Оптическая ловушка помогла создать цветную трехмерную голограмму
Американские ученые научились создавать трехмерные цветные голограммы, похожие на скульптуры. Для этого они быстро перемещали непрозрачную частицу с помощью оптической ловушки и освещали ее лазерами разных цветов. Созданные изображения достигают размера нескольких сантиметров и могут сменяться с частотой до тринадцати кадров в секунду. Статья опубликована в Nature.
Впервые голограммы — трехмерные изображения объектов — научился получать в 1947 году венгерский физик Денеш Габор. В предложенной им схеме использовались когерентные пучки света, что позволяло записывать не только амплитуду, но и фазу волн. В дальнейшем схему Габора усовершенствовали, однако принцип создания голограмм в целом остался прежним. Подобные голограммы сейчас широко используются — например, их можно найти на акцизных марках. Тем не менее, у них есть серьезный недостаток: голографическое изображение можно наблюдать только в ограниченном диапазоне углов, его нельзя покрутить и рассмотреть со всех сторон. Эти голограммы вовсе не похожи на объемные изображения из научной фантастики.
С другой стороны, в последнее время ученые предложили несколько способов изготовления объемных дисплеев (volumetric display) — устройств, которые позволяют получать по-настоящему трехмерные голограммы, похожие на скульптуры. В таких устройствах свет рассеивается не на пластинке, а непосредственно на точках, формирующих изображение (грубо говоря, на парящих в воздухе пылинках). На данный момент ученые разработали несколько типов подобных дисплеев, в их число входят индуцированные плазменные дисплеи (induced plasma displays), модифицированные воздушные дисплеи (modified air displays) и дисплеи, использующие акустическую левитацию (acoustic levitation displays). К сожалению, эти технологии тоже пока далеки от совершенства — плазменные дисплеи не умеют создавать цветные изображения, а последние два типа не могут обеспечить точность, сравнимую с обычной голографией.
Однако группе ученых под руководством Даниела Смолли (Daniel Smalley) из Университета Бригама Янга удалось разработать объемный дисплей, который создает цветные изображения с разрешающей способностью порядка десяти микрометров. Для этого они заключали непрозрачную частицу размером несколько микрометров в «оптическую ловушку» (optical trap), используя наклонный астигматизм и сферические аберрации лазерного излучения с длиной волны 405 нанометров, а затем подсвечивали ее с помощью параллельных разноцветных лазеров. Это позволяло передвигать частицу со скоростью до 1,8 метра в секунду и ускорением до 58 метров в секунду в квадрате, так что сторонний наблюдатель видел цельный объект благодаря инерции зрения; похожим образом изображение кажется единой картинкой на экране телевизора с электронно-лучевой трубкой, также аналогичный эффект используется художниками-фризлайтерами.
С помощью построенной установки авторам статьи удалось проиграть трехмерную видеозапись с частотой около 13 кадров в секунду. Каждый кадр в этом случае состоял из более чем шестнадцати тысяч цветных точек, причем мерцание изображения было практически незаметно для невооруженного глаза. Также ученые получили более сложные изображения (на фотографиях выше), увеличивая время выдержки до минуты. Кроме того, дисплей на основе оптической ловушки может создавать изображения объемом более ста кубических сантиметров, а число доступных цветов достигает 16 миллионов (24-битный цвет).
Авторы статьи отмечают, что для создания дисплея они использовали коммерчески доступное оборудование, и его производство стоит меньше, чем производство объемных дисплеев трех других типов.
В апреле 2015 года в Испании прошла акция протеста, в которой не участвовало ни одного живого человека. Вместо них на митинге против закона о гражданской безопасности выступило около двух тысяч голограмм демонстрантов.
Дмитрий Трунин
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.
