به گزارش اطلاعات آنلاین به نقل از Tech Xplore، یک پهپاد مجهز به هوش مصنوعی (AI) مسیر مسابقه قهرمانی را سریع‌تر از برخی از بهترین خلبانان پهپاد انسانی جهان به پایان رساند.
دانشمندان یک سیستم هوش مصنوعی ایجاد کردند که قادر است یک کوادکوپتر را با سرعت بیش از ۱۰۰ کیلومتر در ساعت در یک مسیر دشوار به پیش ببرد و این کار را با استفاده از چیزی بیش از یک دوربین رو به جلو، یک واحد اندازه‌گیری اینرسی و یک کامپیوتر کوچک داخلی انجام داد.
این سیستم که MonoRace نام دارد، حتی در مسابقات پهپادی لیگ مسابقات خودران ابوظبی ۲۰۲۵ نیز برنده شد و از هر تیم خودران رقیب پیشی گرفت و زمان‌های سریع‌تری نسبت به سه خلبان پهپاد قهرمان جهان ثبت کرد که قبلاً انسان بودند.
MonoRace این کار را بدون کمک GPS، سیستم‌های ضبط حرکت خارجی، دوربین‌های استریو یا نقشه از پیش بارگذاری شده مسیر انجام داد. این سیستم یک مدل پرواز خودران داخلی است که توسط محققان آزمایشگاه وسایل نقلیه هوایی میکرو دانشگاه فناوری دلفت در هلند ساخته شده است. نام آن نشان دهنده ویژگی اصلی طراحی آن است؛ "مونو" به دید تک چشمی آن اشاره دارد. این پهپاد به یک دوربین شاتر چرخشی متکی است و حرکت خود را با یک واحد اندازه‌گیری داخلی (IMU) رصد می‌کند که شتاب و چرخش را اندازه‌گیری می‌کند.
پرواز با سرعت‌های سرسام‌آور
بسته حسگر محدود، یک شبکه عصبی را تغذیه می‌کند، یک مدل یادگیری ماشینی که از نورون‌های مصنوعی به هم پیوسته برای یادگیری الگوها از داده‌ها استفاده می‌کند. این شبکه عصبی، دروازه‌های مسابقه را شناسایی کرده و موقعیت و حرکت پهپاد را برای تولید دستورات حرکتی تخمین می‌زند. سپس، دستورات را با سرعت ۵۰۰ بار در ثانیه از طریق کنترل کننده پرواز پهپاد به چهار پروانه ارسال می‌کند.
این سیستم برای یک پهپاد با وزن تنها ۹۶۶ گرم و ابعاد تقریبی ۳۰ در ۲۸ در ۱۰ سانتی‌متر مناسب است. از آنجایی که سخت‌افزار MonoRace بسیار جمع‌وجور، سبک و از نظر محاسباتی کارآمد بود، تیم توانست آن را به طور کامل روی پهپاد راه‌اندازی کند.
MonoRace در مسیر ابوظبی، دو دور را در حدود ۱۱ دروازه در ۱۶.۵۶ ثانیه طی کرد و به حداکثر سرعت تقریبی ۶۳ مایل در ساعت (۱۰۲ کیلومتر در ساعت) رسید.
در ویدئویی که اخیراً منتشر شده است، توسعه و عملکرد MonoRace را در این رقابت دنبال می‌کنند؛ با توالی‌های پرواز واقعی که نشان می‌دهد چگونه پهپاد به شدت خم می‌شود، از دروازه‌ها عبور می‌کند و بدون کمک انسان مسیر را طی می‌کند.
چگونه هوش مصنوعی مسابقه را یاد گرفت؟
دانشمندان مدل MonoRace را با یادگیری تقویتی آموزش دادند، روشی برای یادگیری ماشینی که در آن یک عامل بارها و بارها یک کار را امتحان می‌کند و بر اساس موفقیت یا شکست خود بازخورد دریافت می‌کند.
یادگیری تقویتی در شبیه‌سازی اجرا شد، زیرا به آزمایش و خطای زیادی نیاز دارد؛ مانند میلیون‌ها تلاش. در واقع یاد می‌گیرد که از ابتدا پرواز کند.
این شبکه یاد گرفت که موقعیت پهپاد را در مسیر، سرعت و جهت گیری مستقیماً به دستورات حرکتی تبدیل کند. به گفته محققان، آموزش اولیه بر اصول اولیه، مانند جلوگیری از تصادف و رسیدن به دروازه اول متمرکز بود. با پیشرفت آموزش، سیستم یاد گرفت که در طول مسیر دورتر برود و با سرعت‌های بالاتر پرواز کند.
محققان این سیستم را روی یک هواپیمای واحد آموزش ندادند. در عوض، ابعاد مختلفی مانند وزن، ولتاژ، نیروی پسا، نویز حسگر و وضعیت پروانه را در نظر گرفتند تا مدل هوش مصنوعی بتواند با تغییرات و نقص‌های دنیای واقعی کنار بیاید. این تضمین می‌کند که شبکه آموزش‌دیده می‌تواند پهپادهای مختلف را کنترل کند.
مونوریس می‌تواند به ابزاری آموزشی برای خلبانان پهپادهای انسانی تبدیل شود؛ کمی شبیه به برنامه‌های قدرتمند شطرنج که الهام‌بخش انسان‌ها در بازی بوده‌اند.
اهمیت گسترده‌تر آن در نشان دادن پیشرفت‌ها در هوش مصنوعی فیزیکی نهفته است؛ به ویژه اینکه چگونه یک ربات می‌تواند با وجود قدرت حسگری و محاسباتی محدود، با سرعت بالا درک، تصمیم‌گیری و عمل کند. شبکه کنترل بر روی یک تراشه در کلاس میکروکنترلر اجرا می‌شود؛ به این معنی که کنترل پیچیده به کامپیوتر بزرگی نیاز ندارد.
یک شبکه با اندازه مشابه می‌تواند به جای حداقل زمان دور، برای حداقل مصرف انرژی بهینه شود. از آنجا که اکثر ماشین‌ها به پردازنده‌های کوچک و کنترل‌کننده‌های معمولی متکی هستند، کنترل عصبی بهینه از نظر انرژی در نهایت می‌تواند مصرف برق را در رباتیک روزمره کاهش دهد.