Пустынные муравьи научили роботов навигации по Солнцу
Французские инженеры создали робота, который использует для навигации методы муравьев, обитающих в пустынях. Разработчики научили его находить путь домой с помощью подсчета шагов, измерения оптического потока во время ходьбы, а также определять направление по излучению Солнца. Эксперименты показали, что робот способен успешно возвращаться в исходную позицию кратчайшим путем, даже если до этого он двигался случайным образом, говорится в статье, опубликованной в Science Robotics.
Большинство современных устройств и видов транспорта использует для точной навигации сигналы спутниковых систем. Поскольку эти сигналы могут быть недоступны, инженеры разрабатывают системы, способные действовать автономно. К примеру, ракеты, космические аппараты и другие маневренные летающие объекты зачастую оснащаются инерциальной системой навигации, позволяющей рассчитывать пройденный путь и направление по показаниям гироскопов и акселерометров. Кроме того, исследователи продолжают искать, в том числе и у живых организмов, другие способы навигации.
Одни из самых известных животных, обладающих надежной и разносторонней системой навигации — муравьи. Как правило, они используют для поиска пути домой следовые феромоны, оставляемые во время движения. Однако, этот метод работает не во всех условиях. К примеру, в жарких пустынях выделяемые муравьями феромоны просто разрушаются под действием солнечного света и тепла. Вместо маркировки пути веществами муравьи, обитающие в пустынях, такие как Cataglyphis fortis и Melophorus bagoti, используют комбинацию нескольких методов. На больших расстояниях они используют метод интегрирования по траектории, позволяющий рассчитать кратчайший путь домой. Для этого они подсчитывают пройденные шаги, оценивают оптический поток (скорость движения поверхности относительно сетчатки) и рассчитывают направление по высоте Солнца и поляризации рассеянного излучения неба, которая зависит от времени суток. Когда муравей приходит к концу пути с помощью интегрирования по траектории, для поиска входа в муравейник он использует визуальные признаки (наиболее выделяющиеся объекты).
Стефан Виолле (Stephane Viollet) и его коллеги из Университета Экс-Марсель создали робота, который использует для навигации методы, найденные у пустынных муравьев. Он имеет шесть ног, а также множество датчиков, показания которых собираются в одноплатном компьютере Raspberry Pi. В качестве солнечного компаса робот использует пару ультрафиолетовых датчиков, а также поляризаторов, вращение которых позволяет установить распределение поляризации падающего света по небу, а значит, и определить направление движения. Кроме того, в роботе установлен датчик оптического потока. Он состоит из двух рядов по шесть гексагональных пикселей. Благодаря задержке появления изображения на двух соседних пикселях, датчик может рассчитать оптический поток. Также робот способен запоминать количество сделанных шагов.
В качестве экспериментальной площадки авторы подготовили пол с текстурированной поверхностью, по которой ходил робот. Сначала он двигался по случайной кривой, доходя до края площадки, а затем возвращался в исходную позицию, останавливаясь несколько раз для пересчета направления и расстояния с учетом новых данных. Во время эксперимента инженеры проверили пять различных алгоритмов, использующих один или несколько компонентов муравьиной навигации.
Эксперименты показали, что при использовании наиболее полного алгоритма робот успешно возвращался в исходную позицию со средней ошибкой 0,67 процента. Авторы отмечают, что во время экспериментов робот проходил около 14 метров, поэтому результаты экспериментов нельзя назвать полностью повторяющими результаты движения настоящих муравьев. Если учитывать размер, скорость движения и пройденную дистанцию, то в аналогичных условиях робот должен пройти более 30 километров, чтобы сравняться с муравьями, проходящими несколько сотен метров.
В 2016 году немецкие ученые показали, что навигация по количеству шагов и оптическому потоку у муравьев работает независимо друг от друга. Они провели эксперименты с муравьями-фуражирами, переносившими муравьев-рабочих. Если пару муравьев разъединяли, рабочий мог найти обратный путь в муравейник. Если же на глаза этому муравью надевали повязку, он уже не мог найти обратного пути.
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.