冠軍無人機賽車手被甚至不是人類的飛行員擊敗

的能力人工智能（AI）系統正在以驚人的速度發展，接近或改善人類在模擬和測試環境中可以做什么。

撇開倫理和環境問題圍繞人工智能和自主無人機，我們可以驚嘆于這一最新的壯舉：人工智能控制的無人機系統在一系列正面交鋒中擊敗了三名專業無人機飛行員，獲勝次數更多。

Swift是自主系統的名稱，該系統在25場比賽中的15場比賽中擊敗了世界冠軍人類飛行員，賽道上充滿了由專業無人機賽車飛行員設計的掃蕩轉彎和尖叫的樞軸。

這個名稱恰當的系統將人工智能學習算法與單個攝像頭和機載傳感器相結合，可檢測無人機的周圍環境和運動。

它是由蘇黎世大學的機器人工程師Elia Kaufmann和英特爾實驗室的研究人員設計的，他們希望設計一個不依賴于外部運動攝像頭輸入的系統，就像以前的自動賽車無人機一樣。

“使用自主無人機達到專業飛行員的水平具有挑戰性，因為機器人需要在其物理極限下飛行，同時僅通過機載傳感器估計其在電路中的速度和位置，”Kaufmann及其同事寫在他們的論文中.

無人機賽車飛行員戴著耳機，通過連接到無人機的攝像頭為他們提供“第一人稱”視圖，該攝像頭可以達到每小時 100 公里的速度。

同樣，Swift 有一個機載攝像頭和一個慣性傳感器來測量無人機的加速度和旋轉;兩個 AI 算法攝取的數據，用于對無人機相對于障礙物路線上的方形門的位置進行三角測量，并相應地生成控制命令。

雖然它輸掉了40%的比賽，但斯威夫特多次擊敗了每個人類飛行員，并記錄了最快的比賽時間，比人類最好的時間快了半秒。

“總體而言，在整個賽道上平均，自主無人機實現了最高的平均速度，找到了最短的比賽線，并設法在整個比賽中保持飛機更接近其驅動極限，”Kaufmann及其同事報告.

根據荷蘭代爾夫特理工大學機器人研究員Guido de Croon的說法，他寫了一篇評論關于這項研究，斯威夫特的“真正的創新”是部署的第二個人工神經網絡，它使用深度強化學習。

這意味著網絡主要通過訓練過程中的反復試驗來學習，將其學習的控制應用于動蕩的現實世界視覺。

就像人類飛行員在賽道上練習一周一樣，斯威夫特接受了賽道模擬訓練，深度學習算法探索了通過賽道七個大門的可能路徑，以找到越來越快的路線。

優化和映射控制命令后，Swift 可以在幾次測試運行中在賽道上比賽時處理視覺輸入。

“神經網絡學習模擬和現實之間存在的微小差異，以改進模擬并完善系統策略，”de Croon解釋.

Swift當然不是第一架穿越物理障礙的無人機，但它以驚人的精度做到這一點。

去年，研究人員發射了一群無人機配備了一個處理系統，使他們能夠感知障礙物并在茂密的竹林中導航。

飛機形狀的人類控制的無人機也被送入火山監控他們的活動。

在斯威夫特進入條件不可預測的戶外競技場之前，還需要進一步發展，de Croon說.

“鑒于無人機比依賴延遲圖像的人類飛行員更快地獲取傳感信息，[自主]無人機無疑最終也會在這些困難的條件下擊敗人類，”他補充道。總結.

該研究已發表在自然界.

寶寶起名 起名