kallade Batman, Joker och Nightwing) och utvecklade de komplexa algoritmer som dessa behövde för att flyga med höga hastigheter samtidigt som man undviker hinder. Dessa algoritmer integrerades med Googles Tango-teknik, som JPL också arbetar med. Drönarna byggdes enligt racingspecifikationer och kunde lätt komma upp i 130 km/h på en raksträcka. Men på hinderbanan kunde JPL:s drönare bara flyga i 50 km/h eller upp till 65 km/h innan de behövde använda ”bromsarna”.
– Vi utmanade våra algoritmer mot en människa som flyger mycket mer utifrån känsla. Du kan faktiskt se att den AI-baserade drönaren flyger smidigt runt banan medan piloter tenderar att accelerera mer aggressivt, så deras väg runt banan blir vildare, säger Rob Reid, uppdragsledare för projektet från JPL.
Jämfört med Ken Loo flög deras drönare försiktigtare men mer konsekvent. Forskarnas algoritmer är fortfarande under utveckling och drönarna förflyttade sig ibland så snabbt att oskärpan i rörelsen fick dem att tappa bort sig i omgivningen.
Ken Loo uppnådde högre hastigheter och kunde utföra imponerande ”luftkorkskruvar”. Men han var begränsad av att bli uttröttad, något som de AI-styrda drönarna inte behövde hantera.
– Detta är definitivt det tätaste bana jag någonsin har flugit. En av mina brister som pilot är att jag tröttnar lätt. När jag blir mentalt trött börjar jag åka vilse även om jag har kört banan 10 gånger, säger Ken Loo.
Medan AI-drönarna och den mänskliga piloten började med liknande varvtider lärde sig Ken Loo banan efter ett dussintals varv och blev mer kreativ och smidig. De officiella varvtiderna var för Ken Loo i genomsnitt 11,1 sekunder medan de autonoma drönarnas genomsnittstider var 13,9 sekunder. Men medan de senares tider totalt sett var mer konsekventa varierade Ken Loos tider mer. AI-drönarna kunde nämligen hålla samma racinglinje varje varv.
– Våra autonoma drönare kan flyga mycket snabbare. En dag kommer de kanske att tävla professionellt, säger Rob Reid.
Utan en mänsklig förare är autonoma drönare vanligtvis beroende av GPS för att hitta runt. Det är inte ett alternativ för inomhusutrymmen som lager eller täta stadsområden. En liknande utmaning finns även inom utvecklingen av autonoma bilar.
– Kamerabaserad lokalisering och karttekniker har olika potentiella tillämpningar. Dessa tekniker kan göra det möjligt för drönare att kontrollera produkter i ett varuhuslager eller bistå sök- och räddningstjänst på katastrofplatser. De kan i framtiden till och med användas för att hjälpa framtida robotar att navigera i en rymdstationens korridorer.
Du kan se en videosnutt om tävlingen från JPL på den här länken: https://www.jpl.nasa.gov/news/news.php?feature=7009