Современный военный дрон — это вовсе не банальный маленький беспилотный самолетик, способный переносить груз размером с пицу.
Одиночные дроны стали идеальными роботами-убийцами, оставив без работы большинство ниндзя. Идеально скрывающиеся роботы-убийцы широко используются, например, на Ближнем Востоке, чтобы людям-операторам быстро, эффективно и абсолютно безнаказанно уничтожать других людей на значительном расстоянии.
И это далеко не все. Сегодня рой дронов уже может запросто устранить целый авианосец.
Причем обе вышеописанные функции даже не требуют автономии.
А можете себе представить возможности автономных одиночный и роевых ИИ-дронов в руках военных и террористов?
Что же не хватает современным операторским дронам на пути к полуавтономным ИИ-дронам завтрашнего дня?
Ответ — не хватает всего лишь данных для обучения.
Нужны большие, разнообразные, сложные тесты, чтобы продвинуть прогресс в этой области, подобно тому, как ImageNet побудила исследователей применять методы глубокого обучения для решения того, что в то время казалось очень сложной задачей распознавания образов.
Новый серьезный шаг в этом направлении сделан. Исследователи Университета Цюриха и ETH Zurich разработали набор данных UZH-FPV Drone Racing Dataset, который является самым крутым набором данных визуально-инерциальной одометрии на сегодняшний день.
Большие ускорения и сложные траектории крайне затрудняют обучение сложным полетам. Нужно научить ИИ-дроны высокоскоростной оценке состояния и мгновенному принятию верных решений. Однако, существующие наборы данных не решают эту проблему. Это и побудило исследователей записывать видео с места пилота гоночного квадрокоптера, оснащенного датчиками и пилотируемого профессиональным пилотом. Траектории включают быстрые круги вокруг полигона с гоночными воротами, а также траектории свободной формы вокруг препятствий, как внутри, так и снаружи (например, слалом между деревьями).
Исследователи записали 27 последовательностей полета по двум типам ландшафтов, и эти траектории являются по существу мультимодальными, включая измерения датчиков, записанных на двух разных бортовых компьютерах, а также внешние измерения с внешнего трекера.
Камеры событий представляют собой новые биодатчики, которые измеряют изменения яркости асинхронно в форме потока событий (см. вчерашний пост), кодирующих знак и местоположение изменения яркости на плоскости изображения.
Итак, гожий набор данных есть.
Осталось научить дронов гонкам. И тогда из крадущихся они превратятся в настоящих терминаторов.
Подробнее:
- Готовы ли мы к автономной гонке дронов? UZH-FPV Drone Racing Dataset (PDF)
- UZH-FPV Drone Racing Dataset (веб-сайт ETHZurich)
См. также «Страшная штука — беспилотные летающие убийцы»
________________________________
Если понравился пост:
- нажмите на “палец вверх”;
- подпишитесь на обновления канала на платформе Яндекс Дзен ;
- оставьте комментарий.
Еще больше материалов на моем Телеграм канале «Малоизвестное интересное». Подпишитесь