Ai ສາມາດປ່ອຍ drones ບິນໂດຍບໍ່ມີແຜນທີ່ຫຼືເຊັນເຊີ

ນັກຄົ້ນຄວ້າຢູ່ມະຫາວິທະຍາໄລຊຽງໄຮວິທີການນີ້ດຶງດູດຈາກການເຄື່ອນໄຫວຂອງແມງໄມ້ແລະປະສົມປະສານກັບການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງກັບຫຼັກການດ້ານພື້ນຖານ, ການປ່ອຍໃຫ້ drones ຍ້າຍຜ່ານສະຖານທີ່ຫຼືການຄວບຄຸມພາຍນອກ.

ລະບົບທີ່ສະເຫນີມາແທນທີ່ຈະໃຊ້ເຄືອຂ່າຍ neural ສຸດທ້າຍທີ່ໃຊ້ເວລາທີ່ໃຊ້ຂໍ້ມູນເຊັນເຊີດິບແລະຄວບຄຸມສັນຍານຄວບຄຸມໂດຍກົງ.ການອອກແບບນີ້ເຮັດໃຫ້ແມງໄມ້ເຄື່ອນໄຫວໂດຍໃຊ້ຊັບພະຍາກອນທີ່ບໍ່ມີປະໂຫຍດຫນ້ອຍ, ໂດຍບໍ່ມີແຜນທີ່ຫລືວາງແຜນ.


ລະບົບດັ່ງກ່າວດໍາເນີນໄປໃນແຜນທີ່ໃນແຜນທີ່ 12 × 14 ແລະຍັງຄຸ້ມຄອງການນໍາທາງ.ເຖິງແມ່ນວ່າຄວາມລະອຽດຕ່ໍາ, ຂໍ້ມູນກໍ່ໃຫ້ຂໍ້ມູນພຽງພໍສໍາລັບແອນສາມາດນໍາພາການເຄື່ອນໄຫວຂອງ Drone ໄດ້ແລະຫລີກລ້ຽງອຸປະສັກ.ການຝຶກອົບຮົມໄດ້ຖືກປະຕິບັດໃນການຈໍາລອງໂດຍໃຊ້ຮູບຮ່າງທີ່ລຽບງ່າຍເພື່ອສ້າງສະພາບແວດລ້ອມທີ່ແຕກຕ່າງກັນ.ເຄື່ອງຈັກຟີຊິກແມ່ນສ່ວນຫນຶ່ງຂອງວົງການຝຶກອົບຮົມ, ເຮັດໃຫ້ມັນສາມາດຮຽນຮູ້ໃນການຕັ້ງຄ່າດຽວ - ແລະຫຼາຍ drone.drones ອື່ນໆໄດ້ຮັບການປະຕິບັດເປັນອຸປະສັກເຄື່ອນຍ້າຍ.

ຄວາມເຂັ້ມແຂງຫນຶ່ງຂອງລະບົບແມ່ນໂຄງສ້າງຂອງມັນ.ມັນໃຊ້ສາມຊັ້ນທີ່ມີຄວາມລັບແລະແລ່ນໃນຄອມພິວເຕີ້ຄອມພິວເຕີ້ 21 $.ການຝຶກອົບຮົມໃຊ້ເວລາສອງຊົ່ວໂມງໃນ GPU.ຕົວແບບດັ່ງກ່າວສະຫນັບສະຫນູນການສະກັດກັ້ນການນໍາທາງໂດຍບໍ່ມີການວາງແຜນຫຼືການສື່ສານລະຫວ່າງ drones, ເຮັດໃຫ້ງ່າຍຕໍ່ການຂະຫຍາຍ.

ແບບຮຽນການຮຽນຮູ້ແບບກ່ອນຫນ້ານີ້ແມ່ນຕ້ອງການຂໍ້ມູນທີ່ຕິດສະຫຼາກແລະມັກຈະລົ້ມເຫລວໃນການຕັ້ງຄ່າຫ້ອງທົດລອງ.ວິທີການນີ້ປະກອບມີຮູບແບບຟີຊິກຂອງ Drone ໃນການຝຶກອົບຮົມ, ເຊິ່ງປັບປຸງຄວາມໄວໃນການຝຶກອົບຮົມແລະທົ່ວໄປສູ່ການຕັ້ງຄ່າອື່ນໆ, ໂດຍສະເພາະແມ່ນການເຄື່ອນໄຫວແລະຄວາມຫມັ້ນຄົງ.

ນັກຄົ້ນຄວ້າໄດ້ສະແດງວ່າຕົວແບບນ້ອຍໆສາມາດກົງກັບຫຼືຕີແບບໃຫຍ່ໆທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນຊຸດຂໍ້ມູນໃຫຍ່.ນີ້ແມ່ນຄວາມຄິດທີ່ວ່າຂໍ້ມູນເພີ່ມເຕີມແມ່ນດີກວ່າເກົ່າ.ແທນທີ່ຈະ, ການນໍາໃຊ້ຄວາມຮູ້ທາງດ້ານຮ່າງກາຍແລະສະພາບການຝຶກອົບຮົມທີ່ມີຄວາມສໍາຄັນດີອາດຈະເຮັດວຽກໄດ້ດີຂື້ນ.

ເຄືອຂ່າຍ neural ທຽມ (Ann), ມີອາຍຸຕ່ໍາກວ່າ 2 MB ຂອງພາລາມິເຕີ, ໃຫ້ມີ drones ບິນໃນເວລາ 20 m / s ໂດຍໃຊ້ພຽງແຕ່ການປ້ອນຂໍ້ມູນພຽງແຕ່.ສິ່ງນີ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບຟີຊິກທີ່ເຂັ້ມແຂງຂອງຟີຊິກສາດສາມາດເປັນປະໂຫຍດຫຼາຍກ່ວາເຊັນເຊີລາຍລະອຽດສູງ.

ເຖິງແມ່ນວ່າການຝຶກອົບຮົມໃນການຈໍາລອງ, ລະບົບດັ່ງກ່າວໄດ້ສະແດງໃຫ້ເຫັນທົ່ວໄປກ້ວາງ.ມັນສາມາດສະຫນັບສະຫນູນວຽກງານຕ່າງໆເຊັ່ນ: ການແຂ່ງຂັນ drone, ການຖ່າຍຮູບເງົາ, ການກວດກາສາງ, ແລະກູ້ແລະກູ້ໄພໃນເຂດ GPS-Limition.ການສຶກສາສະແດງໃຫ້ເຫັນວ່າເຄືອຂ່າຍ neural ທໍາມະຊາດທີ່ງ່າຍດາຍທີ່ໄດ້ຮັບການຝຶກອົບຮົມກັບຟີຊິກສາດສາມາດສະຫນັບສະຫນູນ drone autonomy ໃນລະດັບ.