Акустический симулятор поможет превратить драконов в свистульки
Новая интерактивная программа Printone позволит создавать свистульки любой формы для печати на 3D-принтере. Во время работы над их дизайном пользователи смогут услышать, как влияют вносимые ими изменения на звучание, и исходя из этого подкорректировать размер или форму духовых инструментов. Программа Printone будет показана на конференции ACM SIGGRAPH, со статьей разработчиков можно ознакомиться здесь.
Несмотря на то, что духовые инструменты отличаются многообразием размеров и форм, в большинстве своем, они представляют деревянные или металлические трубки различной конфигурации. Особенности возникновения акустического резонанса в них хорошо изучены. Однако при создании инструмента более сложной формы, например свистульки в форме дракона, могут возникнуть трудности. Из-за нестандартной геометрии внутренней полости звук не всегда получается таким, как было запланировано, а его «настройка» занимает много времени и усилий. Поэтому исследователи из компании Autodesk и Дартмутского колледжа создали программу, которая позволяет спроектировать духовой инструмент, исходя из набора желаемых нот.
Сначала пользователю предлагается задать форму будущей свистульки: для этого необходимо загрузить в Printone полигональную сетку, изображающую желаемый объект. После обработки данных, программа автоматически рассчитывает, какой будет полость внутри будущего музыкального инструмента. Затем пользователь должен выбрать, где разместить мундштук, а также задать размер свистульки — от последнего параметра зависит, какую самую низкую ноту можно будет взять на инструменте. Потом добавляются звуковые отверстия: это можно сделать как вручную, так и в автоматическом режиме (в этом случае программа сама настроит их форму в зависимости от заданных нот). Все это время Printone непрерывно «играет» на инструменте, позволяя пользователю послушать, как влияют изменения в дизайне на звук. После того, как работа над свистулькой закончена, ее можно распечатать на 3D-принтере.
Музыкальный фидбек программы основывается на симуляции акустического резонанса. Как известно, духовые инструменты обычно состоят из двух элементов — мундштука и резонатора. Мундштук рождает колебания воздуха, то есть звуковые волны, в определенном диапазоне частот — они позволяют резонансу возникнуть и поддерживают его. Резонатор, в свою очередь, усиливает колебания волн определенных частот (соответствующих его собственной резонансной частоте), и делает звук слышимым. При создании Printone исследователи фокусировались на доминантной частоте получаемого звука — одной из резонансных частот, которую музыкант может контролировать путем изменения амбушюра или скорости выдувания воздуха.
Работу программы исследователи проверили, создав 16 свистулек разной формы: звезду, на которой можно играть колыбельную «Twinkle, Twinkle, Little Star», кролика, который играет детскую песню «Little Peter Rabbit», снеговика для «Jingle Bells» и другие. Качество напечатанных инструментов проверяли с помощью тюнера.
В прошлом году
создали алгоритм, позволяющий дорабатывать металлические предметы для звучания с заданной частотой и амплитудой. Он позволяет создавать пластины необычной формы для идиофонов. Работу программы исследователи продемонстрировали, создав металлофон, где все пластины были выполнены в форме зверей.
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.
