CMU : percée dans l'entraînement de drones autonomes avec données simulées cross-modales

Pour voler de manière autonome, les drones doivent comprendre ce qu'ils perçoivent dans l'environnement et prendre des décisions basées sur ces informations. (Voir vidéo ci-dessous.)

Rogerio Bonatti, doctorant à l'Institut de Robotique de l'École d'Informatique, explique : « Typiquement, les drones entraînés même sur les meilleures données simulées photoréalistes échouent dans le monde réel car l'éclairage, les couleurs et les textures sont encore trop différents pour se traduire. Notre module de perception est entraîné avec deux modalités pour augmenter la robustesse face aux variabilités environnementales. »

La première modalité qui aide à entraîner la perception du drone est l'image. Les chercheurs ont utilisé un simulateur photoréaliste pour créer un environnement incluant le drone, un terrain de football, et des portes carrées rouges surélevées et positionnées aléatoirement pour créer un parcours. Ils ont ensuite construit un grand ensemble de données d'images simulées à partir de milliers de configurations aléatoires de drone et de portes.

La deuxième modalité nécessaire pour la perception est la connaissance de la position et de l'orientation des portes dans l'espace, que les chercheurs ont accomplie en utilisant l'ensemble de données d'images simulées. L'enseignement du modèle en utilisant plusieurs modalités renforce une représentation robuste de l'expérience du drone, ce qui signifie qu'il peut comprendre l'essence du terrain et des portes d'une manière qui se traduit de la simulation à la réalité. La compression d'images pour avoir moins de pixels aide ce processus. L'apprentissage à partir d'une représentation de faible dimension permet au modèle de voir à travers le bruit visuel du monde réel et d'identifier les portes.

Une fois la perception apprise, les chercheurs déploient le drone dans la simulation pour qu'il apprenne sa politique de contrôle – ou comment se déplacer physiquement. Dans ce cas, il apprend quelle vélocité appliquer en naviguant sur le parcours et en rencontrant chaque porte. Comme c'est un environnement simulé, un programme peut calculer la trajectoire optimale du drone avant le déploiement.

Cette méthode offre un avantage sur l'apprentissage supervisé manuel utilisant un opérateur expert, car l'apprentissage réel peut être dangereux, chronophage et coûteux. Le drone apprend à naviguer sur le parcours en suivant des étapes d'entraînement dictées par les chercheurs. Bonatti dit qu'il met au défi des agilités et directions spécifiques dont le drone aura besoin dans le monde réel.

Bonatti explique : « Je fais tourner le drone à gauche et à droite dans différentes formes de parcours, qui deviennent plus difficiles à mesure que j'ajoute du bruit. Le robot n'apprend pas à recréer le passage sur un parcours spécifique. Au contraire, en dirigeant stratégiquement le drone simulé, il apprend tous les éléments et types de mouvements pour courir de manière autonome. »

Bonatti veut pousser la technologie actuelle pour approcher la capacité humaine à interpréter les indices environnementaux. Il dit : « La plupart des travaux sur la course de drones autonomes jusqu'à présent se sont concentrés sur l'ingénierie d'un système augmenté de capteurs et logiciels supplémentaires dans le seul but de la vitesse. Au lieu de cela, nous avons visé à créer une structure computationnelle, inspirée par le fonctionnement d'un cerveau humain, pour mapper l'information visuelle aux actions de contrôle correctes en passant par une représentation latente. »

Mais la course de drones n'est qu'une possibilité pour ce type d'apprentissage. La méthode de séparation de la perception et du contrôle pourrait être appliquée à de nombreuses tâches différentes pour l'intelligence artificielle telles que la conduite ou la cuisine. Bien que ce modèle s'appuie sur des images et des positions pour enseigner la perception, d'autres modalités comme les sons et les formes pourraient être utilisées pour des efforts comme l'identification de voitures, de la faune ou d'objets.

Les chercheurs contributeurs à ce travail incluent Sebastian Scherer de Carnegie Mellon, et Ratnesh Madaan, Vibhav Vineet et Ashish Kapoor de Microsoft Corporation. L'article, Learning Visuomotor Policies for Aerial Navigation Using Cross-Modal Representations, a été accepté à la Conférence Internationale sur les Robots et Systèmes Intelligents 2020. Le code de l'article est open-source et disponible pour d'autres chercheurs.