Drohnen lernen von Fußgängern

  • 30. January 2018

Deep-Learning-Algorithmus optimiert Navigation durch städtisches Straßennetz.

Für die Navigation nutzen kommer­zielle Drohnen die Satelliten des GPS-Systems, was in großer Höhe gut funk­tioniert. Doch was passiert, wenn die Drohnen selbst­ständig zwischen Gebäuden oder im dichten Straßen­netz fliegen müssen, wo Radfahrer und Fußgänger plötzlich ihren Weg kreuzen können? Bisher waren kommer­zielle Drohnen nicht in der Lage, schnell auf solche unvorher­gesehenen Ereignisse zu reagieren.

Abb.: Durch Imitieren eines Auto- oder Fahrradfahrers lernt die Drohne die Verkehrsregeln (Bild: UZH)

Abb.: Durch Imitieren eines Auto- oder Fahrradfahrers lernt die Drohne die Verkehrsregeln (Bild: UZH)

Forscher der Univer­sität Zürich und des nationalen Forschungs­kompetenz­zentrums NCCR Robotics haben nun den Algo­rithmus DroNet entwickelt, der Drohnen sicher durch die Straßen einer Stadt lenken kann. Dieser wurde als schnelles Residual­netzwerk mit acht Ebenen aufgebaut und erzeugt für jedes Eingangs­bild zwei Outputs: einen für die Navi­gation, um Hinder­nisse zu umfliegen, und einen für die Kollisions­wahrscheinlich­keit, um gefährliche Situa­tionen zu erkennen und darauf reagieren zu können. „DroNet erkennt statische sowie dyna­mische Hinder­nisse und reduziert das Tempo, um Zusammen­stöße zu vermeiden. Mit diesem Algo­rithmus sind wir dem Ziel einen Schritt näher­gekommen, selbs­tständig navi­gierende Drohnen in unseren Alltag zu inte­grieren“, erklärt Davide Scaramuzza, Professor für Robotik und Wahr­nehmung der Univer­sität Zürich.

Anstatt sich auf kompli­zierte Sensoren zu verlassen, nutzt die Drohne der Schweizer Forscher eine normale Kamera wie die eines Smart­phones und einen sehr leistungs­starken Algo­rithmus für künst­liche Intel­ligenz, um die beobach­teten Situa­tionen auszu­werten. „Dieser Computer­algorithmus lernt, komplexe Aufgaben anhand von zahl­reichen Trainings­beispielen zu lösen. Er zeigt der Drohne, wie sie bestimmte Aufgaben und schwierige Situa­tionen löst. Das ist ähnlich wie bei Kindern, die von ihren Eltern oder Lehrern lernen“, erklärt Scara­muzza.

Eine der größten Heraus­forderungen dieses „Deep Learning“ ist es, mehrere tausend solcher Trainings­beispiele zu sammeln. Um aus­reichend Daten zu erfassen, haben Scara­muzza Fahrten von Autos und Fahr­rädern gesammelt, die in städtische Umge­bungen navi­gierten und die Verkehrs­regeln respek­tierten. Durch Imi­tieren hat die Drohne auto­matisch gelernt, diese Regeln einzu­halten, wie zum Beispiel „Wie folge ich der Straße, ohne in den Gegen­verkehr zu geraten“ oder „Wie halte ich an, wenn Hinder­nisse wie Fußgänger, Baustellen oder andere Fahr­zeuge meinen Weg blockieren“. Die Forscher konnten zudem zeigen, dass ihre Drohne nicht nur durch Straßen navi­gieren konnte, sondern sich auch in komplett anderen Umge­bungen zurecht­fand, für die sie nie trainiert wurde – so etwa in Gebäuden wie Park­häusern oder Büro­fluren.

Die Studie zeigt ein Potenzial von Drohnen­einsätzen für Überwachungs­aufgaben oder Paket­lieferungen in belebter Umgebung sowie für Rettungs­einsätze bei städtischen Kata­strophen auf. Das Forschungs­team warnt jedoch von über­triebenen Erwartung, was leichte, günstige Drohnen können. „Es müssen noch viele techno­logische Probleme gelöst werden, bevor die ehrgei­zigsten Anwe­ndungen Realität werden können“, erklärt Dok­torand Antonio Loquercio.

UZH / JOL

Share |

Webinar

Welches Turbulenzmodell soll ich benutzen?

  • 01. March 2018

Lösungen der seit nun fast 200 Jah­ren be­kann­ten Navier-Stokes-Glei­chung­en be­schrei­ben Strö­mung­en in al­len De­tails. Doch Tur­bu­len­zen sind noch im­mer ein nu­me­ri­scher Alb­traum, selbst mit Su­per­com­pu­tern sind tur­bu­len­te Strö­mung­en in re­a­lis­ti­schen Mo­del­len meist un­be­rech­en­bar.

Alle Webinare »

Site Login

Bitte einloggen

Andere Optionen Login

Website Footer