Нейросеть уничтожила тараканов лазером
И отучила их прятаться в укрытиях
Британские и французские инженеры разработали устройство для автоматической борьбы с тараканами. Оно обнаруживает их с помощью нейросети и наводит лазерный луч для уничтожения. Статья опубликована в журнале Oriental Insects.
Чаще всего для борьбы с тараканами используют инсектициды. Их можно использовать либо сразу на весь дом, но часто в таком случае его необходимо покинуть на некоторое время, либо ситуативно на каждого таракана, но поскольку тараканы быстро бегают, это требует некоторой ловкости. Гипотетически для борьбы с этими и другими насекомыми можно было бы использовать лазеры, которые уже применяют для борьбы с сорняками, но и здесь перед инженерами встает проблемы высокой скорости насекомых.
Ильдар Рахматулин (Ildar Rakhmatulin) из Университета Хериот-Уатт вместе с двумя коллегами разработал автоматизированное устройтство для борьбы с тараканами при помощью лазера. Оно состоит из двух камер, одноплатного компьютера Jetson Nano, лазера мощностью 1,6 ватта и подвижного зеркала, которое отклоняет лазерный луч и посылает его в заданную точку.
Во время работы устройство анализирует данные с камер с помощью нейросети YOLOv4, дообученной для обнаружения тараканов в кадре. После того, как таракан был обнаружен, устройство рассчитывает местоположение таракана и посылает лазеру и зеркалу соответствующие команды. Тесты показали, что точность определения местоположения составляет один сантиметр на расстоянии 10 метров.
Для проверки инженеры использовали 150 тараканов Blattela germanica и прозрачный пластиковый короб. Эксперименты показали, что лазер способен нейтрализовать тараканов примерно за секунду. Правда, успех зависел от того, в какую часть попадал луч. Например, наведение на конец ноги в некоторых случаях позволяло насекомому убегать и спасаться, тогда как воздействие на другие части тела обычно летально. Кроме того, инженеры смогли отучить тараканов прятаться в укрытиях, воздействуя на них лазером малой мощности.
Авторы отмечают, что несмотря на довольно успешные результаты, это устройство нельзя рассматривать как потенциальный прибор для домашнего использования, поскольку лазер может представлять опасность для глаз людей в доме.
Не все способы борьбы с тараканами одинаково полезны. В 2019 году ученые выяснили, что аэрозоли для борьбы с тараканами неэффективны, но при этом они оставляют на поверхностях в доме инсектициды, потенциально опасные для здоровья людей.
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.
