本文來自AI新媒體量子位（QbitAI）

卡耐基梅隆大學的機器人專家Dhiraj Gandhi、Lerrel Pinto和Abhinav Gupta近期發表了一篇名為《通過事故來學會飛行》的論文。論文摘要很好地介紹了研究內容：

模擬環境和現實世界之間差異巨大，特別是在感知問題上。大部分研究避免大規模使用真實數據是因為擔心發生事故！在這篇論文中，我們認為應當接受事故，并收集關于事故的數據！我們開發了一臺無人機，其唯一目的就是與對象進行碰撞。我們利用負面的飛行數據，以及來自同樣路線的正面數據去了解無人機的飛行策略。

場面，大概是這樣：

對飛行、駕駛或行走等運動操作來說，不斷地避免事故就是成功。

從這種角度來說，最有效的飛行學習方式是獲得大量的事故經驗，從而知道如何避免這些事故。如果可以可靠地避免事故，那么就意味著學會了飛行。這很簡單，但我們通常并不是通過這種方式在學習，因為事故往往會給機器人和人類造成嚴重后果。

卡耐基梅隆大學的機器人專家希望看看，人為制造事故的策略是否能帶來幫助。因此，他們讓AR Drone 2.0無人機在20種不同的室內環境中去飛行，在40小時的飛行時間里發生了1.15萬次事故。

研究人員指出：“由于這種無人機的外殼成本很低，易于更換，因此災難性事故帶來的成本可以忽略不計。”

每次碰撞都是隨機的，無人機從空間中的隨機位置起飛，隨后緩慢前進，直到撞上障礙物。然后，無人機回到起點，選擇另一個前進方向。

在訓練過程中，無人機前方的攝像頭以30Hz的頻率拍攝照片。碰撞發生時，飛行軌跡照片被分成兩部分：飛機正常飛行的部分，以及事故發生前的部分，然后分別輸入到一個用ImageNet數據集預先訓練過的深度卷積神經網絡。神經網絡將學習什么樣的照片意味著繼續前進的決策是否正確。

在1.15萬次碰撞之后，他們最終得到的算法可以幫助無人機自動飛行，即使是在狹窄的空間里也能躲避移動的障礙物。這樣的無人機甚至還能躲避沒有任何特征的白墻和透明玻璃。

算法對無人機的控制邏輯很簡單：將攝像頭拍攝的照片分成兩部分：左側部分和右側部分。如果其中一張照片看起來碰撞的可能性要小于繼續直行，那么無人機就會轉向。否則就繼續前進。

目前這一算法仍然不如人工操作，尤其是在相對復雜的環境中，例如狹窄的走廊，或是擺滿椅子的走廊。

不過與最基本的方法，即單純感知景深相比，這一策略的效果更好，在不同環境下性能提升大約為2倍到10倍（以飛行時間和飛行距離來計算）。性能最明顯的提升是在面對白墻和透明玻璃時。景深感知方法在這兩種環境下的效果尤其不佳。

最關鍵的問題是，這種方法是否比另一種方法，即確保無人機在無碰撞情況下飛行，取得的效果更好，目前還無法做出判斷。

但可以看到，如果允許無人機發生事故，那么將可以實現無監督學習：只要將無人機放在室內環境中，算法就能自動學習。除了需要人類來給無人機更換電池之外，所有的數據收集和學習都是自動的。

如果你希望無人機在飛行時不發生事故，那么就需要為無人機尋找合適的路線。你可以選擇由人工介入，在環境中部署運動捕捉系統，或是繪制障礙物的三維地圖。然而，這樣做將帶來更高的復雜度。如果允許無人機發生事故，那么一切都變得簡單。(完)

論文地址：https://arxiv.org/pdf/1704.05588.pdf

本文作者：陳樺 原文發布時間：2017-05-12

總結

以上是生活随笔為你收集整理的这台无人机40小时经历上万次事故，终于借助AI学会了自动飞行的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。