Vea También
Las carreras de drones con visión en primera persona (FPV) se han convertido
en un popular deporte televisado en el que pilotos profesionales pilotan
drones de alta velocidad a través de un circuito en 3D. Durante una carrera,
los pilotos de carreras de drones pilotan cuadricópteros a velocidades
superiores a 100 km/h, controlándolos a distancia mientras llevan unos
auriculares que les ofrecen una visión en "primera persona" a través de una
cámara acoplada al dron.
Sin embargo, alcanzar el nivel de los pilotos profesionales con un dron
autónomo es todo un reto, ya que el robot tiene que volar al límite de sus
posibilidades físicas mientras estima su velocidad y ubicación en el circuito
únicamente a partir de los sensores de a bordo.
Ahora, investigadores de la Universidad de Zúrich e Intel han marcado un nuevo
hito con el primer sistema autónomo capaz de batir a los mejores campeones
humanos del mundo en un deporte físico del mundo real: las carreras de drones.
Un sistema de drones controlado por IA llamado Swift aprendió rápidamente un
estrecho y técnico circuito de carreras en 3D y procedió a ganar la carrera
contra campeones mundiales humanos. El sistema ha triunfado sobre tres
campeones humanos, incluidos los campeones mundiales de dos ligas
internacionales, en una serie de intensas carreras cara a cara.
Swift demostró sus excepcionales capacidades ganando carreras contra cada uno
de los campeones humanos y demostrando el tiempo de carrera más rápido
registrado. Combinando algoritmos de aprendizaje de inteligencia artificial,
sensores a bordo y una sola cámara, Swift superó a los pilotos humanos en 15
de las 25 carreras en un circuito lleno de curvas cerradas y pivotes
chirriantes diseñado por un piloto profesional de carreras de drones.
A diferencia de sus predecesores, que dependían de cámaras de movimiento
externas, el sistema Swift utilizó la misma configuración de visión con una
sola cámara que los pilotos humanos para ver el recorrido y detectar las
puertas a lo largo de la pista. También tenía la ventaja de utilizar datos de
aceleración, velocidad y orientación en tiempo real procedentes de una unidad
de medición inercial a bordo. Estos datos se transmiten a una unidad de
control basada en una red neuronal profunda que elige la mejor acción para
terminar el circuito lo más rápido posible.
Aprendió que la pista, bastante compleja, cubría un área de 25 por 25 metros,
con siete puertas cuadradas que había que pasar en el orden correcto para
completar una vuelta. Esto incluye maniobras desafiantes como un Split-S, una
acrobacia que consiste en hacer rodar el dron hasta la mitad y ejecutar un
medio bucle descendente a toda velocidad.
En general, Swift logró la vuelta más rápida, con una ventaja de medio segundo
sobre la mejor vuelta lograda por un piloto humano, según los investigadores.
Sin embargo, los pilotos humanos demostraron una mayor capacidad de adaptación
que el dron autónomo, que falló cuando operó en condiciones diferentes a
aquellas para las que había sido entrenado.
En determinadas aplicaciones, como la vigilancia forestal o la exploración
espacial, volar rápido es importante para cubrir grandes espacios en un tiempo
limitado. En la industria cinematográfica, los drones autónomos rápidos
podrían utilizarse para rodar escenas de acción. En situaciones de emergencia,
la capacidad de volar a gran velocidad podría cambiar las reglas del juego
para los drones de rescate enviados a atravesar un edificio en llamas.
Fuentes, créditos y referencias:
Elia Kaufmann, Champion-Level drone racing using deep reinforcement learning, Nature (2023). DOI: 10.1038/s41586-023-06419-4. www.nature.com/articles/s41586-023-06419-4
Guido C. H. E. de Croon, Drone-racing champions outpaced by AI, Nature (2023). DOI: 10.1038/d41586-023-02506-8