Drony sa učia, aký je rozdiel medzi autom a stromom – a ako robiť ďalšie pohyby.
Samopilotné drony sa stali dostatočne sofistikovanými na to, aby pristáli na pohybujúcich sa lietadlových lodiach, ale postavili do cesty jediný neočakávaný strom a zrútili sa. Skupina piatich univerzít, ktorá zahŕňa špecialistov na biológiu, počítačové videnie a robotiku, sa teraz snaží naučiť drony vyhýbať sa prekážkam za letu. V spolupráci so 7,5 miliónmi dolárov od Úradu pre námorný výskum sa vedci snažia vybudovať autonómny, pozorovací dron s pevným krídlom, ktorý dokáže navigovať cez neznáme mesto alebo les vo vzdialenosti 35 míľ hodina.
Inšpiráciou skupiny je holub. Otužilé, bohaté a vnímavé na výcvik, vtáky sa dajú ľahko študovať. Počas letu odhadujú vzdialenosť medzi sebou a objektmi pred sebou rýchlym spracovaním rozmazaných obrázkov s nízkym rozlíšením, rovnako ako to bude musieť urobiť dron. A čo je najdôležitejšie, majú tendenciu robiť rozhodnutia na poslednú chvíľu – do piatich stôp od prekážky.
Prvým krokom je naučiť roboty rozlišovať medzi prekážkami a prázdnym priestorom. Inžinieri už prišli na to, ako natrénovať namierenie a snímanie kamier bodové tváre na fotografii: V procese, ktorý sa nazýva učenie pod dohľadom, technik vloží milióny obrázkov do a počítač a povie mu, aby vydal „1“, ak obrázok obsahuje ľudskú tvár, a „0“, ak áno nie. Ale tento štýl učenia pod dohľadom by bol neuveriteľne pracovne náročný spôsob, ako trénovať dron. Človek by musel označiť nielen tváre, ale každý možný predmet, s ktorým by sa robot mohol stretnúť. Namiesto toho Yann LeCun, profesor počítačovej a neurálnej vedy na New York University, ktorý vedie tím videnia dronu, vyvíja softvér, ktorý umožní dronu vyvodiť závery o tom, čo vidí, s oveľa menšou mierou ľudského koučovania. Napodobňovaním hyperefektívnej metódy paralelného spracovania, ktorú používa zraková kôra mozgu klasifikovať objekty, softvér umožňuje oveľa viac extrahovať funkcie zo snímky nespracovaného videa rýchlo. Výsledkom je, že ľudskí inštruktori dronu musia ukázať iba niekoľko stoviek až niekoľko tisíc príkladov každej kategórie objektu („auto“, „strom“, „tráva“) predtým, ako môže začať klasifikovať tieto objekty na svojom vlastné.
Prvým krokom je naučiť roboty rozlišovať medzi prekážkami a prázdnym priestorom. Keď vedci naučia dron vidieť, budú ho musieť naučiť robiť rozhodnutia. To zahŕňa zápas s inherentnou nejednoznačnosťou vizuálnych údajov - s rozhodnutím, či je vzorom pixelov vpredu vetva stromu alebo tieň. Drew Bagnell a Martial Hebert, robotici z Carnegie Mellon University, vyvíjajú algoritmy, ktoré pomôžu robotom vysporiadať sa s vizuálnou nejednoznačnosťou tak, ako to robia ľudia: pomocou kvalifikovaných odhadov. „Môžu povedať: ‚Som si na 99 percent istý, že vo vzdialenosti 12 až 13 metrov je strom‘ a aj tak sa rozhodnúť,“ hovorí Bagnell.
Na uskutočnenie týchto rozhodnutí bude potrebný veľký výpočtový výkon. Dron bude musieť spracovať 30 snímok za sekundu, kým bude zvažovať svoj ďalší pohyb. LeCun hovorí, že procesor, ktorý dokáže spustiť svoje algoritmy rýchlosťou bilióna operácií za sekundu, by to urobil úlohu, ale výzvou je zabudovať všetku tú energiu do svetla počítača a dostatočne efektívne na to lietať. Najlepším kandidátom je procesor, ktorý LeCun vyvinul s Eugeniom Culurciellom z Purdue University: počítač s nízkou spotrebou energie DVD obal s názvom NeuFlow, o ktorom je LeCun presvedčený, že do roku 2015 bude schopný zrýchliť až bilión operácií za sekundu. Konečný termín.
Keď už postavia robota, ktorý sa dokáže učiť, vidieť a robiť rozhodnutia dostatočne rýchlo, aby sa vyhýbal prekážkam, ešte ho musia naučiť lietať. Russ Tedrake, robotik z MIT, už používa kamery na zachytávanie pohybu a plnohodnotný prototyp konečného dronu na modelovanie manévrov, ktoré bude musieť vykonať. Ak tím uspeje, výsledkom bude robot, ktorý dokáže zostúpiť do lesa a stratiť dnešné drony na stromoch.
FILTROVANIE SVETA
Ako dron letí, jeho palubná kamera bude prenášať video do softvéru, ktorý aplikuje sériu filtrov na každú snímku. Prvé filtre zachytávajú vzory medzi malými skupinami pixelov, ktoré označujú jednoduché prvky, ako sú hrany. Ďalšia séria filtrov hľadá väčšie vzory, od jednotlivých pixelov cez objekty až po zložité vizuálne scény. V priebehu stotín sekundy softvér vytvorí mapu scény s nízkym rozlíšením. Nakoniec porovná objekty v pohľade s tými, ktoré už „videl“, a klasifikuje ich hneď, ako bude mať dostatok informácií na to, aby urobil kvalifikovaný odhad.
Andrew Rosenblum v aprílovom čísle o nákladných autách napísal, že bojovať s požiarmi prúdového paliva. Žije v Oaklande v Kalifornii.
