研究人員使用交叉模式模擬數據訓練自主無人機

為了自主飛行，無人機需要了解他們在環境中的感知，並根據這些信息做出決策。卡內基梅隆大學研究人員開發的新方法允許無人機分別學習感知和行動。這兩階段的方法克服了&34;，並創造了一種將完全基於模擬數據訓練的無人機安全地部署到真實世界課程導航的方法。

計算機科學學院機器人研究所的博士生羅傑裡奧·博納蒂（Rogerio Bonatti）說：&34;我們的感知模塊經過兩種模式培訓，可提高環境變異的穩健性。

幫助訓練無人機感知的第一個模式是圖像。研究人員使用逼真的模擬器來創造一個環境，包括無人機，一個足球場和紅色方門從地面升起，並隨機定位，以創建軌道。然後，他們構建了來自數千個隨機生成的無人機和門配置的模擬圖像的大型數據集。

感知所需的第二種模式是了解門在空間的位置和方向，研究人員使用模擬圖像數據集完成了這一點。

使用多種模式對模型進行教學，強化了無人機體驗的穩健表現，這意味著它能夠以從模擬到現實的翻譯方式理解現場和大門的本質。壓縮圖像以減少像素有助於此過程。從低維表示中學習，模型可以看穿現實世界中的視覺噪聲並識別門。

通過學習感知，研究人員在模擬中部署無人機，以便了解其控制策略或如何物理移動。在這種情況下，它了解在導航課程並遇到每個門時應用的速度。因為它是一個模擬環境，因此程序可以在部署前計算無人機的最佳軌跡。與使用專家運算符手動監督學習時，此方法提供了優勢，因為實際學習可能很危險、耗時且成本高昂。

無人機通過完成研究人員決定的訓練步驟來學習導航課程。博納蒂說，他挑戰無人機在現實世界中需要的具體方向和方向。&34;博納蒂說。

博納蒂希望推動當前的技術接近人類解釋環境線索的能力。

&34;博納蒂說。

但無人機賽車只是這種學習的一種可能性。分離感知和控制的方法可以應用於人工智慧的許多不同的任務，如駕駛或烹飪。雖然這個模型依賴於圖像和位置來教授感知，但其他模式，如聲音和形狀，可用於像識別汽車，野生動物或物體的努力。