Folgen Sie Subraum Transmissionen auch gerne auf Social Media:
In einem bemerkenswerten Wettflug triumphierte eine mit künstlicher Intelligenz gesteuerte Drohne über menschliche Weltklassepiloten. Diese autonome Drohne, bekannt als „Swift“, wurde speziell entwickelt, um menschliche Piloten in Hochgeschwindigkeitsrennen zu besiegen. Die beeindruckenden Ergebnisse und technischen Details hinter diesem Erfolg wurden von Ingenieur Elia Kaufmann und seinem Team von der Universität Zürich im Fachjournal „Nature“ veröffentlicht.
Technische Details und Hintergründe
Swift nutzt Deep Reinforcement Learning (Deep RL), eine fortschrittliche Form des maschinellen Lernens. Diese Methode verwendet künstliche neuronale Netzwerke, die ähnlich wie das menschliche Gehirn funktionieren und durch Interaktionen mit ihrer Umgebung lernen. Deep RL hat bereits beeindruckende Erfolge in der künstlichen Intelligenz ermöglicht, etwa bei komplexen Spielen wie Go und Schach.
Trainingsumgebung und Simulation
Um die Risiken während der Trainingsphase zu minimieren, wurde Swift zunächst in simulierten Umgebungen trainiert. Die Simulation ermöglichte es der Drohne, das Fliegen zu erlernen, ohne physische Schäden zu riskieren. Eine Kamera an Bord der Drohne liefert Echtzeitbilder der Umgebung, während ein Inertialsensor Daten zur Beschleunigung und Geschwindigkeit bereitstellt. Diese Daten werden von der Steuereinheit der Drohne genutzt, um optimale Flugentscheidungen zu treffen.
Übertragung von der Simulation zur Realität
Ein entscheidender Aspekt von Swifts Erfolg war die Fähigkeit, von der Simulation zur Realität überzugehen. Hierbei wurden nicht-parametrische empirische Rauschmodelle verwendet, die aus realen Daten abgeleitet wurden. Diese Modelle halfen dabei, Unterschiede zwischen der simulierten und der physischen Welt zu überbrücken, was für die erfolgreiche Anwendung der gelernten Steuerungspolitiken in der realen Welt entscheidend war.
Rennstrecke und Wettbewerb
Die physische Rennstrecke, entworfen von einem professionellen Drohnenrenn-Piloten, umfasste sieben Tore auf einer Strecke von 75 Metern. Swift trat gegen drei menschliche Spitzenpiloten an, darunter Alex Vanover, den Weltmeister der Drone Racing League von 2019. Trotz der intensiven Vorbereitung der menschlichen Piloten konnte Swift mehrere Rennen gewinnen und die schnellste Rundenzeit erreichen.
Technische Komponenten von Swift
Swifts System besteht aus zwei Hauptmodulen:
- Das “Wahrnehmungsmodul”: Dieses Modul ist dafür zuständig, die Umgebung wahrzunehmen. Es kombiniert Bilder von der Kamera der Drohne und Daten von ihren Bewegungssensoren, um eine klare Vorstellung von der Position und Bewegung der Drohne zu erzeugen. Ein visuell-inertiales Odometriemodul (VIO) und ein neuronales Netzwerk zur Torerkennung arbeiten zusammen, um genaue Informationen darüber zu liefern, wo sich die Drohne befindet und wohin sie sich bewegt.
- Die Steuereinheit: Dieses Modul übernimmt die Steuerung der Drohne. Es besteht aus einem zweilagigen neuronalen Netzwerk, das die Daten des Kalman-Filters nutzt, um die besten Steuerbefehle zu berechnen. Diese Befehle werden durch ein spezielles Training in der Simulation, bekannt als Deep Reinforcement Learning (Deep RL), optimiert. Während des Trainings lernt die Drohne, wie sie ihre Flugroute verbessern kann, indem sie sowohl den Fortschritt als auch die Genauigkeit der Torerkennung berücksichtigt.
Überlegungen zur Real-World-Performance
Das Training allein in der Simulation wäre nicht ausreichend gewesen, um eine hohe Performance in der realen Welt zu gewährleisten. Daher wurden in der realen Welt Daten gesammelt, um die Simulatoren zu verfeinern. Diese realen Daten halfen dabei, charakteristische Fehler in der Wahrnehmung und Dynamik zu identifizieren und zu modellieren.
Bedeutung und Ausblick
Swifts Erfolge markieren einen wichtigen Meilenstein in der mobilen Robotik und künstlichen Intelligenz. Diese Technologie könnte in Zukunft hybride, lernbasierte Lösungen für andere physische Systeme inspirieren. Die Fähigkeit, menschliche Weltmeister in einem realen Wettkampf zu übertreffen, zeigt das immense Potenzial autonomer Systeme und könnte wegweisend für zukünftige Entwicklungen in der Robotik und KI sein.
Insgesamt zeigt Swifts Leistung, wie weit fortgeschrittene KI-Methoden autonome Systeme befähigen können, in anspruchsvollen, realen Umgebungen auf höchstem Niveau zu agieren. Dies öffnet neue Horizonte für die Anwendung von KI in verschiedenen industriellen und kommerziellen Bereichen.