CMU Avança no Treinamento de Drones Autônomos com Dados Simulados Cross-Modal

Método de Duas Etapas Supera Lacuna Simulação-Realidade para Navegação Autônoma

Para voar autonomamente, drones precisam entender o que percebem no ambiente e tomar decisões baseadas nessa informação. Um método inovador desenvolvido por pesquisadores da Carnegie Mellon University permite que drones aprendam percepção e ação separadamente.

A abordagem de duas etapas supera a "lacuna simulação-realidade" e cria uma forma de implantar com segurança drones treinados inteiramente em dados simulados em navegação de curso no mundo real.

Treinamento de Percepção com Duas Modalidades

Rogerio Bonatti, doutorando no Instituto de Robótica da Escola de Ciência da Computação, diz: "Tipicamente, drones treinados mesmo nos melhores dados simulados fotorrealistas falharão no mundo real porque a iluminação, cores e texturas ainda são muito diferentes para traduzir. Nosso módulo de percepção é treinado com duas modalidades para aumentar a robustez contra variabilidades ambientais."

A primeira modalidade que ajuda a treinar a percepção do drone é imagem. Os pesquisadores usaram um simulador fotorrealista para criar um ambiente que incluía o drone, um campo de futebol e portões quadrados vermelhos elevados do solo e posicionados aleatoriamente para criar uma pista. Eles então construíram um grande conjunto de dados de imagens simuladas de milhares de configurações aleatórias de drone e portões.

A segunda modalidade necessária para percepção é saber a posição e orientação dos portões no espaço, o que os pesquisadores realizaram usando o conjunto de dados de imagens simuladas. Ensinar o modelo usando múltiplas modalidades reforça uma representação robusta da experiência do drone, significando que ele pode entender a essência do campo e portões de uma forma que se traduz da simulação para a realidade.

Comprimir imagens para ter menos pixels auxilia este processo. Aprender de uma representação de baixa dimensionalidade permite que o modelo veja através do ruído visual no mundo real e identifique os portões.

Aprendizado de Política de Controle em Simulação

Com a percepção aprendida, os pesquisadores implantam o drone dentro da simulação para que ele possa aprender sua política de controle – ou como se mover fisicamente. Neste caso, ele aprende qual velocidade aplicar enquanto navega pelo curso e encontra cada portão. Como é um ambiente simulado, um programa pode calcular a trajetória ótima do drone antes da implantação.

Este método fornece vantagem sobre aprendizado supervisionado manualmente usando um operador especialista, já que aprendizado no mundo real pode ser perigoso, demorado e caro. O drone aprende a navegar pelo curso passando por etapas de treinamento ditadas pelos pesquisadores. Bonatti disse que desafia agilidades e direções específicas que o drone precisará no mundo real.

Bonatti diz: "Faço o drone virar à esquerda e à direita em diferentes formas de pista, que ficam mais difíceis à medida que adiciono mais ruído. O robô não está aprendendo a recriar a passagem por qualquer pista específica. Em vez disso, ao direcionar estrategicamente o drone simulado, ele está aprendendo todos os elementos e tipos de movimentos para correr autonomamente."

Visão Futura: Emulando Capacidade Humana

Bonatti quer empurrar a tecnologia atual para se aproximar da capacidade humana de interpretar pistas ambientais. Ele diz: "A maior parte do trabalho em corrida de drones autônomos até agora focou em engenhar um sistema aumentado com sensores extras e software com o único objetivo de velocidade. Em vez disso, visamos criar um tecido computacional, inspirado na função de um cérebro humano, para mapear informação visual para as ações de controle corretas passando por uma representação latente."

Mas corrida de drones é apenas uma possibilidade para este tipo de aprendizado. O método de separar percepção e controle poderia ser aplicado a muitas tarefas diferentes para inteligência artificial, como dirigir ou cozinhar. Embora este modelo dependa de imagens e posições para ensinar percepção, outras modalidades como sons e formas poderiam ser usadas para esforços como identificar carros, vida selvagem ou objetos.

Pesquisadores contribuintes para este trabalho incluem Sebastian Scherer da Carnegie Mellon, e Ratnesh Madaan, Vibhav Vineet e Ashish Kapoor da Microsoft Corporation. O artigo, Learning Visuomotor Policies for Aerial Navigation Using Cross-Modal Representations, foi aceito na Conferência Internacional sobre Robôs e Sistemas Inteligentes 2020. O código do artigo é open-source e disponível para outros pesquisadores.