Swift无人机在FPV赛事中通过AI技术击败人类顶级玩家

人工智能又一次战胜了人类世界冠军，这一次是在无人机竞速领域。

这项重大成果由瑞士苏黎世大学的工程师团队在《Nature》和《Science Robotics》杂志上发表。在2011年的第一场与人工智能无人机比赛之后，直到Swift出现之前，还没有一款自主操控的无人机能够击败人类飞行员。Swift战胜了世界冠军级的人类玩家，包括2019年无人机竞速联盟世界冠军Alex Vanover、两届MultiGP国际公开赛冠军Thomas Bitmatta和三届瑞士全国冠军Marvin Schaepper

在虚拟领域中，人工智能已经在国际象棋、跳棋、围棋和星际争霸等游戏中战胜了人类。现在，它首次在物理挑战中也成功战胜了人类

这段内容的重写如下：这场比赛是由装备高分辨率摄像头的"第一人称视角"（FPV）无人机进行的。《Science Robotics》杂志上发表了一篇文章，详细介绍了"雨燕"（Swift）无人机开发团队取得的历史性胜利。在与三位无人机竞技选手激烈竞争的过程中，该款无人机在25项挑战中获得了15项的胜利。该项目负责人表示，"我们的成果标志着首次有由AI驱动的机器人，在一项为人类设计并由人类主导的真实体验赛事中击败人类。”

"雨燕"（Swift）无人机成功秘诀在于其强大的人工神经网络，能够优化无人机的航线和速度。它通过机载摄像头实时收集环境细节，为无人机提供精确的引导，而人类飞行员则依赖传输到耳机的视频信号，体验"第一人称视角"。

在这场无人机比赛中，人类操纵者通过机载摄像机操纵无人机通过3D赛道。Swift系统的创新之处在于能够将无人机的状态映射到调整推力和旋转速率的命令。这项成果是移动机器人和机器智能领域的一个里程碑。

Swift技术介绍

Swift是一个四旋翼飞行器，它仅通过机载传感器和计算来实现自主控制。该飞行器由两个关键模块组成：

1. 感知系统，将高维的视觉和惯性信息转换成低维表征；
2. 控制策略，摄取感知系统产生的低维表征并产生控制命令。

其中，控制策略的表示采用前馈神经网络，并使用无模型的on-policy深度强化学习（RL）进行训练

鉴于模拟和现实世界在传感和动力学方面存在差异，仅仅在模拟中优化策略会导致无人机的实际性能较差。因此，研究团队决定利用从物理系统收集的数据来估计非参数经验噪声模型

研究结果显示，这些经验噪声模型对于将控制策略从模拟成功地转移到现实中起到了积极的作用

具体而言，Swift将飞行器上的传感器读数转化为控制命令，这个转化过程包括两个部分：

(1) 观察策略，将高维的视觉和惯性信息提炼成特定于任务的低维编码；

(2) 控制策略，将编码转换成无人机命令。

在Swift记录的10次失利中，40%是因为与对手相撞，40%是因为与竞赛门相撞，20%是因为比人类控制的无人机慢。总体而言，在与人类控制无人机进行的比赛中，Swift获胜次数最多，并且它还创造了最快的比赛纪录，比人类控制无人机（A. Vanover）的最佳时间快了半秒。

虽然从整体上看，Swift比所有人类控制无人机都要快，但它在赛道的每个赛段上的速度并不快。

研究团队仔细分析发现：在起飞时，Swift的反应时间较短，平均比人类飞行员早120毫秒起飞；Swift的加速也更快，进入第一个竞赛门时速度更高。在急转弯时，Swift的动作更加紧凑。

研究团队还提出了一个假设，即Swift在比人类操控者更长的时间尺度上优化轨迹。众所周知，无模型强化学习可以通过优化长期奖励来实现。相比之下，人类操控者规划运动的时间尺度较短，最多只能预测未来一个竞赛门

以上是Swift无人机在FPV赛事中通过AI技术击败人类顶级玩家的详细内容。更多信息请关注PHP中文网其他相关文章！