麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员介绍了一种方法,使无人机能够在复杂和陌生的环境中掌握基于视觉的飞向目标任务。该团队使用了不断适应新数据输入的液体神经网络。
麻省理工学院CSAIL的团队发现,液体神经网络在未知领域(如森林、城市景观和增加噪声、旋转和遮挡的环境)中做出可靠决策方面表现出色。这些网络在导航任务中的表现甚至优于许多最先进的网络,该团队希望它能够实现潜在的现实世界无人机应用,如搜索和救援、交付和野生动物监测。
“我们对学习的机器人的控制方法感到兴奋,因为它为解决在一个环境中训练和在完全不同的环境中部署而无需额外训练时出现的问题奠定了基础,”CSAIL主任Daniela Rus麻省理工学院电气工程和计算机科学教授 Andrew(1956)和Erna Viterbi说。“我们的实验表明,我们可以有效地教无人机在夏季定位森林中的物体,然后在冬季部署该模型,周围环境截然不同,甚至在城市环境中执行各种任务,例如寻找和跟随。我们的解决方案使这种适应性成为可能。”这些灵活的算法有一天可以帮助随时间变化的数据流做出决策,该团队的新型机器学习算法从高维、非结构化数据中捕捉任务。
例如来自无人机摄像头的像素输入,然后,液态神经网络提取任务的关键方面并忽略不相关的特征,从而使获得的导航技能能够将目标无缝转移到新环境。
在他们的研究中,该团队发现液体网络提供了有希望的初步迹象,表明它们有能力解决深度机器学习系统中的一个关键弱点。许多机器学习系统都在努力捕捉因果关系,经常过度拟合他们的训练数据并且无法适应新环境或不断变化的条件。这些问题对于资源有限的嵌入式系统尤其普遍,例如需要穿越各种环境并对障碍物做出即时响应的无人机。
该系统首先接受了人类飞行员收集的数据的训练,以了解它如何在风景和条件发生剧烈变化的情况下将学到的导航技能转移到新环境中。传统的神经网络只在训练阶段学习,而液体神经网络的参数可以随时间变化。这使它们对意外或嘈杂的数据具有可解释性和弹性。
在一系列四旋翼闭环控制实验中,MIT CSAIL的无人机经历了距离测试、压力测试、目标旋转和遮挡、与对手的徒步旅行、物体之间的三角环路和动态目标跟踪。无人机能够跟踪移动目标并在全新环境中执行对象之间的多步循环。
麻省理工学院CSAIL的团队希望无人机能够从有限的专家数据中学习并理解给定任务,同时泛化到新环境,从而使自主无人机的部署更加高效、更具成本效益和可靠。液态神经网络还可以使自主空中机动无人机成为环境监测器、包裹递送员、自动驾驶汽车和机器人助手。
审核编辑黄宇
-
摄像头
+关注
关注
59文章
4790浏览量
95237 -
无人机
+关注
关注
226文章
10289浏览量
178966 -
机器学习
+关注
关注
66文章
8338浏览量
132273
发布评论请先 登录
相关推荐
评论