Startseite > International > AI high speed drone beats world champion
»Swift«
31. August 2023, 8:30 Uhr | Tobias Schlichtmeier
An AI-controlled drone developed by UZH researchers has beaten the world champions in drone racing – a result that seemed unattainable just a few years ago. »Swift« was trained in a simulated environment. Possible applications include environmental monitoring or rescue operations.
In 1996, IBM's »Deep Blue« won against Gary Kasparov in chess; in 2016, Google's AlphaGo beat the strongest player at the time, Lee Sedol, in Go, a much more complex game. Competitions in which machines prevailed against human champions mark important milestones in the history of artificial intelligence. Now, a group of researchers from the University of Zurich and Intel has set a new milestone with the first autonomous system capable of beating human champions in drone racing.
The AI system, called »Swift«, won several races against three world-class champions in first-person view drone racing. In the process, pilots control the quadcopter via a headset connected to an onboard camera to reach speeds of over 100 km/h.
Learning through interaction with the physical world
»Physical sports are more challenging for AI because they are less predictable than board or video games. We don't have perfect knowledge about drone and environment models. The AI has to rehearse them in interaction with the physical world,« says Davide Scaramuzza, head of the robotics and perception group at the University of Zurich.
Until recently, autonomous drones took twice as long as human-controlled ones to fly through a racetrack, unless they relied on an external positioning system to accurately control the flight path. Swift, on the other hand, responds in real time to data collected by an onboard camera. The integrated inertial measurement unit measures acceleration and velocity, while an artificial neural network uses the camera data to locate the drone in space and detect gates along the race track. This information is relayed to a control unit, which is also based on a deep neural network. It selects the best action to finish the track as quickly as possible.
Training in an optimized simulation environment
Swift was trained in a simulated environment in which the system taught itself to fly based on trial and error, using a type of machine learning called reinforcement learning. The simulation helped avoid destroying drones in the early stages of the learning process. »To ensure that the consequences of actions in the simulator are as close as possible to those in the real world, we developed a method to optimize the simulator with real-world data,« said Elia Kaufmann, lead author of the study. In this phase, the drone flew autonomously thanks to very precise positions provided by an external positioning system, while recording data from its camera. In this way, it learned to self-correct errors it made when interpreting data from the built-in sensors.
Menschliche Piloten passen sich besser an wechselnde Bedingungen an
Nach einem Monat simulierter Flugzeit, was auf dem Desktop-PC weniger als einer Stunde entspricht, war Swift bereit, seine menschlichen Konkurrenten herauszufordern: den Drone Racing League Champion 2019 Alex Vanover, den MultiGP Drone Racing Champion 2019 Thomas Bitmatta und den dreifachen Schweizer Meister Marvin Schaepper. Die Rennen fanden zwischen dem 5. und 13. Juni 2022 auf einer eigens dafür gebauten Strecke in einem Hangar des Flughafens Dübendorf bei Zürich statt. Die Strecke umfasste eine Fläche von 25 mal 25 Metern mit sieben quadratischen Toren, die in der richtigen Reihenfolge passiert werden mussten, um eine Runde zu absolvieren. Dazu gehörten auch anspruchsvolle Manöver wie ein Split-S, eine akrobatische Übung, bei der die Drohne halb gerollt wird und bei voller Geschwindigkeit einen absteigenden Halblooping vollführt.
Insgesamt schaffte Swift die schnellste Runde, mit einer halben Sekunde Vorsprung vor der Bestzeit eines menschlichen Piloten. Letztere erwiesen sich allerdings als anpassungsfähiger als die autonome Drohne, die versagte, wenn die Bedingungen anders waren als diejenigen, für die sie trainiert worden war – wenn es zum Beispiel zu hell war im Raum.
Laut Scaramuzza ist es nicht nur für Drohnenrennen wichtig, die Grenzen des autonomen Fliegens zu erweitern. »Drohnen haben eine begrenzte Batteriekapazität; sie brauchen den Großteil ihrer Energie, um in der Luft zu bleiben. Wenn wir schneller fliegen, erhöhen wir ihren Nutzen. Bei Anwendungen wie der Überwachung von Wäldern oder der Erforschung des Weltraums ist dies wichtig, um grosse Flächen in kurzer Zeit zu erfassen. In der Filmindustrie könnten schnelle autonome Drohnen für die Aufnahme von Actionszenen eingesetzt werden. Nicht zuletzt kann eine hohe Fluggeschwindigkeit einen entscheidenden Unterschied in Rettungsaktionen machen – etwa bei Drohnen, die in ein brennendes Gebäude geschickt werden.«
Lesen Sie mehr zum Thema
elektroniknet Künstliche Intelligenz (KI)
Das könnte Sie auch interessieren
