Автономный гоночный дрон соревнуется с бывшим чемпионом мира на специальной трассе. Система MonoRace обеспечивает автономный полет при минимальном потреблении ресурсов.
Команда исследователей из лаборатории MAVLab, входящей в факультет авиационной и космической техники Технологического университета Делфта, разработала автономную систему для гоночных дронов под названием MonoRace. Эта система позволяет дрону преодолевать трассу быстрее, чем это могут сделать бывшие чемпионы мира по управлению дронами с использованием традиционных, управляемых вручную гоночных квадрокоптеров. Автономная система MonoRace использует всего одну камеру для ориентации в пространстве. Оборудованные этой системой гоночные дроны способны развивать скорость до 100 км/ч.
Задача создания трассы для гонок с использованием дрона заключается в том, чтобы дрон мог максимально быстро ориентироваться в окружающей среде за очень короткое время и соответствующим образом корректировать свою позицию и скорость полета. Только таким образом можно гарантировать, что дрон не пропустит ни одного элемента трассы, не потеряет ориентацию или не столкнется с препятствием. При этом необходимо стремиться к использованию минимального количества датчиков и небольших вычислительных ресурсов, а также экономии энергии.
Ученые разработали систему MonoRace для дрона, которая использует только одну камеру, направленную вперед, как описано в статье "MonoRace: Надежный монокулярный искусственный интеллект для гонок дронов на уровне профессионалов", опубликованной в журнале Science Robotics. Кроме того, дрон с системой MonoRace оснащен только одним инерциальным измерительным блоком (IMU) для определения его положения в пространстве. Все процессы восприятия, навигации и управления осуществляются посредством камеры и датчиков ориентации. Дрон не оснащен GPS для определения местоположения. Кроме того, ученые придавали большое значение максимальной автономности системы, поэтому в ней не используются внешние системы распознавания изображений.
Сосредоточение на главном.
Дрон ограничивается в распознавании окружающей среды только самым необходимым: идентификацией ворот, через которые он должен пролететь на трассе в определенной последовательности. При этом исследователи учитывали, что изображения с камер, получаемые из-за скорости движения, могут быть искажены и размыты. Для распознавания ворот на изображениях с камеры используется нейронная сеть, которая работает энергоэффективно на небольшом компьютерном чипе, выполняющем функцию контроллера дрона. Она непосредственно генерирует управляющие команды для управления двигателями. Контроллер выдает около 500 управляющих команд в секунду.
Нейронная сеть была обучена с использованием метода обучения с подкреплением (Reinforcement Learning). Благодаря этому система научилась напрямую управлять двигателями, что позволяет ей реагировать чрезвычайно быстро в пределах физических ограничений дрона. Контроллер таким образом может оптимально использовать свои ресурсы и потреблять меньше энергии, что позволяет выполнять все вычисления непосредственно на борту дрона. Управление двигателями комбинируется с данными от инерциальной системы (IMU), которая определяет положение и движение дрона для обеспечения автономного полета.
Тест против бывшего чемпиона мира в гонках дронов.
Ученые из Технологического университета Делфта протестировали систему MonoRace в условиях сложного соревнования – Abu Dhabi Autonomous Drone Racing Competition 2025. Дрон и трасса были предоставлены организаторами. Таким образом, системе MonoRace пришлось сначала быть адаптированной для конкретного дрона, а затем настроиться на неизвестный маршрут. Дрону удалось достичь скорости до 100 км/ч на соревновательной трассе и пройти ее без ошибок. Система MonoRace смогла обойти все другие команды автономных гоночных дронов, а также трех бывших чемпионов мира по гонкам дронов среди людей.
Разработанная исследователями из Технического университета Делфт система MonoRace, однако, может быть адаптирована и использована для других автономных роботизированных систем, в которых планируется применение современных систем искусственного интеллекта. Помимо скорости, эти системы могут быть оптимизированы в зависимости от требований, например, по показателям энергоэффективности или безопасности. Возможные области применения включают управление роботами-пылесосами и крупными портовыми кранами.
Первоисточник — Heise
Сообщите редакции. Существенные исправления мы отмечаем в материале