CMU-Durchbruch: Training autonomer Drohnen mit cross-modalen Simulationsdaten

Zweistufiger Ansatz überwindet Simulations-Realitäts-Lücke

Um autonom zu fliegen, müssen Drohnen ihre Umgebungswahrnehmung verstehen und darauf basierend Entscheidungen treffen. Forscher der Carnegie Mellon University (CMU) entwickelten eine neuartige Methode, bei der Drohnen Wahrnehmung und Aktion getrennt erlernen.

Das Problem: Sim-to-Real Gap

Rogerio Bonatti, Doktorand am Robotics Institute der School of Computer Science: „Drohnen, die selbst auf den besten fotorealistischen Simulationsdaten trainiert wurden, versagen in der Realität, weil Beleuchtung, Farben und Texturen noch zu unterschiedlich sind, um zu übersetzen. Unser Wahrnehmungsmodul wird mit zwei Modalitäten trainiert, um Robustheit gegen Umgebungsvariabilität zu erhöhen.“

Zwei Modalitäten für robuste Wahrnehmung

1. Bildmodus: Fotorealistischer Simulator erstellt Umgebung mit Drohne, Fußballfeld, roten Quadratgattern (zufällig positioniert). Tausende zufällige Drohnen-Gatter-Konfigurationen generieren großen Datensatz simulierter Bilder.
2. Positions-/Orientierungsmodus: Gatterposition und -orientierung im Raum werden mithilfe des simulierten Bilddatensatzes erlernt.

Multimodales Training verstärkt eine robuste Repräsentation der Drohnenerfahrung – das Modell versteht die Essenz von Feld und Gattern so, dass es von Simulation in Realität übertragbar ist. Bildkompression auf weniger Pixel unterstützt dies: Lernen aus niedrigdimensionaler Repräsentation lässt das Modell visuelles Rauschen in der Realität durchdringen und Gatter identifizieren.

Kontrollpolitik im Simulator erlernen

Mit erlernter Wahrnehmung wird die Drohne im Simulator eingesetzt, um ihre Kontrollpolitik zu lernen – also wie sie sich physisch bewegt. Sie lernt, welche Geschwindigkeit sie anwendet, während sie den Kurs durchfliegt und jedes Gatter passiert. Da es eine simulierte Umgebung ist, kann ein Programm die optimale Trajektorie vorab berechnen.

Vorteil gegenüber manuell überwachtem Lernen mit Expertenoperator: Reales Lernen ist gefährlich, zeitaufwändig, teuer. Die Drohne lernt durch von Forschern vorgegebene Trainingsschritte. Bonatti fordert spezifische Agilitäten und Richtungen, die die Drohne in der Realität braucht.

Menschliche Interpretationsfähigkeit als Vorbild

Bonatti: „Ich lasse die Drohne links und rechts in verschiedenen Streckenformen drehen, die durch hinzugefügtes Rauschen schwieriger werden. Der Roboter lernt nicht, eine bestimmte Strecke nachzufahren. Vielmehr lernt er durch strategische Steuerung der Simulationsdrohne alle Elemente und Bewegungstypen für autonomes Rennen.“

Ziel: Annäherung an menschliche Fähigkeit, Umgebungsreize zu interpretieren. Bisher fokussierte autonomes Drohnenrennen auf Engineering-Systeme mit Extrasensoren/Software für Geschwindigkeit. CMU zielt auf „computational fabric“ inspiriert vom menschlichen Gehirn: visuelle Information auf korrekte Kontrollaktionen über latente Repräsentation abbilden.

Übertragbarkeit auf andere KI-Aufgaben

Drohnenrennen ist nur eine Möglichkeit. Die Trennung von Wahrnehmung und Kontrolle lässt sich auf viele KI-Aufgaben anwenden: Fahren, Kochen. Während dieses Modell Bilder und Positionen nutzt, könnten andere Modalitäten wie Geräusche und Formen für Auto-, Wildtier- oder Objekterkennung dienen.

Publikation und Open Source

Mitwirkende: CMUs Sebastian Scherer, Microsofts Ratnesh Madaan, Vibhav Vineet, Ashish Kapoor. Paper „Learning Visuomotor Policies for Aerial Navigation Using Cross-Modal Representations“ angenommen für IROS 2020. Code ist Open Source verfügbar.