高速无人机独立穿越森林，全程自己规划路线，时速高达40公里兴坤发自凹非寺量子位报道|公

兴坤发自凹非寺
量子位报道|公众号QbitAI
时速40公里的无人机，并不稀奇。
但能用这个速度在茂密的森林里穿梭，还是“自己遛自己”的那种，你见过吗？

文章图片
如此高超的避障飞行走位，可不是人类用手柄操作出来的，全靠无人机的“自我管理意识” 。
就算是遇到运动的障碍物，只要比这个无人机速度慢，它就都可以躲得过去。
这款自主避障无人机，是由苏黎世大学与英特尔联合开发。
具体而言，就是以立体深度摄像头作为眼睛，让无人机可以自己看得见障碍物，并规划飞行轨迹。
换上不同性能的相机，它还可以自主完成不同的任务。
比如说躲避迎面砸过来的篮球，像这样：

文章图片
完成被称作无人机杂技的高难度飞行轨迹也不在话下。

文章图片
如此灵活的无人机，是怎么被教出来的？
一对一的无人机避障学习
传统的无人机自主避障飞行，一般都是信息处理-制作地图-规划路线的处理方式。
但是由于无人机搭载的芯片性能有限，如果信息处理不及时，无人机就可能会撞上障碍物造成事故。
【高速无人机独立穿越森林，全程自己规划路线，时速高达40公里】想要提高信息处理速度，不如把三步合并为一步，利用机器学习完成输入到输出的映射。
具体来说，就是从传感器信息输入直接到飞行轨迹输出，这种处理方式在速度上要大大优于传统方法。

文章图片
如上表所示，和传统的FastPlanner、Reactive路径规划方法相比，这个算法所需的处理时间更短。虽然Reactive的处理速度也很快，但是它在高速飞行中的表现较差。
那么，无人机如何实现从传感器输入，直接到飞行轨迹的输出映射？
这里就用到了卷积网络来模拟训练。
模拟中的神经网络训练使用了一个“专家控制器”（expertcontroller），它可以使用3D点云，准确估计出模拟训练中的环境状态与无人机四旋翼状态。
由于模拟训练没有时间限制， “专家控制器”可以更充分地自行训练端到端策略。
控制器还用到了Metropolis-Hastings(M-H)算法来计算轨迹的分布，获得多模式导航方案。
在这个过程中，端到端策略训练如下图所示：

文章图片
训练完成的“专家控制器” ，将会去教授现实中无人机上的“学生控制器”（studentcontroller）。
“学生控制器”在跟随“专家控制器”飞行时，使用的传感器输入均做了抽象化处理，以此来模拟现实世界中不精确的环境数据。

文章图片
传感器输入的现实图像数据，会被抽象处理成与模拟环境一致的数据，以此来完成训练轨迹在现实中的映射。
在雪地、脱轨火车、废墟、茂密植被和倒塌的建筑物等场景下，无人机已经实现了自主穿越。

文章图片
针对运动模糊、传感器噪声和其他感知伪影等情况，无人机同样可以轻松处理。
能征服森林的无人机，也有它的“禁区”
当然了，目前这款无人机的性能还称不上完美无缺。