В 2025 году команда исследователей из Шанхайского транспортного университета (SJTU) совершила настоящий прорыв в области автономной навигации дронов. Их новая система позволяет рою дронов летать со скоростью до 20 м/с, избегая препятствий в сложных, незнакомых средах — без карт, GPS, мощных вычислителей или даже связи между дронами. Всё это стало возможным благодаря уникальному сочетанию физического моделирования и глубокого обучения, реализованному в сверхлёгкой и дешёвой архитектуре.
Ключевая идея: простота — залог эффективности
Традиционные системы автономной навигации дронов опираются на сложные алгоритмы локализации, построения карт, планирования траекторий, а также на дорогие сенсоры и мощные процессоры. Кроме того, для координации роя часто требуется постоянная связь между устройствами.
Команда SJTU предложила радикально иной подход: минимализм во всём. В качестве входных данных используется всего лишь 12×16 пикселей глубины (ультранизкое разрешение), а управляющая нейросеть состоит всего из трёх слоёв и занимает менее 2 МБ памяти. Всё это работает на дешёвом одноплатном компьютере стоимостью около 150 юаней (менее 5% стоимости типового GPU-решения).
Дифференцируемая физика: как это работает
Вместо сложной аэродинамики дроны моделируются как простые материальные точки. Управляющая сеть обучается в симуляторе с дифференцируемой физикой: на каждом шаге сеть получает глубинное изображение, выдаёт управляющие сигналы (ускорение, угол поворота), а симулятор обновляет состояние дрона и рассчитывает новую картину мира.
Вся система обучается end-to-end: ошибки (например, столкновения, отклонения от траектории) напрямую используются для корректировки параметров сети через обратное распространение ошибки. Такой подход позволяет быстро и эффективно обучать стратегию управления, учитывая реальные физические ограничения.
Результаты: скорость, надёжность, универсальность
В реальных тестах дроны с новой системой успешно летали в лесах, парках, помещениях с динамическими и статическими препятствиями, показывая до 90% успешных прохождений без столкновений.
Скорость достигала 20 м/с — вдвое выше, чем у лучших систем на основе имитационного обучения. Причём система не требует GPS, VIO или других внешних источников позиционирования и способна к zero-shot переносу: модель, обученная в симуляции, сразу работает в реальном мире.
В рое из шести дронов система позволила им самостоятельно координироваться при прохождении сложных препятствий и даже менять позиции — без связи и централизованного управления.
Почему это работает: физика вместо «чёрного ящика»
В отличие от классических подходов — RL (усиленное обучение) и IL (имитационное обучение), — где требуется либо огромное количество данных, либо дорогостоящие экспертные демонстрации, дифференцируемая физика позволяет обучать сеть на небольших, но структурированных данных, используя физические законы как встроенный «здравый смысл». Это ускоряет обучение, повышает стабильность и улучшает переносимость в реальные условия.
В экспериментах новая система превосходила RL и IL по скорости сходимости, эффективности использования данных и итоговой надёжности.
Интерпретируемость: сеть действительно «видит» опасность
Для анализа работы сети использовались методы визуализации внимания (Grad-CAM). Оказалось, что сеть интуитивно фокусируется на наиболее опасных зонах (например, стволы деревьев, края препятствий), даже без явного указания на эти объекты в процессе обучения. Это говорит о том, что система не только учится избегать столкновений, но и формирует осмысленную стратегию восприятия.
Малое — это новое большое: философия «умного минимума»
В эпоху гонки за всё большими моделями и вычислительными ресурсами работа SJTU напоминает о силе минимализма. Как и в природе, где насекомые с простейшими нервными системами демонстрируют сложное поведение, маленькие, простые модели могут быть не менее эффективны, если они правильно структурированы и «понимают» физику мира.
- Малые модели — не альтернатива, а фундамент для понимания больших: простые системы позволяют лучше понять, как работает интеллект, и служат тестовой площадкой для новых идей.
- Не всё зависит от объёма данных: здесь обучение шло на небольших, но хорошо структурированных симуляциях, а не на гигантских датасетах.
- Грубое восприятие — не помеха для точного поведения: даже с низким разрешением дроны демонстрируют высокую точность и скорость.
Перспективы: от роя к FPV и beyond
Команда уже расширила подход, реализовав автономную навигацию по изображению с одной камеры (FPV) без карт и GPS, с успешными тестами на скорости до 6 м/с в реальных условиях. Это открывает путь к созданию сверхдешёвых, лёгких и автономных дронов для поиска, спасения, мониторинга и других задач.
Заключение
Работа SJTU — это не просто технологический прорыв, а смена парадигмы в робототехнике: минимализм, физика и глубокое обучение могут дать больше, чем сложные и дорогие системы. В будущем именно такие подходы позволят создавать массовые, дешёвые и надёжные автономные устройства для самых разных сфер.