要实现自主飞行，无人机需要了解它们在环境中感知到的东西，并根据这些信息做出判断。卡内基梅隆大学的研究人员研发出了一种新方法，让无人机分别学习感知和行动。
这种两阶段方法战胜了“模拟与现实的差距”，并创造了一种将完全根据模拟数据训练出来的无人机安全安排到现实世界航向导航中的方法。
计算机科学学院机器人研究所博士生罗格里奥·博纳蒂表示：“通常情况下，即便是在最逼真模拟数据上训练的无人机，再安排到现实世界中时也会遭到失败，因为光线、颜色和纹理差异仍然太大，无法转化。”“我们的感知模块接受了两种模式的训练，以提高对环境变化的稳健性。”
帮助训练无人机感知能力的第一种方式是图像。研究人员使用逼真的感模拟器创建了一个环境，其中包括无人机、足球场和从地面升起并随机放置的红色正方形大门，以创建一条轨迹。然后，他们从成千上万随机生成的无人机和大门配置中建立了一个模拟图像的大型数据集。
感知所需的第二种方式是知道大门在空间中的位置和方向，这是研究人员利用模拟图像的数据集完成的。
使用多种模式对模型进行教学，增强对无人机经验的有力描述，这表示着它可以以一种从模拟转换为现实的方式理解场和大门的本质。压缩图像以减少像素对此过程有所帮助。通过对低维表示的学习，可以使模型能够看穿现实世界中的视觉噪音并识别大门。
随着感知的学习，研究人员在模拟环境中部署无人机，这样它就可以学习自己的控制策略或怎样进行实际移动。在这种情况下，它会学习当在航道上航行并遇到每扇大门的时候，应该使用哪种速度。因为这是一个模拟的环境，所以程序可以在安排之前计算出无人机的最佳飞行轨迹。这种方法相比使用专家操作人员的手动监督学习具有优势，因为现实世界中的学习可能是危险的、耗时的和昂贵的。
研究人员让无人机通过指定的训练步骤来学习导航课程。博纳蒂说，他对无人机在现实世界中需要的特定敏捷性和方向提出了挑战。
“我让无人机以不同的轨迹形状向左和向右转弯，随着我增加更多的噪音，这些转弯会变得越来越难。机器人并不是在学习如何重新穿越任何特定的轨迹。相反，通过战略性地指挥模拟无人机，它正在学习所有的元素和运动类型，从而自主的比赛，”博纳蒂说。
博纳蒂希望推动现有技术接近人类解读环境线索的能力。
“到目前为止，大多数关于自主无人机竞赛的工作都集中在设计一个增加额外的传感器和软件的系统上，唯一的目标是速度。相反，我们的目标是创造一种计算结构，灵感来源于人脑的功能，将视觉信息通过潜在的表征映射到正确的控制动作上，”博纳蒂说。
但无人机比赛只是这种类型学习的一种可能性。感知和控制分离的方法可以应用在许多不同的人工智能任务，如驾驶或烹饪。虽然这个模型依赖于图像和位置来传授认识能力，但其他形式，如声音和形状，也能用在识别汽车、野生动物或物体。#无人机#机器人#卡内基梅隆大学收藏
感知所需的第二种方式是知道大门在空间中的位置和方向，这是研究人员利用模拟图像的数据集完成的。
使用多种模式对模型进行教学，增强对无人机经验的有力描述，这表示着它可以以一种从模拟转换为现实的方式理解场和大门的本质。压缩图像以减少像素对此过程有所帮助。通过对低维表示的学习，可以使模型能够看穿现实世界中的视觉噪音并识别大门。
随着感知的学习，研究人员在模拟环境中部署无人机，这样它就可以学习自己的控制策略或怎样进行实际移动。在这种情况下，它会学习当在航道上航行并遇到每扇大门的时候，应该使用哪种速度。因为这是一个模拟的环境，所以程序可以在安排之前计算出无人机的最佳飞行轨迹。这种方法相比使用专家操作人员的手动监督学习具有优势，因为现实世界中的学习可能是危险的、耗时的和昂贵的。
研究人员让无人机通过指定的训练步骤来学习导航课程。博纳蒂说，他对无人机在现实世界中需要的特定敏捷性和方向提出了挑战。
“我让无人机以不同的轨迹形状向左和向右转弯，随着我增加更多的噪音，这些转弯会变得越来越难。机器人并不是在学习如何重新穿越任何特定的轨迹。相反，通过战略性地指挥模拟无人机，它正在学习所有的元素和运动类型，从而自主的比赛，”博纳蒂说。
博纳蒂希望推动现有技术接近人类解读环境线索的能力。
“到目前为止，大多数关于自主无人机竞赛的工作都集中在设计一个增加额外的传感器和软件的系统上，唯一的目标是速度。相反，我们的目标是创造一种计算结构，灵感来源于人脑的功能，将视觉信息通过潜在的表征映射到正确的控制动作上，”博纳蒂说。
但无人机比赛只是这种类型学习的一种可能性。感知和控制分离的方法可以应用在许多不同的人工智能任务，如驾驶或烹饪。虽然这个模型依赖于图像和位置来传授认识能力，但其他形式，如声音和形状，也能用在识别汽车、野生动物或物体。
