Avance de CMU: Entrenamiento de drones autónomos con datos simulados cross-modales

Para volar autónomamente, los drones necesitan entender lo que perciben en el entorno y tomar decisiones basadas en esa información. (Ver vídeo abajo.)

Un método novedoso desarrollado por investigadores de la Universidad Carnegie Mellon permite a los drones aprender percepción y acción por separado.

El enfoque en dos etapas supera la "brecha simulación-realidad" y crea una forma de desplegar de forma segura drones entrenados completamente con datos simulados en navegación de recorridos del mundo real.

Rogerio Bonatti, doctorando en el Instituto de Robótica de la Escuela de Ciencias de la Computación, dice: "Típicamente, los drones entrenados incluso con los mejores datos simulados fotorrealistas fallan en el mundo real porque la iluminación, colores y texturas siguen siendo demasiado diferentes para traducirse.

"Nuestro módulo de percepción se entrena con dos modalidades para aumentar la robustez contra variabilidades ambientales."

La primera modalidad que ayuda a entrenar la percepción del drone es la imagen. Los investigadores usaron un simulador fotorrealista para crear un entorno que incluía el drone, un campo de fútbol, y puertas cuadradas rojas elevadas del suelo y posicionadas aleatoriamente para crear un circuito.

Luego construyeron un gran conjunto de datos de imágenes simuladas de miles de configuraciones aleatorias de drone y puertas.

La segunda modalidad necesaria para la percepción es conocer la posición y orientación de las puertas en el espacio, lo que los investigadores lograron usando el conjunto de datos de imágenes simuladas.

Enseñar el modelo usando múltiples modalidades refuerza una representación robusta de la experiencia del drone, significando que puede entender la esencia del campo y las puertas de una manera que se traduce de simulación a realidad.

Comprimir imágenes para tener menos píxeles ayuda a este proceso. Aprender de una representación de baja dimensionalidad permite al modelo ver a través del ruido visual del mundo real e identificar las puertas.

Con la percepción aprendida, los investigadores despliegan el drone dentro de la simulación para que aprenda su política de control —o cómo moverse físicamente.

En este caso, aprende qué velocidad aplicar mientras navega el circuito y encuentra cada puerta. Como es un entorno simulado, un programa puede calcular la trayectoria óptima del drone antes del despliegue.

Este método proporciona una ventaja sobre el aprendizaje supervisado manualmente usando un operador experto, ya que el aprendizaje en el mundo real puede ser peligroso, lento y costoso.

El drone aprende a navegar el circuito pasando por pasos de entrenamiento dictados por los investigadores. Bonatti dice que desafía agilidades y direcciones específicas que el drone necesitará en el mundo real.

Bonatti dice: "Hago que el drone gire a la izquierda y a la derecha en diferentes formas de circuito, que se vuelven más difíciles a medida que añado más ruido. El robot no está aprendiendo a recrear el paso por ningún circuito específico.

"Más bien, al dirigir estratégicamente el drone simulado, está aprendiendo todos los elementos y tipos de movimientos para correr autónomamente."

Bonatti quiere llevar la tecnología actual a acercarse a la capacidad humana de interpretar señales ambientales.

Dice: "La mayor parte del trabajo en carreras de drones autónomos hasta ahora se ha centrado en ingeniar un sistema aumentado con sensores extra y software con el único objetivo de velocidad.

"En cambio, nuestro objetivo era crear una estructura computacional, inspirada en la función de un cerebro humano, para mapear información visual a las acciones de control correctas pasando por una representación latente."

Pero las carreras de drones son solo una posibilidad para este tipo de aprendizaje. El método de separar percepción y control podría aplicarse a muchas tareas diferentes para inteligencia artificial como conducir o cocinar.

Mientras este modelo se basa en imágenes y posiciones para enseñar percepción, otras modalidades como sonidos y formas podrían usarse para esfuerzos como identificar coches, fauna u objetos.

Investigadores contribuyentes a este trabajo incluyen a Sebastian Scherer de Carnegie Mellon, y Ratnesh Madaan, Vibhav Vineet y Ashish Kapoor de Microsoft Corporation.

El artículo, Learning Visuomotor Policies for Aerial Navigation Using Cross-Modal Representations, ha sido aceptado en la Conferencia Internacional de Robots y Sistemas Inteligentes 2020.

El código del artículo es open-source y está disponible para otros investigadores.