Wenn es um die Erkundung komplexer und unbekannter Umgebungen wie Wälder, Gebäude oder Höhlen geht, sind Drohnen kaum zu schlagen. Sie sind schnell, wendig und klein, transportieren Nutzlasten und gelangen mit Sensoren praktisch überall hin. Doch ohne eine Karte können sich autonome Drohnen bisher kaum in einer unbekannten Umgebung zurechtfinden. Um ihr volles Potenzial auszuschöpfen, braucht es derzeit noch erfahrene (menschliche) Piloten.
„Beim Manövrieren einer Drohne muss man die Umgebung in Sekundenbruchteilen verstehen, um die Drohne schnell auf kollisionsfreie Bahnen zu lenken“, sagt Prof. Davide Scaramuzza, der die Robotics and Perception Group an der Universität Zürich leitet. „Dies ist sowohl für Menschen als auch für Maschinen sehr schwierig. Erfahrene Piloten können dieses Niveau nach Jahren andauernden Trainings erreichen. Aber Maschinen tun sich damit noch immer schwer.“
KI-Algorithmus lernt von einem simulierten Experten
In einer aktuellen Studie haben Scaramuzza und sein Team einen autonomen Quadrocopter darauf trainiert, mit Geschwindigkeiten bis zu 40 Stundenkilometer durch bisher unbekannte Umgebungen wie Wälder, Gebäude, Ruinen oder Züge zu fliegen, ohne mit Bäumen, Mauern oder anderen Hindernissen zu kollidieren. Dabei stützt sich die Drohne nur auf die eingebauten Kameras und die Berechnungen des Quadrocopters.
Das neuronale Netz der Drohne, sozusagen ihr Gehirn, lernt das Umfliegen von Hindernissen, indem es eine Art „simulierten Lehrer“ beobachtete: einen Algorithmus, der eine computergestützte Drohne durch eine simulierte Umgebung voller komplexer Hindernisse flog. Der Algorithmus war jederzeit über die Position des Quadrotors und die Messwerte seiner Sensoren informiert und verfügte über genügend Zeit und Rechenleistung, um in Sekundenbruchteilen die beste Flugbahn zu errechnen.
Dieser „simulierte Lehrer“ kann zwar nicht außerhalb der Simulation eingesetzt werden, aber seine Daten werden verwendet, um dem neuronalen Netz beizubringen, wie es aufgrund der von den Sensoren übermittelten Daten die beste Flugbahn vorhersagen kann. Dies ist ein großer Vorteil gegenüber bestehenden Systemen, die zunächst anhand von Sensordaten eine Karte der Umgebung erstellen und dann innerhalb dieser Karte Flugbahnen planen – zwei Schritte, die viel Zeit in Anspruch nehmen und es fast unmöglich machen, mit hoher Geschwindigkeit zu fliegen.
Keine exakte Nachbildung der realen Welt erforderlich
Nach dem Training in der Simulation wurde das System direkt im Freien eingesetzt, wo eine autonome Drohne in verschiedenen Umgebungen ohne Kollisionen mit Geschwindigkeiten von bis zu 40 Stundenkilometer fliegen konnte. „Während Menschen Jahre für das Training benötigen, kann künstliche Intelligenz mit Hilfe von Hochleistungssimulatoren viel schneller, quasi über Nacht, vergleichbare Navigationsfähigkeiten erreichen“, sagt Antonio Loquercio, Doktorand und Mitautor der Arbeit. „Interessanterweise müssen diese Simulatoren keine exakte Nachbildung der realen Welt sein. Mit dem richtigen Ansatz reichen sogar einfache Simulationen aus“, fügt Elia Kaufmann hinzu, ebenfalls Doktorand und Co-Autor.
Die Anwendungen des Systems sind nicht nur auf Quadrocopter beschränkt: Gemäß den Forschenden könnte derselbe Ansatz nützlich sein, um etwa die Leistung von autonomen Autos zu verbessern oder sogar KI-Systeme in Bereichen zu trainieren, in denen das Sammeln von Daten schwierig bis unmöglich ist.
In einem nächsten Schritt sollen das System verbessert und schnellere Sensoren entwickelt werden, die in kürzerer Zeit mehr Umgebungsinformationen liefern, damit die Drohne auch bei Geschwindigkeiten über 40 Stundenkilometern sicher fliegt.
