DJI упростила интеграцию стороннего оборудования в свои дроны
Компания DJI представила адаптер и платформу для разработчиков, позволяющие устанавливать на дроны датчики и аппаратуру сторонних производителей. Они смогут получать от дрона информацию о его состоянии и питаться от его аккумулятора, а также пересылать через его передатчик данные на пульт оператора. Также DJI представила новую тепловую камеру с двумя сенсорами, объединяющую снимки в инфракрасном и видимом диапазоне, сообщает Engadget.
Дроны используются не только для съемки с воздуха, но и для множества других задач, например, для обработки полей пестицидами. Но у каждого предприятия или исследовательской группы свои задачи и под многие из них нет серийно выпускаемых дронов. Из-за этого в таких случаях приходится либо создавать свой дрон с нуля, но при этом его полетные характеристики вряд ли будут соответствовать аналогам крупных компаний, либо модифицировать коммерческие дроны под свои нужды, но это также не очень просто. В частности, многие дроны не позволяют получать доступ к телеметрии, своему радиопередатчику и питанию, из-за чего разработчикам приходится устанавливать дополнительные аккумуляторы и модули связи, что дополнительно утяжеляет летательный аппарат.
Китайский производитель дронов DJI представил систему, позволяющую сторонним разработчикам интегрировать свое оборудование в беспилотник на уровне собственного оборудования компании. Система состоит из двух частей: аппаратной и программной. Компания создала специальный адаптер SKYPORT, позволяющий закреплять оборудования прямо на встроенном моторизованном подвесе для камеры и датчиков.
Также DJI выпустила SDK (набор средств разработки), позволяющий внешнему оборудованию получать от дрона телеметрию, например, местоположение, высоту, а также заряд аккумулятора. Кстати, через адаптер стороннее оборудование сможет получать и питание от аккумулятора дрона. Кроме того, оно сможет передавать свои данные в реальном времени на пульт оператора без необходимости сажать дрон для скачивания данных. Стоит отметить, что на распространенные модели DJI, такие как Phantom, Mavic и Inspire установить стороннее оборудование не получится, потому что система совместима только с промышленной линейкой Matrice. Новая система будет совместима с предыдущими подобными инструментами компании: Onboard SDK и Mobile SDK.
Помимо системы интеграции стороннего оборудования DJI представила новую камеру Zenmuse XT2, прикрепляемую на подвес дрона. Она имеет два сенсора, работающих в видимом и инфракрасном диапазоне. Во время работы камера накладывает на тепловую съемку данные с обычного сенсора c разрешением 4K и выдает единое изображение. У камеры есть несколько режимов, связанных с тепловой съемкой, например, она может автоматически наводиться на самый горячий объект в поле видимости или предупреждать оператора, что температура объекта превысила заданный предел.
В прошлом году DJI представила систему идентификации дронов. Она позволяет регулирующим и правоохранительным органам перехватывать информацию о дронах компании в радиусе пяти километров. С ее помощью можно получать информацию о скорости, местоположении, высоте, месте взлета, направлении полета, идентификационном номере дрона, а также местоположении оператора.
Григорий Копиев
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.